Современные методы машинного обучения (курс майнора) ИАД4 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Семинары)
(Семинары)
Строка 25: Строка 25:
 
'''7) 10 Ноября 2016:''' Пробуем нейронные сети - [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2016_pt2/blob/master/6_keras_nn_tutorial.ipynb IPython Notebook 1], [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2016_pt2/blob/master/6_keras_rnn.ipynb IPython Notebook 2] <br/>
 
'''7) 10 Ноября 2016:''' Пробуем нейронные сети - [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2016_pt2/blob/master/6_keras_nn_tutorial.ipynb IPython Notebook 1], [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2016_pt2/blob/master/6_keras_rnn.ipynb IPython Notebook 2] <br/>
 
'''8) 17 Ноября 2016:''' Доверительные интервалы - [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2016_pt2/blob/master/7_stats_basic1.ipynb Stats.Basics 1], [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2016_pt2/blob/master/7_stats_basic2.ipynb Stats.Basics 2], [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2016_pt2/blob/master/7_stats_confidence.ipynb Доверительные интервалы], [https://www.dropbox.com/s/gls3vji6tacfqwi/data.zip?dl=0 Данные]  <br/>
 
'''8) 17 Ноября 2016:''' Доверительные интервалы - [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2016_pt2/blob/master/7_stats_basic1.ipynb Stats.Basics 1], [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2016_pt2/blob/master/7_stats_basic2.ipynb Stats.Basics 2], [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2016_pt2/blob/master/7_stats_confidence.ipynb Доверительные интервалы], [https://www.dropbox.com/s/gls3vji6tacfqwi/data.zip?dl=0 Данные]  <br/>
 +
'''9) 24 Ноября 2016:''' Проверка статистических гипотез - [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2016_pt2/blob/master/8_stats_hypo.ipynb Практика], [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2016_pt2/blob/master/8_stats_hypo_help.zip help],
  
 
== Домашние Задания ==
 
== Домашние Задания ==

Версия 11:04, 24 ноября 2016

Майнор по "Современным методам машинного обучения" - 2016/2017 учебный год - ИАД-4

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий группы ИАД-4

27 октября коллоквиума не будет! Следите за обновлениями.

Семинарист: Шестаков Андрей shestakoffandrey@gmail.com
При обращении по почте, начинайте тему письма со слов [Майнор ИАД]

Перед тем как что-то спрашивать по почте, проверьте, нет ли ответа на ваш вопрос вот здесь.

Страница курса
Анонимные комментарии, замечания и пожелания можно оставить здесь

Таблица с оценками

Семинары

1) 15 Сентября 2016: Метод опорных векторов. Ядра. - IPython Notebook
2) 22 Сентября 2016: Методы оптимизации. Градиентный спуск и КО - IPython Notebook, data
3) 29 Сентября 2016: Методы предобработки данных - IPython Notebook, data
4) 6 Октября 2016: Вспоминаем градиентный спуск (см. памятку)
5) 13 Октября 2016: Композиции алгоритмов, бустинг - IPython Notebook
6) 20 Октября 2016: Консультация, вопросы и немного про нейронные сети (у доски)
7) 10 Ноября 2016: Пробуем нейронные сети - IPython Notebook 1, IPython Notebook 2
8) 17 Ноября 2016: Доверительные интервалы - Stats.Basics 1, Stats.Basics 2, Доверительные интервалы, Данные
9) 24 Ноября 2016: Проверка статистических гипотез - Практика, help,

Домашние Задания

1) ДЗ 1., data Срок - 30 Сентября 2016
1.1) Памятка по градиентному спуску + мини задание, data Срок - 14 Октября 2016
2) ДЗ 2., data Срок - 23 Октября 2016
3) Соревнование Kaggle - Срок - 15 Ноября 2016
4) ДЗ 3 (click me!) - Срок - 24 Ноября 2016

Полезные ссылки (Будут пополняться)

Семинар 7

  1. Neural Network interactive playground
  2. Conv NN Layer Visualization

Семинар 5

  1. Gradient boosting interactive playground
  2. About XGBoost

Семинар 2

  1. Про методы оптимизации в МО
  2. Gradient Descent Demo

Семинар 1

  1. Пример работы полиномиального ядра
  2. Описание ядер
  3. Еще про SVM

Pandas & Seaborn

  1. Pandas
  2. Effective Pandas
  3. Pandas Cheat-Sheet
  4. Pandas Visualization
  5. Seaborn

Наборы данных

  1. Портал Открытых Данных РФ
  2. Funny Datasets
  3. Сборник Открытых Данных (!!!)
  4. Еще наборы данных

FYI

  1. Spurious Correlations
  2. Correlation

Python

  1. PEP-8 Code Style Guide Cheat-sheet
  2. Python Tutorials Point
  3. Matplotlib Tutorial
  4. Matrix Manipulation Cheat-sheet
  5. Ipython Notebook
  6. Beaker Notebook
  7. yhat Rodeo

Ресурсы и Книги

  1. James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning
  2. Bishop — Pattern Recognition and Machine Learning (первые главы)
  3. MachineLearning.ru
  4. Kaggle
  5. UCI Repo
  6. Visual Intro to ML

Онлайн Курсы

  1. Andrew Ng's Course
  2. Introduction to ML
  3. Learning Data Science with Python
  4. Курс от ВШЭ
  5. Обзор МООС Курсов