1

Этап 1

Первая неделя - Формальная постановка задачи машинного обучения

02 февраля—13 февраля

2

Этап 2

Вторя неделя Метрические методы классификации

15 февраля—26 февраля

3

Этап 3

Третяя неделя Метод опорных векторов и логистическая регрессия

29 февраля—09 марта

4

Этап 4

Еще 4 недели лекций и задач, опишу чуть позже

1

Этап 1

Первая неделя - Формальная постановка задачи машинного обучения

02 февраля—13 февраля

2

Этап 2

Вторя неделя Метрические методы классификации

15 февраля—26 февраля

3

Этап 3

Третяя неделя Метод опорных векторов и логистическая регрессия

29 февраля—09 марта

4

Этап 4

Еще 4 недели лекций и задач, опишу чуть позже

02 февраля 2016 02 апреля 2016
Цель просрочена на 3188 дней

Цель заброшена

Автор не отписывался в цели 8 лет 10 месяцев 11 дней

Карьера и работа

Пройти курс "Введение в машинное обучение"

курс находится на курсере https://www.coursera.org/learn/vvedenie-mashinnoe...

Адапритировать под RUBY задачи описанные в курсе на PYTONe. Исследовать библиотеки ruby для машинного обучения.
Я пока еще не очень понимаю зачем мне это нужно, но сама мысль - заставить компьютер думать в разных плоскостях, а не просто занимать мое время, не дает мне вариантов на отступление.
Ах да, вспомнил, я же хотел познакомится с ИИ. Что бы в не очень далеком будущем, допустим его (ии) к тому времени будут звать ВАЛЕРА ( Валидный Асинхронный Латеральный чегото там Разум) . Я мог без дрожи в голосе сказать - "Слышишь Валера, а нука давай напрягись ка!"

 Критерий завершения

Пройден 7ми недельный курс за 9 недель :) Исчез или подразмылся вопрос - "Как это работает?"

 Личные ресурсы

Небольшой опыт с Ruby Js, неструктурированное свободное время

 Экологичность цели

Ясность понимания определенных процессов связанных с ИИ

  1. Первая неделя - Формальная постановка задачи машинного обучения

    Знакомство с анализом данных и машинным обучением

    Добро пожаловать! В первом модуле курса мы расскажем о задачах, которые решает машинное обучение, определим базовый набор понятий и введем необходимые обозначения. Также мы расскажем про основные библиотеки языка Python для работы с данными (NumPy, Pandas, Scikit-Learn), Долой змею, будем пилить на RUBY которые понадобятся для выполнения практических заданий на протяжении всего курса.

    1. Формальная постановка задачи машинного обучения

    2. Примеры применения машинного обучения 1

    3. Примеры применения машинного обучения 2

    4. Проблема переобучения. Методология решения задач машинного обучения.

    5. Вопросы: Основные понятия машинного обучения

    6. Python для анализа данных

    7. Работа с векторами и матрицами в NumPy

    8. Задание: Предобработка данных в Pandas

    9. Решающие деревья

    10. Алгоритм построения решающего дерева

    11. Обработка пропусков. Достоинства и недостатки решающих деревьев.

    12. Способы устранения недостатков решающих деревьев

    13. Задание: Важность признаков

    14. Вопросы: Решающие деревья

  2. Вторя неделя Метрические методы классификации

    Метрические методы проводят классификацию на основе сходства, благодаря чему могут работать на данных со сложной структурой — главное, чтобы между объектами можно было измерить расстояние. Мы изучим метод k ближайших соседей, а также способ его обобщения на задачи регрессии с помощью ядерного сглаживания.

    1. Метод ближайших соседей

    2. Метод окна Парзена

    3. Метрические методы классификации в задаче восстановления регрессии

    4. Обнаружение выбросов

    5. Вопросы: Метрические методы

    6. Задание: Выбор числа соседей

    7. Задание: Выбор метрики

  3. Третяя неделя Метод опорных векторов и логистическая регрессия

    Линейные методы имеют несколько очень важных подвидов, о которых пойдет речь в этом модуле. Метод опорных векторов максимизирует отступы объектов, что тесно связано с минимизацией вероятности переобучения. При этом он позволяет очень легко перейти к построению нелинейной разделяющей поверхности благодаря ядровому переходу. Логистическая регрессия позволяет оценивать вероятности принадлежености классам, что оказывается полезным во многих прикладных задачах.

    1. Метод опорных векторов

    2. Метод опорных векторов. Обобщение для нелинейного случая

    3. Вопросы: Особенности метода опорных векторов

    4. Задание: Опорные объекты

    5. Задание: Анализ текстов

    6. Логистическая регрессия

    7. Пример применения логистической регрессии

    8. Регуляризованная логистическая регрессия

    9. Задание: Логистическая регрессия

    10. Вопросы: Логистическая регрессия

  4. Еще 4 недели лекций и задач, опишу чуть позже

  • 2068
  • 02 февраля 2016, 10:22
Регистрация

Регистрация

Уже зарегистрированы?
Быстрая регистрация через соцсети
Вход на сайт

Входите.
Открыто.

Еще не зарегистрированы?
 
Войти через соцсети
Забыли пароль?