1

Step 1

Первая неделя - Формальная постановка задачи машинного обучения

02 February—13 February

2

Step 2

Вторя неделя Метрические методы классификации

15 February—26 February

3

Step 3

Третяя неделя Метод опорных векторов и логистическая регрессия

29 February—09 March

4

Step 4

Еще 4 недели лекций и задач, опишу чуть позже

1

Step 1

Первая неделя - Формальная постановка задачи машинного обучения

02 February—13 February

2

Step 2

Вторя неделя Метрические методы классификации

15 February—26 February

3

Step 3

Третяя неделя Метод опорных векторов и логистическая регрессия

29 February—09 March

4

Step 4

Еще 4 недели лекций и задач, опишу чуть позже

02 February 2016 02 April 2016
The goal is overdue by 2968 days
Details Briefly

Goal abandoned

The author does not write in the goal 8 years 3 months 5 days

Goal author

Nikita

Ukraine, Киев

Send message

Add to friends

Career & Work

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!"

 Goal Accomplishment Criteria

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

 Personal resources

Небольшой опыт с Ruby Js, неструктурированное свободное время

 Goal ecological compatibility

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

  • 1907
  • 02 February 2016, 10:22

The goal is in the group

Программирование

  • 1281

    members

  • 1884

    goals
Sign up

Signup

Уже зарегистрированы?
Quick sign-up through social networks.
Sign in

Sign in.
Allowed.

Not registered yet?
 
Log in through social networks
Forgot your password?
Settings

Widget for your goal

Big (450×150 px)

Small (250×100 px)

To insert a widget on your website or blog, copy the code and embed it in the original html-code to your blog/site.

For PRO only

You can buy a PRO account, or get it for free by inviting 3 friends to SmartProgress

Invite friends

Team
goal

Buy PRO-account

Email for any cases

  • Maxim Malikov

    founder

  • Sergey Zakharov

    founder