Название: Основы машинного обучения Автор: Лимановская О.В., Алферьева Т.И. Издательство: Екатеринбург: Уральский федеральный университет им. Первого президента России Б.Н. Ельцина (УрФУ) Год: 2020 Формат: pdf Страниц: 88 Размер: 13 mb Язык: русский
Изложены основы машинного обучения, а также история его появления. Даны определения основным понятиям: выборка, объекты выборки, параметры, функционал ошибки и прочее. Описаны основы градиентного спуска и его модификаций, основные алгоритмы обучения с учителем и обучения без учителя.
Оглавление Data Science — что это такое и зачем она нужна? Что такое data science? Data Science — зачем она нужна? Контрольные вопросы Основы обучения с учителем Основные понятия Контрольные вопросы Градиентный спуск Пакетный метод градиентного спуска Стохастический градиентный спуск Mini-batch Адаптивный градиентный спуск Контрольные вопросы Переобучение модели и методы борьбы с ним Суть проблемы переобучения Отложенная выборка Кросс-валидация Регуляризация Контрольные вопросы Бинарная классификация Основные понятия и задачи классификации Линейный классификатор Логистическая регрессия Метрики качества классификации Контрольные вопросы Решающие деревья и случайный лес Решающие деревья Случайный лес Bagging Boosting Градиентный бустинг Контрольные вопросы Обучение без учителя Основные понятия и области применения Контрольные вопросы Понижение размерности Алгоритмы отбора признаков Проекция признаков Контрольные вопросы Кластеризация Задача, алгоритм и этапы кластеризации Метод ближайших соседей (kNN) Метод к средних (k-means) Плотностной алгоритм пространственной кластеризации с присутствием шума (Density-based spatial clustering of applications with noise — DBSCAN) Иерархические методы кластеризации Контрольные вопросы
Разделы сайта
Авторизация
Реклама
Основы машинного обучения 
