1. Новые складчины: Показать еще

    19.01.2018: SMM-менеджер (Гильдия Развития)

    19.01.2018: Как бесплатно продвинуть аккаунт вконтакте через Telegram (Максим Калашник)

    19.01.2018: Фотография. Уроки мастера (Петр Фисун)

    19.01.2018: Как маркетинговое семантическое ядро дает трафик, заявки и продажи? (Дмитрий Шевцов)

    19.01.2018: ЖКТ - Часть 1 от Katia Txi

  2. Нужен организатор: Показать еще

    19.01.2018: MS Word 2016, мастерский курс (Екатерина Нечипоренко)

    19.01.2018: MS Word 2016, продвинутый курс (Екатерина Нечипоренко)

    19.01.2018: PRO молодость (Ирэн Влади)

    19.01.2018: [Вязание] Чтоб по дорогам не ходить, а как по воздуху...

    19.01.2018: "Сад своими руками" от школы ландшафтного дизайна...

  3. Сбор взносов Показать еще

    19.01.2018: 3.000.000 рублей на недвижимости без вложений + 3 лимона на недвижимости с нуля

    19.01.2018: [kalachevaschool] Пастель для начинающих 2.0. 2017 (Елена Таткина, Ирина Климова)

    19.01.2018: [Шитье] Конструирование и пошив классических мужских брюк (Ирина Паукште)

    18.01.2018: Как найти свою нишу и зарабатывать много на любимом деле (Ольга Струговщикова, Мария Медведь)

    18.01.2018: Хулиганские стежки. Основные приёмы художественной вышивки животных (Алина Берёзкина)

Запись

[ML/Класс] DSCource 4. Прикладные области

Тема в разделе "Курсы по программированию", создана пользователем Telegram, 14 ноя 2015.

Цена:
5000 руб
Взнос:
55 руб
Организатор:
Требуется
Участников:
0/100

Список пока что пуст. Запишитесь первым!

Записаться
    Тип: Стандартная складчина
  1. Telegram
    Telegram Организатор складчин

    [ML/Класс] DSCource 4. Прикладные области

    [​IMG]
    Александр Крот, Прикладные области

    Видео лекций, презентации, ссылки по четвертому курсу данной серии


    "Мы постарались сделать программу так, чтобы в нее входили только самые основные навыки, необходимые в реальной работе. Здесь не будет длинной теории, только практически важные вещи."
    • Александр Крот проведет курс по прикладным задачам в анализе данных, где будут рассмотрены области Text Mining и Graph Theory, а также будут затронуты вопросы машинного обучения на больших данных

    Интеллектуальный анализ текстов (ИАТ, англ. text mining) направление в искусственном интеллекте, целью которого является получение информации из коллекций текстовых документов, основываясь на применении эффективных в практическом плане методов машинного обучения и обработки естественного языка.

    Теория графов раздел дискретной математики, изучающий свойства графов. В общем смысле граф представляется как множество вершин (узлов), соединённых рёбрами. Является широкоприменимой в анализе данных областью знаний, поскольку в виде графов можно удобно представить и описать различные актуальные сущности современного мира как то, например, социальные сети (пользователи и их взаимоотношения), так и Интернет (множество сайтов со ссылками друг на друга).


    Урок 1. Основы Text Mining
    - Извлечение признаков из текстов
    - Метрика TF-IDF
    - Bag of Words как основной инструмент
    - Структура данных word2vec, ее особенности
    - Решение задачи Sentiment Analisys с Kaggle

    Урок 2. Анализ социальных сетей I
    - Базовые понятия теории графов, свойства графов
    - Обход: поиск в глубину, поиск в ширину
    - Нахождение кратчайших путей в графах: алгоритмы Дейкстры, Форда-Беллмана, Флойда
    - Нахождение остовного дерева: агоритмы Краскала, Прима
    - Решение простых задач на графы

    Урок 3. Анализ социальных сетей II
    - Введение в случайные и веб-графы
    - Основные свойства веб-графов - наблюдения Барабаши-Альберт, идея Preferential Attachment
    - Модели случайных графов: Эрдеша-Реньи, Боллобаша-Риордана, модель копирования
    - Основные свойства веб-графов
    - Пример задачи машиннго обучения на графах: Link Prediction
    - Использование свойств веб-графов на практике на примере задачи быстрого нахождения степеней вершин

    Урок 4. Large Scale Machine Learning. Apache Spark
    - Что делать, если обучающая выборка не помещается в оперативную память?
    - Онлайн обучение линейных функций: выбор функции потерь, метрики качества алгоритмов, учет весов объектов
    - Обзор Vowpal Wabbit
    - Реализация алгоритмов машинного обучения в модели вычислений MapReduce
    - Введение в Apache Spark: концепция RDD, кэширование данных в оперативной памяти
    - Основные операции с RDD
    - Работа с shared variables, broadcast variables
    Цена инфопродукта - 5000 руб.

     
    Telegram, 14 ноя 2015
Участники складчины [ML/Класс] DSCource 4. Прикладные области смогут написать отзыв
Наверх