1. Новые складчины: Показать еще

    21.08.2017: Как построить огромное состояние на ненужных вещах, которые есть почти в каждом доме(Алексей Фадеев)

    20.08.2017: Подготовка к печати (Ирина Калмыкова)

    20.08.2017: Психология согласия. Революционная методика убеждения до начала убеждения (Роберт Чалдини)

    20.08.2017: Видеоурок по обработке фотографий (Анна Гис) 2017

    20.08.2017: Самый реальный способ заработка 2017

  2. Нужен организатор: Показать еще

    20.08.2017: Как стать мужчиной, о котором мечтают 98% женщин (Антон Гломозда)

    20.08.2017: Супер-распродажа - Прорыв-2015 - Платинум

    20.08.2017: Женская харизма

    20.08.2017: Жакет в стиле CHANEL. Секреты пошива Haute couture (Альбина Скрипка)

    20.08.2017: Баскетбол лайв. Кибер баскетбол бк fonbet.ru(.com)

  3. Сбор взносов Показать еще

    20.08.2017: Метаморфозы: Трансформация личности (Алексей Похабов и команда центра "Арканиум")

    19.08.2017: [Convertmonster] Конференция по трафику 2017 (Антон Петроченков, Филипп Царевский)

    18.08.2017: Магия Зазеркалья (Х-Архив)

    17.08.2017: Солидный заработок на запчастях (fcash.biz)

    17.08.2017: "Технология пошива кружевной юбки на шёлковой основе" (Ирина Паукште)

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