Ранее мы говорили о разработке системы квантовой связи и о том, как из простых студентов готовят продвинутых программистов. Сегодня мы решилие еще раз (1, 2) взглянуть в сторону темы машинного обучения и привести адаптированную (источник) подборку полезных материалов, обсуждавшихся на Stack Overflow и Stack Exchange.
Генетические алгоритмы
- SO: генетические алгоритмы и искусственные нейронные сети;
- SO: генетические алгоритмы и генетическое программирование;
Классификация
- SO: когда выбирать классификатор;
Линейная регрессия
- SE: что такое одинаковая дисперсия ошибок модели линейной регрессии;
- SE: в чем разница между линейной регрессией y на x и линейной регрессией x на y;
- SE: интерпретация plot.lm() в R;
- SE: интерпретация графика квантиль-квантиль;
- SE: интерпретация графиков Residuals vs Fitted;
- SE: как обрабатывать аномальные значения;
Логистическая регрессия
- SE: получение предсказанных значений Y;
- SE: остатки в логистической регрессии;
- SE: различия между логистической регрессией и пробит-регрессией;
- SE: псевдо R-квадрат и логистическая регрессия;
- SE: как вычислить псевдо R-квадрат;
Проверка модели с помощью повторной выборки
- SE: разделение набора данных в R;
- SE: оценка c расщеплением выборки в R;
- SE: обучение с полным набором данных после перекрестной проверки;
- SE: самый лучший метод перекрестной проверки;
- SE: оценка дисперсии при перекрестной проверке по k-блокам;
- SE: может ли перекрестная проверка заменить контрольную выборку;
- SE: выбор количества блоков при перекрестной проверке по k-блокам;
- SE: перекрестная проверка для композиционного обучения;
- SE: как перекрестная проверка решает проблему переобучения;
- SE: почему работает бутстрэп;
- SE: статистический бутстрэп для выбора и оценки модели;
- SE: использование перекрестной проверки и бустрэпа для оценки ошибки предсказания;
- SE: что использовать для оценки эффективности классификации – перекрестную проверку или бутстрэп;
- SO: перекрестная проверка по k-блокам в R;
Глубокое обучение
- SO: в чем разница между тренировочными, проверочными и тестовыми наборами данных;
- SO: руководство по созданию нейронных сетей;
- SO: FAQ по нейронным сетям;
Нейронные сети прямого распространения
- SO: роль смещений в нейронных сетях;
- SO: выбираем количество скрытых слоев и узлов;
- SO: выбираем количество скрытых слоев и узлов;
- SO: выбираем количество скрытых слоев и узлов;
- SO: простая реализация нейронной сети;
Обработка естественного языка
- SE: alpha и beta в ЛРД;
- SO: кластеризация строк;
- SO: кластеризация текста с использованием расстояния Левенштейна;
Метод опорных векторов
- SE: самые популярные вопросы о методе опорных векторов;
- SE: что такое метод опорных векторов;
- SE: принципы метода опорных векторов;
- SE: сравнение метода опорных векторов и деревьев классификации;
- SE: метод опорных векторов и логистическая регрессия;
- SE: сравнение метода опорных векторов и логистической регрессии;
- SE: когда использовать метод опорных векторов, а когда логистическую регрессию;
- SE: в чем разница между методом опорных векторов и логистической регрессией;
- SE: оценка важности переменных в методе опорных векторов;
- SE: зачем нужно шкалирование по Платту;
- SO: в каком случае метод опорных векторов оказывается лучше нейронных сетей;
- SO: сравнение метода опорных векторов и нейронных сетей;
Деревья решений
- SE: слабая сторона деревьев решений;
- SE: как алгоритмы обучения на основе деревьев решений обрабатывают недостающие значения;
- SE: деревья решений практически всегда являются бинарными, так ли это;
- SE: что такое отклонение;
- SO: сравнение алгоритмов реализации деревьев решений по сложности или производительности;
- SO: «обрезка» ветвей деревьев в R;
- SO: как извлечь структуру дерева из функции ctree;
- SO: какова энтропия и объем получаемой информации при построении деревьев решений;
Случайный лес
- SE: оценка важности переменных в случайных лесах;
- SE: сравнение значения R-квадрат двух моделей случайного леса;
- SE: почему случайный лес не обрабатывает отсутствующие значения в предсказателях;
- SE: извлекаем данные из алгоритма случайного леса;
- SE: вопросы по реализации случайного леса на R;
- SO: реализация случайного леса на R;
- SO: вопросы по реализации случайного леса на R;
Алгоритмы бустинга деревьев
Композиционное обучение
- SE: композиционные модели с caret;
- SE: бэггинг, бустинг, стэкинг;
- SE: материалы по реализации методов композиционного обучения;
Размерность Вапника — Червоненкиса
- SE: методы композиционного обучения повышают размерность Вапника – Червоненкиса;
Автор: Университет ИТМО
