Машинное обучение вики
Регистрация
Нет описания правки
Метка: rte-source
Нет описания правки
Метка: rte-source
Строка 3: Строка 3:
 
2. [[Разложение среднеквадратичной ошибки на смещение и дисперсию (Bias-Variance decomposition)|Разложение среднеквадратичной ошибки на смещение и дисперсию.]]
 
2. [[Разложение среднеквадратичной ошибки на смещение и дисперсию (Bias-Variance decomposition)|Разложение среднеквадратичной ошибки на смещение и дисперсию.]]
   
3. [[Ансамбли моделей#Стэкинг моделей|стэкинг моделей.]]
+
3. [[Ансамбли моделей#Стэкинг моделей|Стэкинг моделей.]]
   
 
4. [[Ансамбли моделей#Бэггинг (Bagging)|Бэггинг]] и [[Ансамбли моделей#Случайный лес (Random Forest)|случайный лес.]]
 
4. [[Ансамбли моделей#Бэггинг (Bagging)|Бэггинг]] и [[Ансамбли моделей#Случайный лес (Random Forest)|случайный лес.]]

Версия от 00:43, 24 июня 2017

1. Методы многоклассовой классификации бинарными классификаторами --- подходы один против всех, каждый против каждого.

2. Разложение среднеквадратичной ошибки на смещение и дисперсию.

3. Стэкинг моделей.

4. Бэггинг и случайный лес.

5. Алгоритм градиентного бустинга.

6. Взаимная информация.

7. Алгоритм последовательного отбора признаков

8. ЕМ-алгоритм в общем случае.

9. Генеративный процесс порождения коллекции тематической моделью pLSA и LDA.

10. Кластеризация методом К-средних. Иерархическая кластеризация сверху вних.

11. Аггломеративная кластеризация.

12. Кластеризация DB-scan.

13. Оценка качества кластеризации - коэффициент силуэта и индекс Калинского.

14. Многослойный персептрон. Основные ф-ции активации. Активации выходного слоя для задач регрессии и классификации. Автокодировщик.

15. Алгоритмы многомерного шкалирования и Isomap.

16. Алгоритмы user-user и item-item для коллаборативной фильтрации. Какой из них применим в онлайн режиме?