Wiki - Факультет компьютерных наук - Вклад [ru]

Визуализация рок-кривой (летняя практика)

2015-06-17T22:08:49Z

Axelr:

{{Карточка_задания_на_летнюю_практику
|name=Визуализация методов маш. обучения
|mentor=Рогожников Алексей Михайлович
|mentor_login={{URLENCODE:Старчикова Ольга|WIKI}}
|organization=Лаборатория методов анализа больших данных (LAMBDA)
|hse_profile=-
|email=arogozhnikov@hse.ru
|thesis=
|year=2015
|categorize=yes
}}

=== Задание ===
Подготовить визуализации для алгоритмов машобучения и для рок-кривой (тоже активно используемой в машобучении).

1. визуализация рок-кривой (движение распределений -> изменение рок-кривой)

2. логистическая регрессия и линейный SVM - для них надо как минимум двумерную визуализацию решающего правила (с возможностью мышкой двигать правило), + надо иметь возможность переключаться в 3d-режим, чтобы по оси z была функция потерь, плюс стохастическое обучение - надо это проиллюстрировать.

3. итеративное построение дерева с разными критериями разбиения

=== Какие начальные требования? ===
Иметь представление о 2d/3d визуализации. Приветствуется владение джаваскриптом.

Изначального понимания визуализируемых алгоритмов не ожидается, однако с ними обязательно потребуется познакомиться.

=== Какие будут использоваться технологии? ===
1. html + javascript,
2. фреймворк для визуализации (например, d3.js)

=== Какая дополнительная литература понадобится? ===
Необходимо прочитать про указанные алгоритмы машинного обучения. Например, на machinelearning.ru или из лекций: http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_(курс_лекций%2C_К.В.Воронцов) или из любого другого источника.

Визуализация рок-кривой (летняя практика)

2015-06-17T21:51:02Z

Axelr:

{{Карточка_задания_на_летнюю_практику
|name=Визуализация методов маш. обучения
|mentor=Рогожников Алексей Михайлович
|mentor_login={{URLENCODE:Старчикова Ольга|WIKI}}
|organization=Лаборатория методов анализа больших данных (LAMBDA)
|hse_profile=-
|email=-
|thesis=
|year=2015
|categorize=yes
}}

=== Задание ===
Подготовить визуализации для алгоритмов машобучения и для рок-кривой (тоже активно используемой в машобучении).

1. визуализация рок-кривой (движение распределений -> изменение рок-кривой)

2. логистическая регрессия и линейный SVM - для них надо как минимум двумерную визуализацию решающего правила (с возможностью мышкой двигать правило), + надо иметь возможность переключаться в 3d-режим, чтобы по оси z была функция потерь, плюс стохастическое обучение - надо это проиллюстрировать.

3. итеративное построение дерева с разными критериями разбиения

=== Какие начальные требования? ===
Иметь представление о 2d/3d визуализации. Приветствуется владение джаваскриптом.

Изначального понимания визуализируемых алгоритмов не ожидается, однако с ними обязательно потребуется познакомиться.

=== Какие будут использоваться технологии? ===
1. html + javascript,
2. фреймворк для визуализации (например, d3.js)

=== Какая дополнительная литература понадобится? ===
Необходимо прочитать про указанные алгоритмы машинного обучения. Например, на machinelearning.ru или из лекций: http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_(курс_лекций%2C_К.В.Воронцов) или из любого другого источника.

Визуализация рок-кривой (летняя практика)

2015-06-17T21:50:46Z

Axelr:

{{Карточка_задания_на_летнюю_практику
|name=Визуализация методов маш. обучения
|mentor=Рогожников Алексей Михайлович
|mentor_login={{URLENCODE:Старчикова Ольга|WIKI}}
|organization=Лаборатория методов анализа больших данных (LAMBDA)
|hse_profile=-
|email=-
|thesis=
|year=2015
|categorize=yes
}}

=== Задание ===
Подготовить визуализации для алгоритмов машобучения и для рок-кривой (тоже активно используемой).

1. визуализация рок-кривой (движение распределений -> изменение рок-кривой)

2. логистическая регрессия и линейный SVM - для них надо как минимум двумерную визуализацию решающего правила (с возможностью мышкой двигать правило), + надо иметь возможность переключаться в 3d-режим, чтобы по оси z была функция потерь, плюс стохастическое обучение - надо это проиллюстрировать.

3. итеративное построение дерева с разными критериями разбиения

=== Какие начальные требования? ===
Иметь представление о 2d/3d визуализации. Приветствуется владение джаваскриптом.

Изначального понимания визуализируемых алгоритмов не ожидается, однако с ними обязательно потребуется познакомиться.

=== Какие будут использоваться технологии? ===
1. html + javascript,
2. фреймворк для визуализации (например, d3.js)

=== Какая дополнительная литература понадобится? ===
Необходимо прочитать про указанные алгоритмы машинного обучения. Например, на machinelearning.ru или из лекций: http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_(курс_лекций%2C_К.В.Воронцов) или из любого другого источника.

Автоматический прокси из другого языка к Python (летняя практика)

2015-06-04T17:24:53Z

Axelr:

{{Карточка_задания_на_летнюю_практику
|name=автоматический прокси из другого языка к Python
|mentor=Рогожников Алексей Михаилович
|mentor_login={{URLENCODE:Katya|WIKI}}
|organization=Лаборатория методов анализа больших данных (LAMBDA)
|hse_profile=-
|email=axelr@yandex-team.ru
|thesis=
|year=2015
|categorize=yes
}}

=== Задание ===
Разработать минималистичный автоматический прокси из другого языка к Python.

Схема:
# веб-сервер на питоне. Он умеет а) принимать json запросы и б) отдавать листинг доступных классов и информацию об их конструкторах (IPython, например, так работает)
# ""клиент"" на другом языке, скажем, на R или Ruby. Ожидаемое поведение в другом языке:
box = PythonProxy('http://гдесервер')
clf = box.sklearn.ensemble.AdaBoostClassifier(base_estimator=box.sklearn.ensemble.GradientBoostingClassifier())
clf.fit(X, y)

В первой строке произошло подключение к серверу, выкачка данных о доступных классах (она может происходить лениво, как в IPython), во второй конструируется объект с использованием проксей к этим классам (использовались классы из библиотеки sklearn), в третьей вызывается метод, на сервер передается json-представление текущего объекта и параметры X,y. На сервере происходит обучение и возвращается обратно новый clf.
На второй и третьей строках должно работать автодополнение (intellisense).

=== Зачем это надо? ===
Чтобы классификаторы, которые есть на питоне (или имеются питон-обертки), легко было использовать из других языков.

=== Какие начальные требования? ===
*знать python (знакомство с IPython желательно),
*быть знакомым с R или Ruby или F#,
*минимальный опыт работы с веб-сервисами.

=== Какие будут использоваться технологии? ===
*Python + второй язык
*Понимание работы pickle
*Веб-фреймворк (django, например)
*Библиотека sklearn будет выступать в роли пробного камня.

Автоматический прокси из другого языка к Python (летняя практика)

2015-06-04T17:24:22Z

Axelr:

{{Карточка_задания_на_летнюю_практику
|name=автоматический прокси из другого языка к Python
|mentor=Рогожников Алексей Михаилович
|mentor_login={{URLENCODE:Katya|WIKI}}
|organization=Лаборатория методов анализа больших данных (LAMBDA)
|hse_profile=-
|email=axelr@yandex-team.ru
|thesis=
|year=2015
|categorize=yes
}}

=== Задание ===
Разработать минималистичный автоматический прокси из другого языка к Python.

Схема:
# веб-сервер на питоне. Он умеет а) принимать json запросы и б) отдавать листинг доступных классов и информацию об их конструкторах (IPython, например, так работает)
# ""клиент"" на другом языке, скажем, на R или Ruby. Ожидаемое поведение в другом языке:
box = PythonProxy('http://гдесервер')
clf = box.sklearn.ensemble.AdaBoostClassifier(base_estimator=box.sklearn.ensemble.GradientBoostingClassifier())
clf.fit(X, y)

В первой строке произошло подключение к серверу, выкачка данных о доступных классах (она может происходить лениво, как в IPython), во второй конструируется объект с использованием проксей к этим классам (использовались классы из библиотеки sklearn), в третьей вызывается метод, на сервер передается json-представление текущего объекта и параметры X,y. На сервере происходит обучение и возвращается обратно новый clf.
На второй и третьей строках должно работать автодополнение (intellisense).

Зачем это надо?
Чтобы классификаторы, которые есть на питоне (или имеются питон-обертки), легко было использовать из других языков.

=== Какие начальные требования? ===
*знать python (знакомство с IPython желательно),
*быть знакомым с R или Ruby или F#,
*минимальный опыт работы с веб-сервисами.

=== Какие будут использоваться технологии? ===
*Python + второй язык
*Понимание работы pickle
*Веб-фреймворк (django, например)
*Библиотека sklearn будет выступать в роли пробного камня.

Визуализация рок-кривой (летняя практика)

2015-06-04T17:17:09Z

Axelr:

{{Карточка_задания_на_летнюю_практику
|name=Визуализация методов маш. обучения
|mentor=Рогожников Алексей Михайлович
|mentor_login={{URLENCODE:Старчикова Ольга|WIKI}}
|organization=Лаборатория методов анализа больших данных (LAMBDA)
|hse_profile=-
|email=-
|thesis=
|year=2015
|categorize=yes
}}

=== Задание ===

1. визуализация рок-кривой (движение распределений -> изменение рок-кривой)

2. логистическая регрессия и линейный SVM - для них надо как минимум двумерную визуализацию решающего правила (с возможностью мышкой двигать правило), + надо иметь возможность переключаться в 3d-режим, чтобы по оси z была функция потерь, плюс стохастическое обучение - надо это проиллюстрировать.

3. итеративное построение дерева с разными критериями разбиения

=== Какие начальные требования? ===
Иметь представление о 2d/3d визуализации. Приветствуется владение джаваскриптом.

Изначального понимания визуализируемых алгоритмов не ожидается, однако с ними обязательно потребуется познакомиться.

=== Какие будут использоваться технологии? ===
1. html + javascript,
2. фреймворк для визуализации (например, d3.js)

=== Какая дополнительная литература понадобится? ===
Необходимо прочитать про указанные алгоритмы машинного обучения. Например, на machinelearning.ru или из лекций: http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_(курс_лекций%2C_К.В.Воронцов) или из любого другого источника.