https://wiki.cs.hse.ru/index.php?action=history&feed=atom&title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_%D0%BD%D0%B0_%D0%BC%D0%B0%D1%82%D1%84%D0%B0%D0%BA%D0%B5_2018%2F2019%2F%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B0_%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0 2026-09-27T07:52:40Z История изменений этой страницы в вики MediaWiki 1.43.9 https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_%D0%BD%D0%B0_%D0%BC%D0%B0%D1%82%D1%84%D0%B0%D0%BA%D0%B5_2018/2019/%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B0_%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0&diff=31439&oldid=prev 2018-12-22T07:00:44Z

<p></p> <table style="background-color: #fff; color: #202122;" data-mw="interface"> <col class="diff-marker" /> <col class="diff-content" /> <col class="diff-marker" /> <col class="diff-content" /> <tr class="diff-title" lang="ru"> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">← Предыдущая версия</td> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">Версия от 07:00, 22 декабря 2018</td> </tr><tr><td colspan="2" class="diff-lineno" id="mw-diff-left-l3">Строка 3:</td> <td colspan="2" class="diff-lineno">Строка 3:</td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>* Различные функции потерь для регрессий: MAE, Huber loss.</div></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>* Различные функции потерь для регрессий: MAE, Huber loss.</div></td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>* L1-регуляризация как метод отбора признаков.</div></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>* L1-регуляризация как метод отбора признаков.</div></td></tr> <tr><td class="diff-marker" data-marker="−"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #ffe49c; vertical-align: top; white-space: pre-wrap;"><div>* Логистическая регрессия, её функция правдоподобия. Логарифмическая функция потерь. Выражение функции потерь через отступ.</div></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div>* Логистическая регрессия, её функция правдоподобия. Логарифмическая функция потерь<ins style="font-weight: bold; text-decoration: none;">. Отступ</ins>. Выражение функции потерь через отступ.</div></td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>* Многоклассовая классификация: комбинирование двухклассовых классификаторов (one vs rest, one vs one).</div></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>* Многоклассовая классификация: комбинирование двухклассовых классификаторов (one vs rest, one vs one).</div></td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>* Многоклассовая (мультиномиальная) логистическая регрессия.</div></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>* Многоклассовая (мультиномиальная) логистическая регрессия.</div></td></tr> </table>

Ilya Schurov https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_%D0%BD%D0%B0_%D0%BC%D0%B0%D1%82%D1%84%D0%B0%D0%BA%D0%B5_2018/2019/%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B0_%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0&diff=31438&oldid=prev 2018-12-22T06:57:15Z

<p>Новая страница: «Программа экзамена включает в себя все темы из Машинное обучение на матфаке 2018/2019/Прог…»</p> <p><b>Новая страница</b></p><div>Программа экзамена включает в себя все темы из [[Машинное обучение на матфаке 2018/2019/Программа контрольной|программы контрольной]], а также следующие темы:<br /> <br /> * Различные функции потерь для регрессий: MAE, Huber loss.<br /> * L1-регуляризация как метод отбора признаков.<br /> * Логистическая регрессия, её функция правдоподобия. Логарифмическая функция потерь. Выражение функции потерь через отступ.<br /> * Многоклассовая классификация: комбинирование двухклассовых классификаторов (one vs rest, one vs one).<br /> * Многоклассовая (мультиномиальная) логистическая регрессия.<br /> * Обработка текстов методами машинного обучения. TF-IDF.<br /> * Support vector machines как задача уменьшения эмпирического риска для hinge loss.<br /> * Решающие деревья. Алгоритм построения решающего дерева. Impurity functions: gini, энтропия, RSS. Критерии останова: глубина, количество объектов в терминальной вершине.<br /> * Бустреп. Бэггинг. Random forest.<br /> * Градиентный бустинг над деревьями.<br /> * Нейронные сети как способ обучения признаков. Многослойный перспектрон. Теорема об универсальной аппроксимации для персептрона с двумя скрытыми слоями и ReLU-активацией (набросок доказательства). Backpropagation. Стохастический градиентный спуск<br /> * Свёртка. Свёрточные нейронные сети.<br /> * Рекуррентные нейронные сети.<br /> * Метод главных компонент (PCA).<br /> * Кластеризация: алгоритм K-means.<br /> * Разделение гауссовых смесей, EM-алгоритм.</div>

Ilya Schurov