[Перевод] Список ресурсов по машинному обучению. Часть 119.02.2016 10:33

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

• SE: глубина дерева;
• SE: параметр n.minobsinnode в R;

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;

• ↑

  —

  ↓

• 432

• Добавить в избранное 22