522 гр., по выбору. Спецкурс «Интеллектуальный анализ данных» (5 курс)

Место и время проведения: суббота, первая и вторая пары (09:30-12:50)
Преподаватель: Коробейников Антон Иванович

---

Программа курса

Темы состоявшихся занятий

Темы будущих занятий

1. Линейные модели. Оценивание, проверка гипотез. Дисперсионный анализ как линейная модель. Анализ ковариаций
2. Простейшие задачи классификации. Логистическая регрессия. LDA, QDA, naive Bayes. Понятие ROC-кривой, AUC
3. Resampling: Кросс-валидация и бутстреп.
4. Model selection: AIC, BIC, ridge regression, lasso.
5. Робастная регрессия
6. Деревья классификации и регрессии. Bagging, random forest, boosting
7. Support Vector Machines
8. Hidden Markov Models
9. Обобщенные линейные модели (GLM)
10. Probabilistic Graphical Models
11. Нелинейности. Сплайны, GAM
12. Методы уменьшения размерности - PCA, principal component regression, partial least squares
13. Unsupervised learning. Кластеризация

Textbook

Introduction to Statistical Learning with R v2

Онлайн-лекции

Онлайн-лекции к курсу доступны на Stanford Online Содержание лекций (и соответствие с главами ISLR):

• Week 1: Introduction and Overview of Statistical Learning (Chapters 1-2)
• Week 2: Linear Regression (Chapter 3)
• Week 3: Classification (Chapter 4)
• Week 4: Resampling Methods (Chapter 5)
• Week 5: Linear Model Selection and Regularization (Chapter 6)
• Week 6: Moving Beyond Linearity (Chapter 7)
• Week 7: Tree-based Methods (Chapter 8)
• Week 8: Support Vector Machines (Chapter 9)
• Week 9: Unsupervised Learning (Chapter 10)

Домашние задания

1. Глава 3 ISLRv2. Индивидуальные задания после главы 3 (Regression), до 20.03
2. Глава 4 ISLRv2. Индивидуальные задания после главы 4 (Classification), до 27.03
3. Глава 5 ISLRv2. Индивидуальные задания после главы 5 (Resampling), до 03.04
4. Глава 6 ISLRv2. Индивидуальные задания после главы 6 (Regularization), до 10.04
5. Глава 8 ISLRv2. Индивидуальные задания после главы 8 (Trees), до 17.04
6. Глава 9 ISLRv2. Индивидуальные задания после главы 9 (SVM), до 24.04

Prerequisites

Дистрибутив R:

1. Windows
2. Linux
3. MacOS X

Редакторы и оболочки:

1. R Studio (Windows, Linux, MacOS X)

Рекомендуемая литература

Книги

1. Peter Dalgaard. Introductory Statistics with R. Springer, 2002.
2. John Maindonald and John Braun. Data Analysis and Graphics Using R. Cambridge University Press, Cambridge, 2003.
3. John Verzani. Using R for Introductory Statistics. Chapman & Hall/CRC, Boca Raton, FL, 2005.
4. Paul Murrell. R Graphics. Chapman & Hall/CRC, Boca Raton, FL, 2005.
5. Шипунов А.Б., Балдин Е.М., Волкова П.А., Коробейников А.И., Назарова С.А., Петров С.В., Суфиянов В.Г. Наглядная статистика. Используем R! – М.: ДМК Пресс, 2012. – 298 с. PDF
6. Роберт И. Кабаков R в действии. Анализ и визуализация данных в R. – М.: ДМК Пресс, 2013. – 280 с.

Статьи

1. John Maindonald. Using R for Data Analysis and Graphics - Introduction, Examples and Commentary. PDF
2. John Verzani. Simple R. PDF
3. Petra Kuhnert and Bill Venables. An Introduction to R: Software for Statistical Modelling & Computing. ZIP
4. David Rossiter. Introduction to the R Project for Statistical Computing for Use at the ITC. PDF
5. Е.М. Балдин, А.И. Коробейников, А.Б. Шипунов Анализ данных с R www

Задачи

Условные обозначения:

1. Цифра в клетке - порядковый номер “подхода”. Наличие цифры означает, что решение было получено, проверено, и результат отослан обратно.
2. Решетка - задание запрошено и выдано, плюс - зачтено, звездочка - штраф (сдано после дедлайна), минус - хм, незачет ;-)

Кроме того, пишется дата и время.

** Внимание:** Если напротив Вашей фамилии отсутствует назначенное задание, то для его получения Вам следует отправить запрос по почте.

	Regression	Classification	Resampling	Regularization	Trees	SVM	Зачет
Морозов	+	+	+	+	+	+	B
Гриненко	+	+	+	+	+	+	A
Романов	+	+	+	+	+*	+*	C
Михайлов	+*	+*	+*	+*	+*	+*	E
Хасанова	+	+	+	+	+	+	B
Сенов	III.13	IV.14 a-g	V.9	VI.10	VIII.11	IX.7
Логинов	+	+	+	+	+	+	A
Смирнов	+*	+*	+*	+*	+*	+*	E