Репетиторы по Data science у м. Нагорная или рядом

Вуз и специальность: МЭИ, "Управление в технических системах". Нужна помощь сыну, студенту 3 курса МЭИ, по подготовке к лаборатороным и контрольным работам, а затем к экзамену. Желательно - в режиме консультаций по мере возникновения вопросов. Краткое содержание разделов курса: 1. Машинное обучение с учителем (регрессия) 1.1. Постановка задачи машинного обучения. Формирование и исследование выборок Роль машинного обучения (МО) в ИАД. Типы задач МО. Понятие переобучения и недообучения. Виды выборок. Предварительный анализ выборки, выявление выбросов. Диаграмма Тьюки. Многомерное нормальное распределение. Парный, частный и множественный коэффициенты корреляции. Выбор информативных признаков. 1.2. Регрессионный анализ Основные предположения. Выбор функции регрессии. Виды функции потерь. Метод наименьших квадратов (МНК). Определение коэффициентов парной и множественной регрессии. Уравнение регрессии в стандартизированной форме. Проверка значимости уравнения регрессии, проверка значимости коэффициентов регрессии. Свойства оценок МНК. Средний квадрат ошибки оценивания параметра. Построение доверительных интервалов для коэффициентов регрессии. Построение доверительных интервалов для прогноза. Проверка адекватности регрессионной модели. Коэффициент детерминации. Общая, объясненная и остаточная дисперсии. Критерий Дурбина-Ватсона. Причины неадекватности регрессионной модели. Влияние несоблюдения основных предположений на точность оценок МНК. 2. Машинное обучение без учителя (кластеризация) 2.1. Методы кластеризации Плоские и иерархические методы кластеризации. Метрики расстояния и меры близости. Иерархический кластерный анализ, способы объединения кластеров. Метод k -средних. Метод DBSCAN. Обзор методов кластеризации. Критерии качества кластеризации. 2.2. Методы снижения размерности и визуализации Снижение размерности и визуализация данных. Компонентный анализ, вычисление главных компонент, их использование для преобразования признаков в задачах МО. Сингулярное разложение. Методы визуализации многомерных наблюдений. Понятие вычислительной сложности. Оценка вычислительной сложности методов кластеризации и визуализации. 3. Машинное обучение с учителем (классификация) 3.1. Методы классификации Постановка задачи бинарной классификации. Обучающая, проверочная, тестовая выборки. Меры качества классификации. Многоклассовая классификация. Способы расчета показателей: «один против всех», «каждый против каждого». Метод ближайшего соседа и его модификации. Связь метода k -БС и задачи регрессии. Логистическая регрессия. Понятие регуляризации. Теорема Байеса и машинное обучение. Деревья решений (ДР). Способы выявления информативных признаков. Алгоритмы ID3, C4.5, CART, CHAID. Обзор и сравнительный анализ методов классификации. 3.2. Методы построения ансамблей классификаторов (коллективных решений) Обоснование целесообразности построения ансамблей. Ансамбли классификаторов на основе ДР. Bagging и Boosting. Случайный лес. Настройка параметров. Анализ точности (смещение и дисперсии) ансамблей на основе ДР. Использование ансамблей для решения задач регрессии и классификации. 9 4. Прикладные задачи машинного обучения 4.1. Машинное обучение с подкреплением Понятие о генетических алгоритмах (ГА). Генетические операторы. Классическая схема ГА. Области применения ГА. Обзор других способов машинного обучения. 4.2. Методика анализа исследуемого датасета Основные этапы анализа датасета. Способы учета априорной информации и экспертных оценок. Примеры решения прикладных задач.ещё

Повышение успеваемости Язык программирования: Pascal, Basicещё

Подготовка к экзамену в вузе. Язык программирования: Python, excel. Вуз: мгму им сеченова.ещё