Меню
Главная
Авторизация/Регистрация
 
Главная arrow Информатика arrow ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
Посмотреть оригинал

Вопросы и задания

  • 1. Можно ли каким-то образом преобразовать множество признаков для линейной регрессии, чтобы аппроксимировать периодические функции? Почему?
  • 2. Преобразуйте метод стохастического градиента для обучения логистической регрессии к методу пакетного градиентного спуска.
  • 3. Какие ядра, помимо гауссова, вы бы могли предложить для метода Парзеиа — Розенблатта?
  • 4. Какова трудоемкость метода скользящего контроля (Leave-One-Out) для логистической регрессии, обучаемой методом стохастического градиента?
  • 5. Приведите пример задачи, в которой необходимо классифицировать данные на два класса. Какой алгоритм среди рассмотренных вы бы предпочли для ее решения? Почему?
  • 6. Как вы считаете, можно ли преобразовать дерево принятия решений в набор правил на Prolog'? Почему? Если это возможно, то как бы вы построили систему обучения базы знаний на Prolog?

Практикум

  • 1. Запишите алгоритм обратного распространения ошибки в матричной форме.
  • 2. В пакете Weka имеются реализации деревьев принятия решений (например, алгоритм М5Р) и обобщение алгоритмов деревьев принятия решений до лесов (например, Random Forest). Найдите для них описания работы и попробуйте сравнить качество решения задачи классификации обычным деревом и лесом. Данные для классификации можно посмотреть, например, здесь: http://sci2s.ugr.es/keel/catcgory.php2cat = clas#sub2. Если есть различия в качестве, то попробуйте объяснить, почему.
  • 3. Реализуйте на вашем любимом языке программирования алгоритм наивной байесовской классификации и метод Парзена — Розенблатта. Аналогично предыдущей задаче, сравните эти два метода между собой.

Рекомендуемая литература

  • 1. Воронцов, К. В. Лекции по статистическим (байесовским) алгоритмам классификации / К. В. Воронцов. — URL: http://www.machinelearning.ru/ wi ki/images/e/ed/V oron - M L- Bayes.pdf
  • 2. Марманис, X. Алгоритмы интеллектуального Интернета. Передовые методики сбора, анализа и обработки данных / X. Марманис, Д. Бабенко. — М.: Символ-Плюс, 2011.
  • 3. Сегаран, Т. Программируем коллективный разум / Т. Сегаран. — М.: Символ, 2015.
  • 4. Шампапдар, А. Д. Искусственный интеллект в компьютерных играх: как обучить виртуальные персонажи реагировать на внешние воздействия / А. Д. Шампандар. — М.: Вильямс, 2007.
  • 5. Hastie, Т. The Elements of Statistical Learning, Data Mining, Inference, and Prediction /Т. Hastie, R. Tibshirani, J. Friedman. — California: Springer, 2008.
 
Посмотреть оригинал
Если Вы заметили ошибку в тексте выделите слово и нажмите Shift + Enter
< Предыдущая   СОДЕРЖАНИЕ   Следующая >
 

Популярные страницы