Введение в машинное обучение

База:

1. Списки, словари, множества - Lists_dicts_sets.ipynb
2. Numpy, Scipy, Matplotlib - Numpy_Scipy_Matplotlib.ipynb
3. Pandas - Pandas.ipynb
4. Seaborn - Seaborn.ipynb

---

5. Кросс-валидация - cross-validation.ipynb
6. Линейные модели - Linear_model.ipynb
   Задача bike sharing - bike_sharing.ipynb
7. Решающие деревья - Decision_trees_coursera.ipynb
8. Случайный лес - RandomForest.ipynb
   Отбор и синтезирование признаков (PCA) - задача imdb - imdb.ipynb

---

9. Кластеризация текстов. Метод k-средних. Сингулярное разложение. text_clusterisation.ipynb

---

Решения:

1. (Спец.) Аппроксимация функций - approximation.ipynb
2. (ШАД) Решающие деревья - decision_trees.py
3. (Спец.) Линейная регрессия и стохастический градиентный спуск - Linear_regression.ipynb
4. (ШАД) Метод ближайших соседей - knn.ipynb
5. (ШАД) Стохастический градиентный спуск и нормализация признаков - Stohast_and_norm_features.ipynb
6. (ШАД) Случайный лес - Random_Forest_Task.ipynb
7. (ШАД) Метод опорных векторов, анализ текстов на основе SVM - svm.ipynb
8. (ШАД) Логистическая регрессия. Реализация градиентного спуска - Logistic_regression.ipynb
9. (ODS) Первичный анализ и визуализация данных - 1_Analysis_and_visualisation.ipynb
10. (Спец.) Вычисление меры сходства текстов при помощи косинусного расстояния - text_similarity.py
11. (cs231n) Метод ближайших соседей [прототип] - knn.py