Детальная информация
| Название | Лабораторные работы по курсу машинное обучение: учебное пособие |
|---|---|
| Авторы | Уткин Лев Владимирович ; Константинов Андрей Владимирович ; Кирпиченко Станислав Романович |
| Организация | Санкт-Петербургский политехнический университет Петра Великого |
| Выходные сведения | Санкт-Петербург, 2026 |
| Коллекция | Учебная и учебно-методическая литература ; Общая коллекция |
| Тематика | Машинное обучение ; анализ данных ; классификация ; регрессия ; ансамбли ; учебники и пособия для вузов |
| УДК | 004.85(075.8) |
| Тип документа | Учебник |
| Язык | Русский |
| Код специальности ФГОС | 02.03.01 |
| Группа специальностей ФГОС | 020000 - Компьютерные и информационные науки |
| DOI | 10.18720/SPBPU/5/tr26-76 |
| Права доступа | Доступ из локальной сети ФБ СПбПУ (чтение, печать, копирование) |
| Дополнительно | Новинка |
| Ключ записи | RU\SPSTU\edoc\78750 |
| Дата создания записи | 27.04.2026 |
Разрешенные действия
–
Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
| Группа | Анонимные пользователи |
|---|---|
| Сеть | Интернет |
Учебное пособие предназначено для студентов, изучающих курс "Машинное обучение", и нацелено на практическое освоение ключевых алгоритмов и методов анализа данных. Материал выстроен в формате лабораторных работ: каждая включает теоретический раздел и практические задания для закрепления материала. В пособии последовательно раскрываются такие темы, как метод K ближайших соседей и его кросс-валидация, наивный байесовский классификатор, кластеризация, деревья решений, линейная и гребневая регрессия, метод опорных векторов (SVM), а также ансамблевые методы (бустинг, бэггинг). Читатели научатся применять базовые алгоритмы классификации, оценивать их эффективность, работать с вероятностными моделями, группировать данные без заранее заданных меток, строить интерпретируемые модели для классификации и регрессии, использовать техники регуляризации, обучать SVM-модели и объединять слабые модели в точные ансамбли.
| Место доступа | Группа пользователей | Действие |
|---|---|---|
| Локальная сеть ИБК СПбПУ | Все |
|
| Интернет | Анонимные пользователи |
|
- Оглавление
- Метод K ближайших соседей
- Кросс-валидация k ближайших соседей
- Задание
- Наивный байесовский классификатор
- Задание
- Кластеризация
- Задание
- Деревья решений
- Задание
- Модели регрессии
- Линейная регрессия
- Гребневая регрессия
- Задание
- Метод опорных векторов
- Обучение
- Визуализация SVM-модели
- Примеры
- Задания
- Алгоритмы композиции
- Бустинг
- Бэггинг
- Задания для лабораторной работы
- Приложение
