https://wikicshse.ru/index.php?action=history&feed=atom&title=%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%28python%29_%D0%B4%D0%BB%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%BE%D0%B2_%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD 2026-06-07T10:14:33Z История изменений этой страницы в вики MediaWiki 1.45.3 https://wikicshse.ru/index.php?title=%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_(python)_%D0%B4%D0%BB%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%BE%D0%B2_%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD&diff=1907&oldid=prev 2018-03-25T12:14:55Z

<p>Migrated current public revision from wiki.cs.hse.ru</p> <p><b>Новая страница</b></p><div># Объектно-ориентированное программирование<br /> ## принципы и понятия ООП, их реализация в языке Python<br /> ## классы, экземпляры классов, конструкторы, свойства и методы.<br /> ## наследование, переопределение функций.<br /> ## композиция как альтернатива наследованию.<br /> # Базовые понятия теории алгоритмов.<br /> ## понятие вычислительной сложности.<br /> ## поиск паттерна в строке, алгоритм Рабина-Карпа.<br /> ## асимптотическая оценка сложности по времени и по памяти <br /> # Постановка задач машинного обучения<br /> ## supervised vs unsupervised learning, примеры задач <br /> ## виды функции потерь<br /> ## метрики качества и их особенности<br /> ## особенности многоклассовой классификации<br /> ### one vs rest<br /> ### one vs one<br /> ### multinomial logistic regression, softmax<br /> # Явление переобучения и как с ним бороться<br /> ## регуляризация в линейных моделях<br /> ## отбор признаков<br /> ## bias-variance decomposition<br /> # Оптимизация гиперпарамтеров модели, Градиентный спуск<br /> ## виды валидации и их свойста:<br /> ### hold out<br /> ### cross-validation<br /> ### leave-one-out<br /> ## градиентный спуск <br /> ## стохастический градиентный спуск<br /> # Наивный байесовский классификатор<br /> ## формулировка задачи обучения (функция потерь / функционал качества)<br /> ## алгоритм обучения<br /> ## решающее правило<br /> ## особенности, достоинства и недостатки<br /> # Линейные модели для регресиии, Lasso и Ridge регрессия<br /> ## формулировка задачи обучения (функция потерь / функционал качества)<br /> ## алгоритм обучения<br /> ## решающее правило<br /> ## особенности, достоинства и недостатки<br /> # Логистическая регрессия<br /> ## формулировка задачи обучения (функция потерь / функционал качества)<br /> ## алгоритм обучения<br /> ## решающее правило<br /> ## особенности, достоинства и недостатки<br /> ## multinomial logistic regression<br /> # Support Vector Machine<br /> ## понятие отступа (margin)<br /> ## формулировка задачи обучения (функция потерь / функционал качества)<br /> ## алгоритм обучения<br /> ## решающее правило<br /> ## особенности, достоинства и недостатки<br /> # K-Nearest Neighbors<br /> ## алгоритм обучения<br /> ## решающее правило<br /> ## особенности, достоинства и недостатки<br /> ## сложность алгоритма<br /> # Постановка задачи кластеризации, K-means<br /> ## формулировка задачи обучения (функция потерь / функционал качества)<br /> ## алгоритм обучения<br /> ## особенности, достоинства и недостатки <br /> ## оценка качества кластеризации, внутренние и внешние метрики качества<br /> # Постановка задачи кластеризации, Иерархическая кластеризация<br /> ## types of linkage<br /> ## формулировка задачи обучения (функция потерь / функционал качества)<br /> ## алгоритм обучения<br /> ## особенности, достоинства и недостатки <br /> ## оценка качества кластеризации, внутренние и внешние метрики качества<br /> # Понижение размерности. PCA<br /> ## формулировка задачи обучения (функция потерь / функционал качества)<br /> ## алгоритм обучения<br /> ## решающее правило<br /> ## особенности, достоинства и недостатки <br /> ## сложность алгоритма<br /> # Распределенные представления Word2vec (CBOW, skip-grams) и Glove<br /> ## формулировка задачи обучения (функция потерь / функционал качества)<br /> ## алгоритм обучения<br /> ## операции над векторами, поиск синонимов.<br /> ## особенности, достоинства и недостатки<br /> # Тематическое моделирование LSA, LDA, NMF<br /> ## формулировка задачи обучения (функция потерь / функционал качества)<br /> ## решающее правило<br /> ## особенности, достоинства и недостатки<br /> ## методы оценки качества тематических моделей<br /> # Модели с латентными переменными. Скрытые марковские модели.<br /> ## допущения марковской модели<br /> ## supervised vs unsupervised learning<br /> ## алгоритм Витерби<br /> ## особенности, достоинства и недостатки<br /> # решающие деревья<br /> ## формулировка задачи обучения (функция потерь / функционал качества)<br /> ## критерии расщепления<br /> ## алгоритм обучения<br /> ## решающее правило<br /> ## связь с отбором признаков<br /> ## особенности, достоинства и недостатки<br /> # Bagging. Random Forest<br /> ## формулировка задачи обучения (функция потерь / функционал качества)<br /> ## алгоритм обучения<br /> ## решающее правило<br /> ## связь с bias-variance decomposition<br /> ## особенности, достоинства и недостатки<br /> # Boosting<br /> ## Adaboost vs gradient boosting<br /> ## формулировка задачи обучения (функция потерь / функционал качества)<br /> ## алгоритм обучения<br /> ## решающее правило<br /> ## связь с bias-variance decomposition<br /> ## особенности, достоинства и недостатки</div>

imported>Denaas