Data Mining, Лекция №2

preview_player
Показать описание
Курс "Алгоритмы интеллектуальной обработки больших объемов данных", Лекция №2 "Задача кластеризации и ЕМ-алгоритм"
Лектор - Николай Анохин

Постановка задачи кластеризации. Функции расстояния. Критерии качества кластеризации. EM-алгоритм. K-means и модификации.

#ТЕХНОПАРК
#ТЕХНОСФЕРА

x
  1. VK Team
  2. datamining
  3. лекция
  4. гугл
  5. машинное обучение
  6. обучение
Рекомендации по теме
Data Mining, Лекция 1:54:58

Data Mining, Лекция №2

Data Mining | 0:13:48

Data Mining | Лекция 2 - Основные формальные объекты исследования в Data Mining...

2. Data Mining. 1:43:05

2. Data Mining. Алгоритмические композиции. Кульминация и развязка....

Data Mining #2 1:29:13

Data Mining #2 / Метрики классификации и регрессии. Метод ближайшего соседа [Технострим]...

Лекция 2. Методы 0:57:40

Лекция 2. Методы решения задачи классификации и регрессии...

Лекция 2. Обучение 1:14:15

Лекция 2. Обучение с учителем

4. Data Mining. 1:32:55

4. Data Mining. Методы снижения размерности 2

Лекция 2 1:38:59

Лекция 2

Data Mining, Лекция 1:31:08

Data Mining, Лекция №3

Data Mining In 1:21:52

Data Mining In Action. Вводная лекция

Data Mining, Лекция 1:21:00

Data Mining, Лекция №1

9. Data mining. 2:28:41

9. Data mining. Softmax слой. Различные топологии

Data Mining | 0:13:46

Data Mining | Лекция 3 - Что такое кластеризация

Data Mining In 1:01:25

Data Mining In Action. Обучение с учителем (часть 1)

Data Mining in 0:00:53

Data Mining in 1 minute

Data Mining, Лекция 1:53:39

Data Mining, Лекция №5

Data Mining | 0:21:54

Data Mining | Лекция 1 - Что такое Data Mining

11. Data mining. 1:19:16

11. Data mining. Глубокие нейронные сети

Методы Data Mining 0:06:31

Методы Data Mining

Data Mining, Лекция 1:59:32

Data Mining, Лекция №12

Data Mining, Лекция 1:28:17

Data Mining, Лекция №9

Bayesian classification 0:00:16

Bayesian classification

Data Mining #5 1:40:24

Data Mining #5 / Метод опорных векторов [Технострим]

1. Data Mining. 1:34:18

1. Data Mining. Алгоритмические композиции. Начало.

Комментарии
Автор

Спасибо что дали преподавателю микрофон! Первая лекция была просто Ад. Слушать на повышенной скорости было просто невозможно

RWe
Автор

к-минс классно описано! и практичкских приемов очень много, отличная лекция! лектор конечно плохо читает - нужно потренироваться с этим, но видно что готовился и если есть желание научится, то лекция здорово поможет. пришлось вспоминать аспределения с производными - мозг взорвался)))

Мартік-зт
Автор

Как по мне рассказывает не плохо, очень полезны постоянные примеры из реальной жизни. К сожаления не нашел домашние задания, хотелось бы попробовать самомостоятельно их выполнять.

mikhailgorbov
Автор

мы то мимо пройдем, а его студентам с этим жить! очень сбивчивая речь, нужна сверх сильная мотивация, чтобы прорваться

terraorganica
Автор

В слайдах указана домашняя работа, так вот ссылки для скачивания шаблонов кода уже не активны, можно починить или перезалить данные? Такая проблема во всех лекциях данного цикла

anatoliycast
Автор

Для алгоритма к-средних появился вопрос: Что если к одному из К не нашлось ближайшего Х т.к. другие К оказались ближе ко всем Х из множества обучающих объектов? Тогда мы не сможем вычислить новое положение К... Есть варианты: 1. Оставить предыдущее значение (проигнорить шаг Maximization)
2. Отказаться от этого кластера и дальше работать с К-1 кластерами.
В вашем слайде стр.19 это могут быть начальные значения (5, 5) и (6, 6) тогда все точки будут ближе к первому кластеру (5, 5)..
Еще вопрос: вы сказали что для избежания попадания в локальный максимум можно запустить алгоритм 1000+ раз, как выбирать начальные точки для кластеров К? Есть алгоритмы?

vitalykirillov
Автор

Знать самому предмет и преподавать его - это ОЧЕНЬ разные вещи.
ИМХО "преподаватель" не понимает этой "мелочи".

A-L_E-X
Автор

Ничего не видно из записей на доске, а без них лекция практически бесполезна

comrad