Обзор наиболее интересных материалов по анализу данных и машинному обучению №6 (21 — 28 июля 2014)

В очередном выпуске обзора наиболее интересных материалов, посвященных теме анализа данных и машинного обучения некоторое количество статей посвящено практическому применению различных видов регрессии. Есть интересная серия статей о применении машинного обучения в трейдинге. Как обычно много материалов посвящено алгоритмам машинного обучения (в том числе нейронным сетям). Есть несколько любопытных видеолекций, а также много статей про практическое применение языка R при анализе данных и машинном обучении.

Материалы по анализу данных и машинному обучению

• 16 направлений аналитики в сравнении с Data Science ^[1] [EN]
  Интересное сравнение относительно новой дисциплины Data Science с различными направлениями аналитики (data mining, machine leraning, statistics и др.)
• Нелинейная регрессия в R ^[2] [EN]
  4 вида нелинейной регрессии с примерами на языке программирования R.
• Визуализация логистической регрессии с помощью Shiny ^[3] [EN]
  Статья о создании интерактивный графиков для визуализации логистической регрессии с помощью пакета Shiny для языка программирования R.
• Все что вы хотели знать о машинном обучении, но боялись спросить (часть 1) ^[4] [EN]
  Интересная статья, посвященная основам машинного обучения.
• Все что вы хотели знать о машинном обучении, но боялись спросить (часть 2) ^[5] [EN]
  Продолжение серии статей, посвященных основам машинного обучения.
• Разница между library() и require() в языке R ^[6] [EN]
  Небольшая статья о том, в каких случаях использовать library() и require() в языке R. Часто возникает путаница в данном вопросе.
• Применение машинного обучения для трейдинга (часть 1) ^[7] [EN]
  Введение в тему использования машинного обучения для трейдинга.
• Применение машинного обучения для трейдинга (часть 2) ^[8] [EN]
  Продолжение темы использования машинного обучения для трейдинга.
• Применение линейной регрессии при помощи R ^[9] [EN]
  Статья о применении 4 видов линейной регрессии при помощи языка программирования R.
• Стэнфордский университет опубликовал большую коллекцию наборов данных ^[10] [RU]
  Стэнфордский университет опубликовал большую коллекцию графовых наборов данных (Stanford Large Network Dataset Collection), то есть данных которые организованы в виде графов или сетей. Похоже, что это отличный набор данных, на котором можно будет экспериментировать и оттачивать свои навыки в анализе данных и машинном обучении.
• Еженедельный дайджест от DataScienceCentral ^[11] [EN]
  Регулярный еженедельный дайджест статей по анализу данных от портала DataScienceCentral.
• Введение в сверточные нейронные сети (часть 1) ^[12] [EN]
  Вводная статья про популярные сейчас сверточные нейронные сети, написанная достаточно простым языком.
• Введение в сверточные нейронные сети (часть 2) ^[13] [EN]
  Продолжение дискуссии про сверточные нейронные сети. Во второй части автор уделяет большое внимание теории сверточных нейронных сетей.
• Наборы данных для машинного обучения ^[14] [RU]
  Список ресурсов на которых можно найти большое количество интересных наборов данных (data sets) для машинного обучения и анализа данных.
• Использование цепей Маркова на практике ^[15] [EN]
  Пример возможного применения цепей Маркова в практических задачах на примере банковского кредитования и оценки рисков.
• Penalized regression при помощи R ^[16] [EN]
  Статья о применении Penalized Regression при помощи языка программирования R.
• Поиск дубликатов с применением машинного обучения ^[17] [EN]
  Интересная статья, написанная достаточно простым языком, о типовой задаче поиска дубликатов в записях, с применением машинного обучения. В статья приведены примеры кода на языке Python.
• Упрощение R кода с помощью библиотеки magrittr и pipelines ^[18] [EN]
  Упрщение кода в языке программирования R, с использованием библиотеки magrittr, которая позволяет применять подход pipeline к коду.
• MLlib — библиотека машинного обучения для Apache Spark ^[19] [EN]
  Небольшая статья про библиотеку машинного обучения MLlib для набирающего популярность Apache Spark.
• Видеолекции Quoc Le по Deep Learning ^[20] [EN]
  Quoc Le из команды Google Brain представляет видеолекции по технике машинного обучения Deep Learning, которые были рассказаны на летней школе машинного обучения Machine Learning Summer School (MLSS ’14) в Питтсбурге.
• 10 видов линейной регрессии ^[21] [EN]
  Небольшая статья про вопрос правильного выбора различных видов линейной регрессии при машинном обучении.
• Применение машинного обучения для соревнований на Kaggle ^[22] [EN]
  Для улучшения своих навыков машинного обучения часто важно изучать готовые примеры решений от специалистов по анализу данных. В данной статье рассматривается пример решения известной задачи с сайта Kaggle — гибель пассажиров Титаника. Автор решения использует язык программирования R в своем примере.
• Введение в машинное обучение ^[23] [EN]
  Ссылка на второе издание отличной книги по машинному обучению.
• Правда о стартапах в области Data Science ^[24] [EN]
  Интересные рассуждения о проблемах, с которыми можно столкнуться при создании стартапа в области Data Science.
• Как улучшить свои навыки машинного обучения ^[25] [EN]
  Хороший краткий список книг по машинному обучению, которые помогут вам поднять свой уровень в данном вопросе.
• Эксперимент в Яндексе. Как идентифицировать взломщика с помощью машинного обучения ^[26] [RU]
  Статья о применении машинного обучения в Яндексе для попытки классификации злоумышленника и обычного пользователя по поведенческим признакам. Подробности работы данных алгоритмов, к сожалению, особенно не раскрываются.

Предыдущий выпуск: Обзор наиболее интересных материалов по анализу данных и машинному обучению №5 (7 — 21 июля 2014) ^[27]

Автор: moat

Источник ^[28]