Ifi6057labx - Redigeerimiste ajalugu

PriitJ: /* Masinõppe katsetamine */

2017-09-18T05:33:29Z

Masinõppe katsetamine

←Vanem redaktsioon		Redaktsioon: 18. september 2017, kell 07:33
20. rida:		20. rida:
	Uuri, mis on masinõppe abil klassifitseerimine. Vt. näiteks ''AIMA'', 18.3 ja 18.7; [https://www.youtube.com/watch?v=cKxRvEZd3Mw Machine learning "Hello World"]		Uuri, mis on masinõppe abil klassifitseerimine. Vt. näiteks ''AIMA'', 18.3 ja 18.7; [https://www.youtube.com/watch?v=cKxRvEZd3Mw Machine learning "Hello World"]

	Kodutöö teemaks on e-mailides pahatahtlike (i.k. ''phishing'') linkide ära tundmine. Selleks on kasutada [[Media:IFI6057_hw2017_data.txt‎\|andmed]] [1], kus üksikud kahtlased atribuudid (näit. ~~HTTPS kasutamine~~) on juba tuvastatud. Kodutöös tuleb langetada üksikute atribuutide pealt lõppotsus - kas link on pahatahtlik, kahtlane või ohutu.		Kodutöö teemaks on e-mailides pahatahtlike (i.k. ''phishing'') linkide ära tundmine. Selleks on kasutada [[Media:IFI6057_hw2017_data.txt‎\|andmed]] [1], kus üksikud kahtlased atribuudid (näit. URL pikkus) on juba tuvastatud. Kodutöös tuleb langetada üksikute atribuutide pealt lõppotsus - kas link on pahatahtlik, kahtlane või ohutu.

	Vali üks masinõppeks sobiv tarkvarapakett ning katseta klassifitseerimise meetodeid nagu otsustuspuu või närvivõrgud. Jaota õppimisandmed kaheks - treeningandmed ja testandmed. Nii saad klassifitseerimise edukust testida. Võib kasutada ka krossvalideerimist.		Vali üks masinõppeks sobiv tarkvarapakett ning katseta klassifitseerimise meetodeid nagu otsustuspuu või närvivõrgud. Jaota õppimisandmed kaheks - treeningandmed ja testandmed. Nii saad klassifitseerimise edukust testida. Võib kasutada ka krossvalideerimist.

PriitJ: /* Masinõppe katsetamine */

2017-09-17T18:21:32Z

Masinõppe katsetamine

←Vanem redaktsioon		Redaktsioon: 17. september 2017, kell 20:21
20. rida:		20. rida:
	Uuri, mis on masinõppe abil klassifitseerimine. Vt. näiteks ''AIMA'', 18.3 ja 18.7; [https://www.youtube.com/watch?v=cKxRvEZd3Mw Machine learning "Hello World"]		Uuri, mis on masinõppe abil klassifitseerimine. Vt. näiteks ''AIMA'', 18.3 ja 18.7; [https://www.youtube.com/watch?v=cKxRvEZd3Mw Machine learning "Hello World"]

	Kodutöö teemaks on e-mailides pahatahtlike (i.k. ''phishing'') linkide ära tundmine. Selleks on kasutada [[Media:IFI6057_hw2017_data.txt‎\|andmed]], kus üksikud kahtlased atribuudid (näit. HTTPS kasutamine) on juba tuvastatud. Kodutöös tuleb langetada üksikute atribuutide pealt lõppotsus - kas link on pahatahtlik, kahtlane või ohutu.		Kodutöö teemaks on e-mailides pahatahtlike (i.k. ''phishing'') linkide ära tundmine. Selleks on kasutada [[Media:IFI6057_hw2017_data.txt‎\|andmed]] [1], kus üksikud kahtlased atribuudid (näit. HTTPS kasutamine) on juba tuvastatud. Kodutöös tuleb langetada üksikute atribuutide pealt lõppotsus - kas link on pahatahtlik, kahtlane või ohutu.

	Vali üks masinõppeks sobiv tarkvarapakett ning katseta klassifitseerimise meetodeid nagu otsustuspuu või närvivõrgud. Jaota õppimisandmed kaheks - treeningandmed ja testandmed. Nii saad klassifitseerimise edukust testida. Võib kasutada ka krossvalideerimist.		Vali üks masinõppeks sobiv tarkvarapakett ning katseta klassifitseerimise meetodeid nagu otsustuspuu või närvivõrgud. Jaota õppimisandmed kaheks - treeningandmed ja testandmed. Nii saad klassifitseerimise edukust testida. Võib kasutada ka krossvalideerimist.
87. rida:		87. rida:
	=== Viited ===		=== Viited ===

	''Abdelhamid et al., Phishing Detection based Associative Classification Data Mining. Expert Systems With Applications (ESWA), 41 (2014) 5948-5959''		1. ''Abdelhamid et al., Phishing Detection based Associative Classification Data Mining. Expert Systems With Applications (ESWA), 41 (2014) 5948-5959''

PriitJ: /* Viited */

2017-09-17T18:19:58Z

Viited

←Vanem redaktsioon		Redaktsioon: 17. september 2017, kell 20:19
87. rida:		87. rida:
	=== Viited ===		=== Viited ===

	''Abdelhamid et al.,~~(2014a)~~ Phishing Detection based Associative Classification Data Mining. Expert Systems With Applications (ESWA), 41 (2014) 5948-5959''		''Abdelhamid et al., Phishing Detection based Associative Classification Data Mining. Expert Systems With Applications (ESWA), 41 (2014) 5948-5959''

PriitJ: /* Raport */

2017-09-17T17:54:06Z

Raport

←Vanem redaktsioon		Redaktsioon: 17. september 2017, kell 19:54
76. rida:		76. rida:
	* Sissejuhatus. Valitud meetod. Mis eksperiment teostatakse (mida võrreldi millega ja ei tee paha panna kirja ka, miks just nii).		* Sissejuhatus. Valitud meetod. Mis eksperiment teostatakse (mida võrreldi millega ja ei tee paha panna kirja ka, miks just nii).
	* Eksperimendi kirjeldus. Kuidas andmeid eeltöödeldi. Mismoodi katsetati. Kirjelduse põhjal peaks olema võimalik katseid samamoodi järgi teha.		* Eksperimendi kirjeldus. Kuidas andmeid eeltöödeldi. Mismoodi katsetati. Kirjelduse põhjal peaks olema võimalik katseid samamoodi järgi teha.
	* Tulemused. Sisaldab erinevate katsete võrdlust (vt. ülalpool). ~~5 boonuspunkti saamiseks lisa~~ siia vähemalt üks õppimiskõvera graafik (ei pea nii peene resolutsiooniga olema, piisab ~10-st erinevast treeningsisendi suurusest).		* Tulemused. Sisaldab erinevate katsete võrdlust (vt. ülalpool). Lisa siia vähemalt üks õppimiskõvera graafik (ei pea nii peene resolutsiooniga olema, piisab ~10-st erinevast treeningsisendi suurusest).
	[[File:learningrate.png\|250px]]		[[File:learningrate.png\|250px]]
	''(Pilt võetud S. Russelli slaididelt)''		''(Pilt võetud S. Russelli slaididelt)''

PriitJ: /* Andmete kirjeldus */

2017-09-17T17:51:58Z

Andmete kirjeldus

←Vanem redaktsioon		Redaktsioon: 17. september 2017, kell 19:51
57. rida:		57. rida:
	Näide:		Näide:

			...
			1,-1,1,0,-1,-1,0,1,0,-1
			1,-1,0,-1,-1,-1,0,1,0,1
			1,0,1,1,1,-1,1,1,0,-1
			1,1,1,-1,1,1,-1,-1,0,-1
			...

	<!--		<!--

PriitJ: /* Masinõppe katsetamine */

2017-09-15T10:55:29Z

Masinõppe katsetamine

←Vanem redaktsioon		Redaktsioon: 15. september 2017, kell 12:55
20. rida:		20. rida:
	Uuri, mis on masinõppe abil klassifitseerimine. Vt. näiteks ''AIMA'', 18.3 ja 18.7; [https://www.youtube.com/watch?v=cKxRvEZd3Mw Machine learning "Hello World"]		Uuri, mis on masinõppe abil klassifitseerimine. Vt. näiteks ''AIMA'', 18.3 ja 18.7; [https://www.youtube.com/watch?v=cKxRvEZd3Mw Machine learning "Hello World"]

	Kodutöö ~~eesmärgiks~~ on ~~õppida~~ e-mailides ~~ära tundma pahatahtlikke~~ (i.k. ''phishing'') ~~linke~~. Selleks on kasutada [[Media:IFI6057_hw2017_data.txt‎\|andmed]], kus üksikud kahtlased atribuudid (näit. HTTPS kasutamine) on juba tuvastatud. Kodutöös tuleb langetada üksikute atribuutide pealt lõppotsus - kas link on pahatahtlik, kahtlane või ohutu.		Kodutöö teemaks on e-mailides pahatahtlike (i.k. ''phishing'') linkide ära tundmine. Selleks on kasutada [[Media:IFI6057_hw2017_data.txt‎\|andmed]], kus üksikud kahtlased atribuudid (näit. HTTPS kasutamine) on juba tuvastatud. Kodutöös tuleb langetada üksikute atribuutide pealt lõppotsus - kas link on pahatahtlik, kahtlane või ohutu.

	Vali üks masinõppeks sobiv tarkvarapakett ning katseta klassifitseerimise meetodeid nagu otsustuspuu või närvivõrgud. Jaota õppimisandmed kaheks - treeningandmed ja testandmed. Nii saad klassifitseerimise edukust testida. Võib kasutada ka krossvalideerimist.		Vali üks masinõppeks sobiv tarkvarapakett ning katseta klassifitseerimise meetodeid nagu otsustuspuu või närvivõrgud. Jaota õppimisandmed kaheks - treeningandmed ja testandmed. Nii saad klassifitseerimise edukust testida. Võib kasutada ka krossvalideerimist.

PriitJ: /* Masinõppe katsetamine */

2017-09-15T10:51:37Z

Masinõppe katsetamine

←Vanem redaktsioon		Redaktsioon: 15. september 2017, kell 12:51
20. rida:		20. rida:
	Uuri, mis on masinõppe abil klassifitseerimine. Vt. näiteks ''AIMA'', 18.3 ja 18.7; [https://www.youtube.com/watch?v=cKxRvEZd3Mw Machine learning "Hello World"]		Uuri, mis on masinõppe abil klassifitseerimine. Vt. näiteks ''AIMA'', 18.3 ja 18.7; [https://www.youtube.com/watch?v=cKxRvEZd3Mw Machine learning "Hello World"]

	~~Vali üks masinõppeks sobiv tarkvarapakett ning katseta klassifitseerimise meetodeid: otsustuspuu ja/või närvivõrgud. Eesmärgiks~~ on õppida ~~inimese andmete põhjal ennustama, kas ta jääb ellu või upub Titanicu laevahukus~~. ~~Võta [http://github~~.~~com/wehrley/Kaggle_Titanic siit lehelt] <code>train~~.~~csv</code> ja õpeta valitud klassifitseerija välja. Andmete kirjeldus~~ on ~~samal githubi lehel. Siis kasuta <strike><code>test.csv</code>-d</strike>~~ [[Media:~~IFI6057_hw2016_test2~~.txt‎\|~~testandmeid~~]] ~~testimiseks~~ (~~mitu protsenti täppi läheb~~). ~~Testandmed~~ on ~~samas formaadis kui treeningandmed~~.		Kodutöö eesmärgiks on õppida e-mailides ära tundma pahatahtlikke (i.k. ''phishing'') linke. Selleks on kasutada [[Media:IFI6057_hw2017_data.txt‎\|andmed]], kus üksikud kahtlased atribuudid (näit. HTTPS kasutamine) on juba tuvastatud. Kodutöös tuleb langetada üksikute atribuutide pealt lõppotsus - kas link on pahatahtlik, kahtlane või ohutu.

	<!-~~- http://biostat~~.mc.~~vanderbilt~~.~~edu/wiki/pub/Main/DataSets/titanic.txt -->~~		Vali üks masinõppeks sobiv tarkvarapakett ning katseta klassifitseerimise meetodeid nagu otsustuspuu või närvivõrgud. Jaota õppimisandmed kaheks - treeningandmed ja testandmed. Nii saad klassifitseerimise edukust testida. Võib kasutada ka krossvalideerimist.

	Katsetamine peaks sisaldama mingit võrdlust - proovi erinevaid meetodeid üksteise vastu, ühte meetodit erinevate parameetritega või ~~ühte meetodit erinevalt eeltöödeldud sisenditega~~. Tulemuste kohta tuleb teha detailne raport.		Katsetamine peaks sisaldama mingit võrdlust - proovi erinevaid meetodeid üksteise vastu, ühte meetodit erinevate parameetritega või erinevate atribuutide (i.k ''feature'') mõju tulemusele. Tulemuste kohta tuleb teha detailne raport.

	=== Vahendid ===		=== Vahendid ===

	Kursuse õpiku jaoks on koostatud spetsiaalsed teegid (näit <code>aima-python</code> ja <code>aima-java</code>), mis implementeerivad õpikus toodud algoritme. Paraku on ~~need kohati poolikud, kohati liiga primitiivsed, et Titanicu andmetaga midagi pihta hakata~~. Seega oleks soovitus võtta üks kahest meinstriim paketist - mõlemad peaks olema omas valdkonnas kõige populaarsemad ja hästi dokumenteeritud:		Kursuse õpiku jaoks on koostatud spetsiaalsed teegid (näit <code>aima-python</code> ja <code>aima-java</code>), mis implementeerivad õpikus toodud algoritme. Paraku on masinõppe osa nendes teekides ebaühtlane ja poolik. Seega oleks soovitus võtta üks kahest meinstriim paketist - mõlemad peaks olema omas valdkonnas kõige populaarsemad ja hästi dokumenteeritud:

	* http://scikit-learn.org/stable/index.html - Python		* http://scikit-learn.org/stable/index.html - Python
	* http://www.cs.waikato.ac.nz/ml/weka/ - Java		* http://www.cs.waikato.ac.nz/ml/weka/ - Java

			=== Andmete kirjeldus ===

			Kõik atribuudid (ja lõplik klassifikatsioon) omavad järgnevaid väärtusi:

			* 1 - Legitiimne
			* 0 - kahtlane
			* -1 - Pahatahtlik või iseloomulik pahatahtlikule URL-ile

			Atribuudid:

			* <code>SFH</code> kas veebilehel olevad vormid suunavad uuele domeenile
			* <code>popUpWidnow</code> kas veebilehel on pop-up aknaid
			* <code>SSLfinal_State</code> kas HTTPS on kasutuses ja kas sertifikaat on usaldusväärne
			* <code>Request_URL</code> kas veebileht laadib pilte ja muid komponente teiselt domeenilt
			* <code>URL_of_Anchor</code> kas veebileht sisaldab palju linke teisele domeenile
			* <code>web_traffic</code> kas veebilehe külastatavus on kõrge, keskmine või madal (Alexa ranking)
			* <code>URL_Length</code> ülipikk, pikk või tavaline URL
			* <code>age_of_domain</code> domeeni on vana või värskelt registreeritud
			* <code>having_IP_Address</code> URL sisaldab IP aadressi

			Väli <code>Result</code> sisaldab lõplikku klassifikatsiooni treenimiseks ja testimiseks.

			Näide:


			<!--
	=== Andmete eeltöötlus ===		=== Andmete eeltöötlus ===

	Treeningandmed ei pruugi esialgsel kujul õppimiseks kõige paremad olla. Näiteks on küsitav, kas pardale tulemise sadam või piletihind on ellujäämise ennustamiseks kasulik informatsioon või hoopis häiriv müra. Samuti sõltub andmete sobivus valitud meetodist ja masinõppe paketist. Näiteks närvivõrgud saavad tehnilistel põhjustel otse sisse süüa ainult numbrilisi andmeid. Eeltöötluseks võib valitud paketis juba olla sobivaid funktsioone.		Treeningandmed ei pruugi esialgsel kujul õppimiseks kõige paremad olla. Näiteks on küsitav, kas pardale tulemise sadam või piletihind on ellujäämise ennustamiseks kasulik informatsioon või hoopis häiriv müra. Samuti sõltub andmete sobivus valitud meetodist ja masinõppe paketist. Näiteks närvivõrgud saavad tehnilistel põhjustel otse sisse süüa ainult numbrilisi andmeid. Eeltöötluseks võib valitud paketis juba olla sobivaid funktsioone.
			-->

	=== Raport ===		=== Raport ===
51. rida:		78. rida:

	Töö saadetakse õppejõule aadressil '''priit at whitedb.org''' hiljemalt 27. novembriks. Vaja on saata raport, mis peab iseseisvalt võimaldama aru saada, mida tehti ja mis tulemus oli. Tähtajaks esitatud nõuetele vastav töö saab kuni 15 punkti, hilinemise korral lähevad punktid alla (iga päeva eest -1 punkti). Üle 14 päeva hilinenud tööd vastu ei võeta.		Töö saadetakse õppejõule aadressil '''priit at whitedb.org''' hiljemalt 27. novembriks. Vaja on saata raport, mis peab iseseisvalt võimaldama aru saada, mida tehti ja mis tulemus oli. Tähtajaks esitatud nõuetele vastav töö saab kuni 15 punkti, hilinemise korral lähevad punktid alla (iga päeva eest -1 punkti). Üle 14 päeva hilinenud tööd vastu ei võeta.

			=== Viited ===

			''Abdelhamid et al.,(2014a) Phishing Detection based Associative Classification Data Mining. Expert Systems With Applications (ESWA), 41 (2014) 5948-5959''

PriitJ: /* Esitamine */

2017-09-15T10:23:34Z

Esitamine

←Vanem redaktsioon		Redaktsioon: 15. september 2017, kell 12:23
50. rida:		50. rida:
	=== Esitamine ===		=== Esitamine ===

	Töö saadetakse õppejõule aadressil '''priit at whitedb.org''' hiljemalt 27. novembriks. Vaja on saata raport, mis peab iseseisvalt võimaldama aru saada, mida tehti ja mis tulemus oli. Tähtajaks esitatud nõuetele vastav töö saab kuni 20 punkti, hilinemise korral lähevad punktid alla. Üle 14 päeva hilinenud tööd vastu ei võeta.		Töö saadetakse õppejõule aadressil '''priit at whitedb.org''' hiljemalt 27. novembriks. Vaja on saata raport, mis peab iseseisvalt võimaldama aru saada, mida tehti ja mis tulemus oli. Tähtajaks esitatud nõuetele vastav töö saab kuni 15 punkti, hilinemise korral lähevad punktid alla (iga päeva eest -1 punkti). Üle 14 päeva hilinenud tööd vastu ei võeta.

PriitJ: /* Masinõppe katsetamine */

2016-11-22T13:14:25Z

Masinõppe katsetamine

←Vanem redaktsioon		Redaktsioon: 22. november 2016, kell 15:14
20. rida:		20. rida:
	Uuri, mis on masinõppe abil klassifitseerimine. Vt. näiteks ''AIMA'', 18.3 ja 18.7; [https://www.youtube.com/watch?v=cKxRvEZd3Mw Machine learning "Hello World"]		Uuri, mis on masinõppe abil klassifitseerimine. Vt. näiteks ''AIMA'', 18.3 ja 18.7; [https://www.youtube.com/watch?v=cKxRvEZd3Mw Machine learning "Hello World"]

	Vali üks masinõppeks sobiv tarkvarapakett ning katseta klassifitseerimise meetodeid: otsustuspuu ja/või närvivõrgud. Eesmärgiks on õppida inimese andmete põhjal ennustama, kas ta jääb ellu või upub Titanicu laevahukus. Võta [http://github.com/wehrley/Kaggle_Titanic siit lehelt] <code>train.csv</code> ja õpeta valitud klassifitseerija välja. Andmete kirjeldus on samal githubi lehel. <strike>~~Siis kasuta~~ <code>test.csv</code>-d testimiseks (mitu protsenti täppi läheb)~~</strike>'''OOPS''' Siia tuleb tänase päeval (22 nov) jooksul alternatiivne fail testimiseks, eelnevalt viidatud fail ei kõlba~~. <!-- http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt -->		Vali üks masinõppeks sobiv tarkvarapakett ning katseta klassifitseerimise meetodeid: otsustuspuu ja/või närvivõrgud. Eesmärgiks on õppida inimese andmete põhjal ennustama, kas ta jääb ellu või upub Titanicu laevahukus. Võta [http://github.com/wehrley/Kaggle_Titanic siit lehelt] <code>train.csv</code> ja õpeta valitud klassifitseerija välja. Andmete kirjeldus on samal githubi lehel. Siis kasuta <strike><code>test.csv</code>-d</strike> [[Media:IFI6057_hw2016_test2.txt‎\|testandmeid]] testimiseks (mitu protsenti täppi läheb). Testandmed on samas formaadis kui treeningandmed.

			<!-- http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt -->

	Katsetamine peaks sisaldama mingit võrdlust - proovi erinevaid meetodeid üksteise vastu, ühte meetodit erinevate parameetritega või ühte meetodit erinevalt eeltöödeldud sisenditega. Tulemuste kohta tuleb teha detailne raport.		Katsetamine peaks sisaldama mingit võrdlust - proovi erinevaid meetodeid üksteise vastu, ühte meetodit erinevate parameetritega või ühte meetodit erinevalt eeltöödeldud sisenditega. Tulemuste kohta tuleb teha detailne raport.
41. rida:		43. rida:
	* Sissejuhatus. Valitud meetod. Mis eksperiment teostatakse (mida võrreldi millega ja ei tee paha panna kirja ka, miks just nii).		* Sissejuhatus. Valitud meetod. Mis eksperiment teostatakse (mida võrreldi millega ja ei tee paha panna kirja ka, miks just nii).
	* Eksperimendi kirjeldus. Kuidas andmeid eeltöödeldi. Mismoodi katsetati. Kirjelduse põhjal peaks olema võimalik katseid samamoodi järgi teha.		* Eksperimendi kirjeldus. Kuidas andmeid eeltöödeldi. Mismoodi katsetati. Kirjelduse põhjal peaks olema võimalik katseid samamoodi järgi teha.
	* Tulemused. 5 boonuspunkti saamiseks lisa siia vähemalt üks õppimiskõvera graafik (ei pea nii peene resolutsiooniga olema, piisab ~10-st erinevast treeningsisendi suurusest).		* Tulemused. Sisaldab erinevate katsete võrdlust (vt. ülalpool). 5 boonuspunkti saamiseks lisa siia vähemalt üks õppimiskõvera graafik (ei pea nii peene resolutsiooniga olema, piisab ~10-st erinevast treeningsisendi suurusest).
	[[File:learningrate.png\|250px]]		[[File:learningrate.png\|250px]]
	''(Pilt võetud S. Russelli slaididelt)''		''(Pilt võetud S. Russelli slaididelt)''

PriitJ – 22. november 2016, kell 07:37

2016-11-22T07:37:00Z

←Vanem redaktsioon		Redaktsioon: 22. november 2016, kell 09:37
20. rida:		20. rida:
	Uuri, mis on masinõppe abil klassifitseerimine. Vt. näiteks ''AIMA'', 18.3 ja 18.7; [https://www.youtube.com/watch?v=cKxRvEZd3Mw Machine learning "Hello World"]		Uuri, mis on masinõppe abil klassifitseerimine. Vt. näiteks ''AIMA'', 18.3 ja 18.7; [https://www.youtube.com/watch?v=cKxRvEZd3Mw Machine learning "Hello World"]

	Vali üks masinõppeks sobiv tarkvarapakett ning katseta klassifitseerimise meetodeid: otsustuspuu ja/või närvivõrgud. Eesmärgiks on õppida inimese andmete põhjal ennustama, kas ta jääb ellu või upub Titanicu laevahukus. Võta [http://github.com/wehrley/Kaggle_Titanic siit lehelt] <code>train.csv</code> ja õpeta valitud klassifitseerija välja. Siis kasuta <code>test.csv</code>-d testimiseks (mitu protsenti täppi läheb). ~~Andmete kirjeldus on samal githubi lehel~~.		Vali üks masinõppeks sobiv tarkvarapakett ning katseta klassifitseerimise meetodeid: otsustuspuu ja/või närvivõrgud. Eesmärgiks on õppida inimese andmete põhjal ennustama, kas ta jääb ellu või upub Titanicu laevahukus. Võta [http://github.com/wehrley/Kaggle_Titanic siit lehelt] <code>train.csv</code> ja õpeta valitud klassifitseerija välja. Andmete kirjeldus on samal githubi lehel. <strike>Siis kasuta <code>test.csv</code>-d testimiseks (mitu protsenti täppi läheb)</strike>'''OOPS''' Siia tuleb tänase päeval (22 nov) jooksul alternatiivne fail testimiseks, eelnevalt viidatud fail ei kõlba. <!-- http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt -->

	Katsetamine peaks sisaldama mingit võrdlust - proovi erinevaid meetodeid üksteise vastu, ühte meetodit erinevate parameetritega või ühte meetodit erinevalt eeltöödeldud sisenditega. Tulemuste kohta tuleb teha detailne raport.		Katsetamine peaks sisaldama mingit võrdlust - proovi erinevaid meetodeid üksteise vastu, ühte meetodit erinevate parameetritega või ühte meetodit erinevalt eeltöödeldud sisenditega. Tulemuste kohta tuleb teha detailne raport.
41. rida:		41. rida:
	* Sissejuhatus. Valitud meetod. Mis eksperiment teostatakse (mida võrreldi millega ja ei tee paha panna kirja ka, miks just nii).		* Sissejuhatus. Valitud meetod. Mis eksperiment teostatakse (mida võrreldi millega ja ei tee paha panna kirja ka, miks just nii).
	* Eksperimendi kirjeldus. Kuidas andmeid eeltöödeldi. Mismoodi katsetati. Kirjelduse põhjal peaks olema võimalik katseid samamoodi järgi teha.		* Eksperimendi kirjeldus. Kuidas andmeid eeltöödeldi. Mismoodi katsetati. Kirjelduse põhjal peaks olema võimalik katseid samamoodi järgi teha.
	* Tulemused. ~~See osa peab sisaldama~~ vähemalt ~~ühte~~ õppimiskõvera ~~graafikut~~ (ei pea nii peene resolutsiooniga olema, piisab ~10-st erinevast treeningsisendi suurusest).		* Tulemused. 5 boonuspunkti saamiseks lisa siia vähemalt üks õppimiskõvera graafik (ei pea nii peene resolutsiooniga olema, piisab ~10-st erinevast treeningsisendi suurusest).
	[[File:learningrate.png\|250px]]		[[File:learningrate.png\|250px]]
	''(Pilt võetud S. Russelli slaididelt)''		''(Pilt võetud S. Russelli slaididelt)''
48. rida:		48. rida:
	=== Esitamine ===		=== Esitamine ===

	Töö saadetakse õppejõule aadressil '''priit at whitedb.org''' hiljemalt 27. novembriks. Vaja on saata raport, mis peab iseseisvalt võimaldama aru saada, mida tehti ja mis tulemus oli. Tähtajaks esitatud nõuetele vastav töö saab 15 punkti, hilinemise korral lähevad punktid alla. Üle 14 päeva hilinenud tööd vastu ei võeta.		Töö saadetakse õppejõule aadressil '''priit at whitedb.org''' hiljemalt 27. novembriks. Vaja on saata raport, mis peab iseseisvalt võimaldama aru saada, mida tehti ja mis tulemus oli. Tähtajaks esitatud nõuetele vastav töö saab kuni 20 punkti, hilinemise korral lähevad punktid alla. Üle 14 päeva hilinenud tööd vastu ei võeta.