Ifi6057labx: erinevus redaktsioonide vahel
Resümee puudub |
|||
| 1. rida: | 1. rida: | ||
<!-- | |||
== Mis on lisaülesanne? == | == Mis on lisaülesanne? == | ||
| 13. rida: | 14. rida: | ||
Kirjuta essee (1000 sõna) teemal "Deep learning", mis käsitleb hetke masinõppe trende. Esseed hinnatakse akadeemiliste tavade kohaselt. Allikad peavad olema korrektselt viidatud. Esita essee '''PDF''' formaadis. "Kaitsta" seda ei ole vaja, seega oota õppejõult kinnitust kätte saamise kohta. Punktid avaldatakse [[Ifi6057res2015|semestri tulemuste]] lehel. | Kirjuta essee (1000 sõna) teemal "Deep learning", mis käsitleb hetke masinõppe trende. Esseed hinnatakse akadeemiliste tavade kohaselt. Allikad peavad olema korrektselt viidatud. Esita essee '''PDF''' formaadis. "Kaitsta" seda ei ole vaja, seega oota õppejõult kinnitust kätte saamise kohta. Punktid avaldatakse [[Ifi6057res2015|semestri tulemuste]] lehel. | ||
--> | |||
== | == Masinõppe katsetamine == | ||
Vali üks masinõppeks sobiv tarkvarapakett ning katseta | Uuri, mis on masinõppe abil klassifitseerimine. Vt. näiteks ''AIMA'', 18.3 ja 18.7. | ||
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. | |||
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. | ||
| 42. rida: | 46. rida: | ||
* Kokkuvõte. | * Kokkuvõte. | ||
=== | === Esitamine === | ||
Töö | 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. | ||
Redaktsioon: 12. september 2016, kell 09:21
Masinõppe katsetamine
Uuri, mis on masinõppe abil klassifitseerimine. Vt. näiteks AIMA, 18.3 ja 18.7.
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 siit lehelt train.csv ja õpeta valitud klassifitseerija välja. Siis kasuta test.csv-d testimiseks (mitu protsenti täppi läheb). Andmete kirjeldus on samal githubi lehel.
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.
Vahendid
Kursuse õpiku jaoks on koostatud spetsiaalsed teegid (näit aima-python ja aima-java), 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:
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.
Raport
Raport on PDF formaadis ja sisaldab:
- 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.
- Tulemused. See osa peab sisaldama vähemalt ühte õppimiskõvera graafikut (ei pea nii peene resolutsiooniga olema, piisab ~10-st erinevast treeningsisendi suurusest).
(Pilt võetud S. Russelli slaididelt)
- Kokkuvõte.
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.