Кластеризация и частичное обучение

Видеозаписи

Лекция

Семинар

Содержание лекции

• Постановка задачи кластеризации. Примеры прикладных задач. Типы кластерных структур.
• Постановка задачи Semisupervised Learning, примеры приложений.
• Критерии качества кластеризации, коэффициент силуэта, BCubed-меры точности и полноты.
• Алгоритм k-средних и ЕМ-алгоритм для разделения гауссовской смеси.
• Алгоритм DBSCAN.
• Агломеративная кластеризация, Алгоритм Ланса-Вильямса и его частные случаи.
• Алгоритм построения дендрограммы. Определение числа кластеров.
• Свойства сжатия/растяжения и монотонности.
• Простые эвристические методы частичного обучения: self-training, co-training, co-learning.
• Трансдуктивный метод опорных векторов TSVM.
• Алгоритм Expectation-Regularization на основе многоклассовой регуляризированной логистической регрессии.
• Графовые алгоритмы кластеризации. Выделение связных компонент. Кратчайший незамкнутый путь.
• Алгоритм ФОРЭЛ.
• Свойства сжатия/растяжения, монотонности и редуктивности. Псевдокод редуктивной версии алгоритма.
• Потоковые (субквадратичные) алгоритмы кластеризации.
• Многомерное шкалирование, примеры прикладных задач.
• Субквадратичный алгоритм, псевдокод. Минимизация функционала стресса методом Ньютона-Рафсона.
• Визуализация: карта сходства, диаграмма Шепарда.
• Совмещение многомерного шкалирования и иерархической кластеризации.
• Алгоритм t-SNE

Материалы

• Презентация Voron-ML-Clustering-SSL-slides.pdf (PDF, 1,9 МБ) — прикреплена к публикации.

Материалы курса © К. В. Воронцов. Текст и слайды распространяются по лицензии CC BY-SA 3.0 — на условиях этой лицензии они воспроизведены здесь без изменений. Видеозаписи размещены на YouTube и встроены по ссылке; их копии здесь не хранятся.