Посмотреть

915 постов

Видеоматериалы дистанционных семинаров и мастер-классов, лекции обучающих проектов “Топ Эксперт”, MAIL.RU GROUP и “Академии Яндекс”, ежемесячные встречи с экспертами из мира IT, курсы по SEO, PPC и PHP – все это собрано в базе знаний Numeralis.ru, которая ежедневно пополняется.

Алгоритмы интеллектуальной обработки больших объемов данных. Лекция 10. Алгоритмические композиции. Кульминация и развязка. Гулин Владимир

Гулин Владимир рассказывает алгоритмах, которые работают лучше всех остальных. Идея бустинга Бустинг для задачи бинарной классификации Аппроксимация пороговой функции экспонентной Ada Boost Почему именно аппроксимация экспонентой? Какие базовые модели выбирать?…
Смотреть материал
Поделиться
Смотреть материал

Методы распределенной обработки больших объемов данных в Hadoop. Лекция 12. Spark. Романенко Алексей

Романенко Алексей рассказывает о Spark. Мотивация Решение Пример RDD Программная модель Spark Higher-Order Functions RDD Transformations – Map RDD Transformations – Reduce RDD Transformations –Join RDD Actions Spark Context Создание…
Смотреть материал
Поделиться
Смотреть материал

Алгоритмы интеллектуальной обработки больших объемов данных. Лекция 11. Основы нейронных сетей. Нестеров Павел

Нестеров Павел рассказывает основные отличия и свойства нейронных сетей. Предпосылки Краткая история теории нейронных сетей Многослойная нейронная сеть прямого распространения Алгоритм обратного распространения ошибки Что дальше?
Смотреть материал
Поделиться
Смотреть материал

Алгоритмы и структуры данных. Лекция 6. Деревья. Мацкевич Степан

Мацкевич Степан дает определение деревьям и где они используются. Рассказывает, как обходить бинарные деревья. Говорит о двоичных системах поиска, какие у них есть операции и где они используются. Определение, примеры…
Смотреть материал
Поделиться
Смотреть материал

Методы распределенной обработки больших объемов данных в Hadoop. Лекция 13. YARN. Романенко Алексей

Романенко Алексей рассказывает о YARN, откуда появился и зачем нужен. Из чего он состоит и объясняет каждый отдельный компонент. Компоненты YARN Детали про выполнение задач MapReduce на YARN Job Sublission…
Смотреть материал
Поделиться
Смотреть материал

Методы распределенной обработки больших объемов данных в Hadoop. Лекция 14. Hadoop в Поиск@mail.ru. Романенко Алексей

Романенко Алексей рассказывает о практическом применении Hadoop в проекте в Поиск@mail.ru. Немного истории Мотивация Hadoop Почему Hadoop? Java! Почему HBase Поисковый робот Что мы храним в HBase Работа с Hadoop…
Смотреть материал
Поделиться
Смотреть материал

Современные методы и средства построения систем информационного поиска. Лекция 12. Применение самоорганизующихся карт в поисковой машине. Соловьев Дмитрий

Соловьев Дмитрий рассказывает, как применяются самоорганизующиеся карты в поисковых машинах. Поисковая машина: взгляд пользователя Поисковая машина: взгляд изнутри Поисковая машина Машинное обучение в ранжировании Коротко о нейронных сетях Методы обучения…
Смотреть материал
Поделиться
Смотреть материал

Современные методы и средства построения систем информационного поиска. Лекция 13. Выявление спам-сайтов на основе анализа контента страниц. Соловьев Дмитрий

Соловьев Дмитрий рассказывает, как анализируя контент, выявлять спам-сайты. Что мы хотим получить Зачем? Методы воздействия на поисковый механизм Классификация воздействия на поисковый механизм Простые функции Карта классов (SOM) Что делать…
Смотреть материал
Поделиться
Смотреть материал

Современные методы и средства построения систем информационного поиска. Лекция 14. Поведенческое и ссылочное ранжирование. Воропаев Алексей

Воропаев Алексей рассказывает о поведенческом и ссылочном ранжировании. Где брать данные Dynamic Bayesian Network Разные способы обсчета Ссылочное ранжирование Запросы для vk.com Индексация анкорного текста Ссылки есть везде Простой итеративный…
Смотреть материал
Поделиться
Смотреть материал

Современные методы и средства построения систем информационного поиска. Лекция 15. Ранжирование с машинным обучением. Гулин Владимир

Гулин Владимир рассказывает о ранжировании с машинным обучением. Классическое ранжирование Факторы ранжирования Ранжирование на основе ML Простой метод Проклятье размерности Формальная постановка задачи Градиентный спуск Деревья правят миром Деревья решений…
Смотреть материал
Поделиться
Numeralis
Удивительный мир Digital маркетинга