SML
STAT 675, Fall 2015
Darren Homrighausen
Syllabus
 | ||||||||||||||||||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Lecture: |
Date and Time: Tuesday and Thursday, 2:00 - 3:15 pm Location: Statistics 006 |
|||||||||||||||||||||||||||||||||||||||||||||||||||
| Office hours: | By appointment (please don't hesitate to ask), Statistics 204 | |||||||||||||||||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||||||||||||||||||
Statistical Machine Learning combines methodology with theoretical foundations and computational aspects. Though one person's theory is another person's application, we will try and preferentially focus on applications and methodology. Theorems will be presented selectively together with practical aspects of methodology and intuition to help students develop tools for their own research. |
||||||||||||||||||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||||||||||||||||||
Homeworks:HOMEWORK 1 Theory (pdf)HOMEWORK 1 Applied (pdf) HOMEWORK 2 (pdf)
R code from previous class the might be helpful (ignore parts about SVM and e1071 for now) HOMEWORK 4 (pdf)
|
||||||||||||||||||||||||||||||||||||||||||||||||||||
Kaggle: Rossmann Stores
| ||||||||||||||||||||||||||||||||||||||||||||||||||||
Scribe:
Scribe template
Scribe style file
Scribe references (bibtexing solutions)
Scribe 2Scribe 3 Scribe 4 Scribe 5 Scribe 6 Scribe 7 Scribe 8 Scribe 9 Scribe 10 Scribe 11 Scribe 12 Scribe 13 Scribe 14 Scribe 15 Scribe 16 Scribe 17 Scribe 18 Scribe 19 Scribe 20 Scribe 21 Scribe 23 Scribe 24 Scribe 25 Scribe 26 Scribe 27 |
||||||||||||||||||||||||||||||||||||||||||||||||||||
Lectures: Lecture formatting .sty Lecture notation .sty (compiling lectures)PRELIMINARY MATERIALSLINEAR MODEL INTRO LINEAR MODEL Risk LINEAR MODEL: Model Selection
LINEAR MODEL: Additional Topics CLASSIFICATION CLASSIFICATION: TREES BAGGING SVMs 1 SVMs 2 BOOSTING 1 BOOSTING 2 BOOSTING 3 NEURAL NETWORKS 1 NEURAL NETWORKS 2 NEURAL NETWORKS 3 NONLINEAR EMBEDDINGS H CLUSTERING Some Theory |
||||||||||||||||||||||||||||||||||||||||||||||||||||
Short Presentations: (Example: Refitted Lasso ) |
||||||||||||||||||||||||||||||||||||||||||||||||||||
Scribe Schedule: | ||||||||||||||||||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||||||||||||||||||