main page and lab01

OATD_LR1.md

@@ -0,0 +1,67 @@
+# Лабораторная работа №1. Бинарная классификация фактографических данных
+
+## Цель работы
+
+Получить практические навыки решения задачи бинарной классификации данных в среде Jupyter Notebook. 
+Научиться загружать данные, обучать классификаторы и проводить классификацию. Научиться оценивать точность полученных моделей.
+
+## Задание
+
+1.  В среде Jupyter Notebook создать новый ноутбук (Notebook) 
+2.	Импортировать необходимые для работы библиотеки и модули
+3.	Загрузить данные в соответствие с вариантом 
+4.	Вывести первые 15 элементов выборки (координаты точек и метки класса)
+5.	Отобразить на графике сгенерированную выборку. Объекты разных классов должны иметь разные цвета.
+6.	Разбить данные на обучающую (`train`) и тестовую (`test`) выборки в пропорции 75% - 25% соответственно.
+7.	Отобразить на графике обучающую и тестовую выборки. Объекты разных классов должны иметь разные цвета.
+8.	Реализовать модели классификаторов, обучить их на обучающем множестве. Применить модели на тестовой выборке, вывести результаты классификации:
+
+	*	Истинные и предсказанные метки классов
+	*	Матрицу ошибок (`confusion matrix`)
+	*	Значения полноты, точности, f1-меры и аккуратности
+	*	Значение площади под кривой ошибок (`AUC ROC`)
+	*	Отобразить на графике область принятия решений по каждому классу
+
+В качестве методов классификации использовать: 
+
+	* Метод к-ближайших соседей (`n_neighbors` = {1, 3, 9})
+	* Наивный байесовский метод
+	* Случайный лес (`n_estimators` = {5, 15, 50})
+
+9.	По результатам п.8 занести в отчет таблицу с результатами классификации всеми методами.
+10. Изучить, как изменится качество классификации в случае другого разбиения выборки на обучающую и тестовую. Для этого повторить пункты 6, передав в параметр `random_state` новое значение, и пункты 8-9 дважды. 
+11. По результатам трех экспериментов составить итоговую таблицу о качестве классификаци каждым методом, включив в нее значения полноты, точности, f1-меры, аккуратности и площади под кривой ошибок. 
+Сделать выводы о наиболее подходящем методе классификации ваших данных
+
+## Варианты заданий
+
+Объем выборки для всех вариантов – `n_samples = 1000` объектов.
+| Вариант     | 1     | 2     | 3     | 4     | 5     | 6     | 7     | 8     |
+| :---        | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: |
+| Вид классов | blobs | blobs | blobs | blobs | moons | moons | moons | moons |
+| random_state| 34    | 28    | 41    | 23    | 41    | 23    | 77    | 15    |
+| cluster_std | 1.5   | 4.5   | 3     | 5     | -     | -     | -     | -     |
+| noise       | -     | -     | -     | -     | 0.25  | 0.3   | 0.25  | 0.2   |
+| centers     | 2     | 2     | 2     | 2     | -     | -     | -     | -     |
+
+
+| Вариант     | 9     | 10    | 11    | 12    | 
+| :---        | :---: | :---: | :---: | :---: | 
+| Вид классов | classification | classification | classification | classification |
+| random_state| 78    | 58    | 15    | 23    | 
+| calss_sep   | 0.45  | 0.7   | 0.6   | 0.35  |
+
+Для всех вариантов, использующих для генерации `make_classification`, дополнительные параметры: `n_features=2`,  `n_redundant=0`,  `n_informative=1`, `n_clusters_per_class=1`,
+
+## Контрольные вопросы
+
+1.	Постановка задачи классификации данных. Что такое бинарная классификация?
+2.	Общий алгоритм решения задачи классификации данных.
+3.	Чем отличаются обучающая и тестовая выборки? Какие существуют способы формирования обучающей и тестовой выборок?
+4.	Как рассчитываются значения полноты и точности классификации?
+5.	Как рассчитывается значение площади под кривой ошибок?
+6.	Что показывает и как рассчитывается матрица ошибок?
+7.	Алгоритм и особенности метода к-ближайших соседей.
+8.	Алгоритм и особенности метода случайного леса.
+
+

README.md

@@ -0,0 +1,36 @@
+# Основы анализа текстовых данных
+
+## Лекции
+
+| Дата       |Лекция | 
+| :---:      | :---  | 
+| 08.02.2023 | Вводная лекция | 
+| 13.02.2023 | Класификация данных. Основные понятия | 
+| 20.02.2023 | to be soon... | 
+
+
+## Лабораторные работы
+
+### Лабораторная работа №1
+
+| Группа     | Дата       | 
+| :---       | :---:      | 
+| А-01-19    | 13.02.2023 | 
+| А-03-19    | 08.02.2023 | 
+
+* [Задание](OATD_LR1.md) 
+* [Методические указания](OATD_LR1_metod.ipynb)
+* [Установка Jupyter Notebook](start_notebook.md)
+
+### Лабораторная работа №2
+
+| Группа     | Дата       | 
+| :---       | :---:      | 
+| А-01-19    | 27.02.2023 | 
+| А-03-19    | 20.02.2023 | 
+
+### Лабораторная работа №3
+
+### Лабораторная работа №4
+
+

start_notebook.md

@@ -0,0 +1,22 @@
+# Установка Jupyter Notebook 
+
+## Локально
+
+Скачать и установить python https://www.python.org/downloads/, не забыв поставить галочку Add to PATH на самом первом экране
+
+![Установка python](assets/install_py.png)
+
+В командной строке Windows по очереди выполнить установку пакетов:
+
+```
+python -m pip install --upgrade pip
+python -m pip install notebook
+python -m pip install sklearn
+python -m pip install matplotlib
+```
+
+Готово. Запускать Jupyter можно из командной строки командой `jupyter notebook`. Рабочей папкой будет та, из которой данная команда была выполнена. 
+
+## Онлайн
+
+Допустимо вместо локальной установки Jupyter использовать [Google colab](https://colab.research.google.com/?hl=ru)