Wiki - Факультет компьютерных наук - Вклад [ru]

О факультете

2018-10-01T10:25:20Z

Aparinov: Добавление ТБД

__NOTOC__

= Учебные курсы факультета компьютерных наук=
== Курсы за 2018/19 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|

[[Математический_анализ_на_ПМИ_2018/2019_(пилотный_поток) | Математический анализ на ПМИ (пилотный поток)]]

[[Математический_анализ_на_ПМИ_2018/2019_(основной_поток) | Математический анализ на ПМИ (основной поток)]]

[[Calculus_DSBA_2018/2019 | Calculus I DSBA (ПАД)]]

[[Основы_и_методология_программирования_на_ПМИ_2018/2019_(пилотный_поток) | Основы и методология программирования на ПМИ (пилотный поток)]]

[[Основы и методология программирования на ПМИ 2018/2019 (основной поток, 1 модуль) | Основы и методология программирования на ПМИ (основной поток, 1 модуль)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[Дискретная_математика_1_2018/2019 | Дискретная математика-1 на ПМИ]]

[[Discrete Mathematics DSBA |Discrete Mathematics DSBA (ПАД)]]

[[Introduction_to_programming | Introduction to programming DSBA (ПАД)]]
||

[[Теория_вероятностей_2018/2019_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Теория_вероятностей_2018/2019_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]

[[DM2-pilot2018/2019 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[DM2-basic2018/2019 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_2_2018/2019 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

||

[[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]

[[Численные_Методы_2018 | Численные методы ]]

[[PDC | Параллельные и распределенные вычисления]]

[[Theory_of_Computing_2018_2019 | Theory of Computing, AMI]]

[[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]

[[Прикладная_статистика_в_машинном_обучении(2018)|Прикладная статистика в машинном обучении]]

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

[[НИС_РС|НИС Распределенные системы]]

[[Основные методы анализа данных]]

[[Теория баз данных]]

||

[[Statistical_learning_theory_2018_2019 | Introduction to statistical learning theory]]

[[Анализ_неструктурированных_данных-2018 |Анализ неструктурированных данных ]]

[[Байесовские_методы_машинного_обучения_2018|Байесовские методы машинного обучения]]

[[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]

[[НИС_Науки_о_данных_2018/2019|НИС Науки о данных]]

[[Теория_Информации_2018/2019|Теория информации]]

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

[[Методы_и_системы_обработки_больших_данных_(осень_2018)|Методы и системы обработки больших данных]]

[[Философия_науки_2018|Философия науки]]

[[Теория баз данных]]

||

[[Введение в программирование (курс майнора) 2018/2019]]

[[dopglavy_DM_1819|Допглавы дискретной математики 1]]

||

|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==

=== 1 семестр ===

{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули

|-
| [[Основы анализа данных в международных отношениях 2018/2019|Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули
|-
| [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули
|-
| [[Цифровая грамотность(востоковедение)|Цифровая грамотность]] || Востоковедение || 1 курс || 1 модуль
|-
| [[Разработка управленческих решений в маркетинге | Разработка управленческих решений в маркетинге]] || Маркетинг и рыночная аналитика || 2 курс || 1-2 модули
|-
| [[Информационные технологии в деятельности юриста_2018-2019| Информационные технологии в деятельности юриста]] || Юриспруденция || 1 курс || 2 модуль
|-
| [[Машинное обучение на матфаке 2018/2019| Машинное обучение]] || Факультет математики || 2-4 курсы || 1-2 модули
|-
| [[ПМСАР-2| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули
|-
| [[Анализ данных в Python (Политологи 1 семестр 1-2 модули)|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули
|-
| [[Основы анализа и визуализации данных для медиа (Журналисты 1 семестр 1 модуль)|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль
|-
| [[Программирование_(python)_для_лингвистов|Программирование (Python) для лингвистов]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[Введение в анализ текстов на Python для ФГН 2018|Введение в анализ текстов на Python для ФГН 2018]] || Фундаментальная и компьютерная лингвистика || 3 курс || 1, 2, 4 модули
|-
| [[Машинное обучение (ФЭН)]] || Факультет экономических наук || 3-4 курсы || 1-2 модули
|-
| [[Программирование_(python)_для_экономистов|Программирование (Python) для экономистов]] || Факультет экономических наук || 2 курс || 1-2 модули
|-
| [[Цифровая грамотность(философия)|Цифровая грамотность]] || Философия || 1 курс || 1-2 модули
|-
| [[Цифровая_грамотность_(историки)|Цифровая грамотность]] || История || 1 курс || 1-2 модули
|-
| [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Факультет Физики || 2 курс || 1-2 модули
|}

= Архив =

== Курсы за 2017/18 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|

[[Математический_анализ_на_ПМИ_2017/2018_(пилотный_поток) | Математический анализ на ПМИ 2017/2018 (пилотный поток)]]

[[Математический_анализ_на_ПМИ_2017/2018_(основной_поток) | Математический анализ на ПМИ 2017/2018 (основной поток)]]

[[Основы_и_методология_программирования_на_ПМИ_2017/2018_(пилотный_поток,_1_модуль) | Основы и методология программирования на ПМИ 2017/2018 (пилотный поток, 1 модуль)]]

[[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_2_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 2 модуль)]]

[[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_3_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 3 модуль)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_2017/2018_(основной_поток) | Алгоритмы и структуры данных на ПМИ 2017/2018 (основной поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[Дискретная_математика_1_2017/2018 | Дискретная математика-1 на ПМИ]]

[[Алгоритмы и структуры данных 1 | Алгоритмы и структуры данных – 1 (пилотный поток)]]

[[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]

[http://hsealgebra18.wikidot.com Алгебра на ПИ]

||
[[Теория_вероятностей_2017/2018_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2017/2018_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Математический анализ-3 на ПМИ_2017/2018_(основной_поток) | Математический анализ-2 на ПМИ (основной поток)]]

[[Математический анализ на ПМИ_2017/2018 | Математический анализ-3 на ПМИ (пилотный поток)]]

[[DM2-pilot2017/2018 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[DM_2_2017_2018 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Алгоритмы и структуры данных_2_2017/2018 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Дифференциальные уравнения (2 курс, 2017/2018)| Дифференциальные уравнения]]

||
[[Машинное_обучение_1/2017_2018 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]

[[Численные_методы_2017 | Численные методы]]

[[Statistics of Stochastic Processes|Статистика случайных процессов 2018]]

[[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]

[[Theory_of_Computing | Theory of Computing, AMI]]

[[Statistical_learning_theory | Introduction to statistical learning theory]]

[[Основные_методы_анализа_данных_(специализация_АДИС) | Основные методы анализа данных на ПМИ]]

[[Анализ неструктурированных данных]]

[[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]

[[НИС_Распределенные_системы_(3_курс,_2017) | НИС Распределенные системы]]

[[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]

[[Непрерывная_оптимизация | Непрерывная оптимизация]]

[[ Сложность_и_логика| Сложность вычислений и логика в теоретической информатике]]

[[Data_analysis_(Software_Engineering)_2018 | Data Analysis на ПИ]]

[http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]

[http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных Машинное обучение на больших данных]

[[Дискретная_оптимизация | Дискретная оптимизация]]

||

[[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]

[[Философия_науки_2017 | Философия науки]]

[[НИС_Распределенные_системы_(4_курс,_2017) | НИС Распределенные системы]]

[[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]

[[Анализ неструктурированных данных]]

[[Байесовские методы машинного обучения 2017 | Байесовские методы машинного обучения]]

[[Функциональное программирование 2018 | Функциональное программирование]]

[http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]

||

[[Современные методы машинного обучения (курс майнора) 2017/2018]]

[[Введение в программирование (курс майнора) 2017/2018]]

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных | Введение в анализ данных (курс майнора)]]

[[Прикладные задачи анализа данных (майнор - весна 2018)]]

[[Маго-лего "Линейная алгебра в приложениях" весна 2018 | Линейная алгебра в приложениях (маго-лего)]]

[[Функциональный анализ 2017/18 | Функциональный анализ на ПМИ (факультатив)]]

[[Дополнительные главы теории вероятностей и математической статистики (факультативы) | Дополнительные главы теории вероятностей и математической статистики (факультативы)]]

[[Дополнительные главы дискретной математики 2017/18 | Дополнительные главы дискретной математики (факультатив)]]

[[Цифровые технологии в гуманитарных науках]]

|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==

=== 2 семестр ===

[[Цифровая_грамотность_2018_(2_семестр)|Цифровая грамотность (факультет гуманитарных наук — 2 семестр: ИЯМК, Филология, История искусств, Культурология, 1 курс)]] 
[[Научно-исследовательский семинар (ФСН) |Научно-исследовательский семинар (ОП "Политология", 1 курс)]] 
[[Introduction_to_Data_Culture|Introduction to Data Culture (HSE and University of London Parallel Degree Programme in International Relations, 1 year)]] 
[[ИИ_и_БД|Искусственный интеллект и большие данные (ОП "Дизайн", "Мода", 1 курс)]] 
[[Программирование_(python)_для_лингвистов|Компьютерная лингвистика и информационные технологии (ОП "Фундаментальная и компьютерная лингвистика", 4 курс, 2 семестр)]] 
[[Основы анализа данных в международных отношениях|Основы анализа данных в международных отношениях (ОП "Международные отношения", 2 курс, 4 модуль)]] 
[[Введение в data science (2_семестр)|Профориентационный семинар (блок по введению в data scicence) (Факультет социальных наук — 2 семестр: Социология, 1 курс)]] 
[[Введение в Data Science| Введение в Data Science (ФБиМ, 4 модуль)]] 

=== 1 семестр ===

[[Цифровая_грамотность|Цифровая грамотность (факультет гуманитарных наук — 1 семестр: История, Философия, 1 курс)]] 
[[Машинное обучение (факультет экономических наук)|Машинное обучение (факультет экономических наук)]] 
[[Программирование (python) для лингвистов | Программирование (python) для лингвистов (факультет гуманитарных наук)]] 
[[Извлечение и анализ интернет-данных | Извлечение и анализ интернет-данных (факультет экономических наук)]] 
[[Анализ больших данных в социальных науках (ФСН, 2017) | Анализ больших данных в социальных науках (ФСН, 2017)]] 
[[Информационные_технологии_в_деятельности_юриста|Информационные технологии в деятельности юриста (Факультет права)]] 
[[Машинное_обучение_для_лингвистов|Машинное обучение (магистратура Школы лингвистики)]] 

== Курсы магистратуры Финансовые технологии и анализ данных ==

[[Вероятностные_модели_и_прикладная_статистика_в_финансовой_математике|Вероятностные модели и прикладная статистика в финансовой математике]] 

== Курсы за 2016/17 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3-4 курс !! майноры
|-
|

[[Математический анализ на ПМИ_2016/2017 | Математический анализ на ПМИ (пилотный поток)]]

[[Линейная алгебра и геометрия_2016/2017 | Линейная алгебра и геометрия на ПМИ]]

[[Дискретная_математика_1_2016/2017 | Дискретная математика-1 на ПМИ]]

[[Основы и методология программирования_2016/2017_пилотный_поток | Основы и методология программирования на ПМИ (пилотный поток)]]

[[Основы и методология программирования_2016/2017 | Основы и методология программирования на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_(пилотный_поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_(основной_поток) | Алгоритмы и структуры данных на ПМИ (основной поток)]]

[[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]

[http://hsealgebra17.wikidot.com/ Алгебра на ПИ]

||

[[Математический анализ_2016/2017 | Математический анализ-3 на ПМИ (основной поток)]]

[[Математически_анализ_3_на_ПМИ_(пилотный_поток) | Математический анализ-3 на ПМИ (пилотный поток)]]

[[DM_2_2016_2017 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Дискретная математика_2_2016/2017 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[Алгоритмы и структуры данных_2_2016/2017 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Теория вероятностей_2016/2017 | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2016/2017_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы]]

[[Факультатив_теория_вычислений_2016/2017 | Факультатив теория вычислений на ПМИ]]

[[Дополнительные_главы_теории_вероятностей_(факультатив,_2017) | Дополнительные главы теории вероятностей (факультатив)]]

[[Дифференциальные_уравнения_(2_курс,_2016/2017) | Дифференциальные уравнения]]

[[Математическая_статистика_2016/2017_(пилотный_поток) | Математическая статистика на ПМИ (пилотный поток)]]

[[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы ]]

||

[[НИС_Машинное_обучение_и_приложения_2016/2017 | НИС Машинное обучение и приложения на ПМИ]]

[[Машинное_обучение_1/2016_2017 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2/2016_2017 | Машинное обучение 2 на ПМИ]]

[[Прикладной_статистический_анализ_данных | Прикладной статистический анализ данных на ПМИ]]

[[Численные_методы_в_анализе_данных | Численные методы в анализе данных на ПМИ]]

[http://www.machinelearning.ru/wiki/index.php?title=Статистика_случайных_процессов_(курс_лекций,_ФКН_ВШЭ) Вероятностные модели и статистика случайных процессов на ПМИ]

[http://www.machinelearning.ru/wiki/index.php?title=Opt Методы оптимизации на ПМИ (специализации МОП и РС)]

[[Методы_оптимизации_(весна_2017)|Методы оптимизации 2 (дискретная оптимизация)]]

[[НИС_Распределенные_системы_(осень_2016) | НИС Распределенные системы]]

[[Анализ и верификация алгоритмов биржевой торговли | Анализ и верификация алгоритмов для систем биржевой торговли ]]

[[Программирование_на_графических_процессорах | Программирование на графических процессорах]]

[[ЯРПО | Языки разработки ПО (курс по выбору) на ПМИ]]

[[Data analysis (Software Engineering) 2017 | Data analysis на ПИ]]

[[Базы данных 2 | Базы данных 2 ]]

[[Компьютерные сети 2 | Компьютерные сети 2]]

[[Машинное_обучение_на_больших_данных | Машинное обучение на больших данных на ПМИ]]

||

[[Современные_методы_машинного_обучения_(курс_майнора) | Современные методы машинного обучения (курс майнора)]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_программирование_2016/2017 | Введение в программирование (курс майнора)]]

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2016-2017 | Введение в анализ данных (курс майнора)]]

[[Майнор Интеллектуальный анализ данных/Прикладные задачи анализа данных| Прикладные задачи анализа данных (курс майнора)]]

|}

{|width=100%
|style="vertical-align:top;"|



=== Курсы за 2015/16 учебный год ===
{|
|-
| [[Технологии программирования|Технологии программирования на ПМИ]]
|-
|[[ОиМП-2015|Основы и методология программирования на ПМИ]]
|-
|[[Алгоритмы и структуры данных 2016]]
|-
|[[Линейная алгебра и геометрия_2015/2016 | Линейная алгебра и геометрия на ПМИ]]
|-
|[[Алгебра_2015/2016 | Алгебра на ПМИ]]
|-
|[http://hsealgebra.wikidot.com/ Алгебра на ПИ]
|-
|[[Компьютерные системы]]
|-
|[[Математический анализ на ПМИ_2015/2016 | Математический анализ на ПМИ]]
|-
|[[Факультатив_Матпрактикум | Матпрактикум (факультатив) на ПМИ]]
|-
|[[Data analysis (Software Engineering)]] 
|-
|[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора) на ПМИ]]
|-
|[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2015-2016|Введение в анализ данных (курс майнора) на ПМИ]]
|-
|[[НИС Машинное обучение и приложения|НИС Машинное обучение и приложения на ПМИ]]
|-
|[[Архитектура компьютеров и системное программирование (ПМИ_4, 2015/2016)|Архитектура компьютеров и системное программирование (4 курс)]]
|-
|[[Дифференциальные уравнения (2 курс, 2015/2016)| Дифференциальные уравнения]]
|-
|[[Введение в VBA|Введение в VBA]]
|}

|style="vertical-align:top;"|



=== Курсы за 2014/15 учебный год ===
{|
|-
|[[Основы и методологии программирования]] 
|-
|[[Алгоритмы и структуры данных 2015 | Алгоритмы и структуры данных]] 
|-
|[[Анализ данных (Программная инженерия)]] 
|-
|[[Алгебра_2014/2015 | Алгебра]] 
|-
|[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]
|}

==== Проектная работа ====
{|
|-
|[[Проектная работа]] 
|-
|[[Учебная практика 1 курс (2016)]]
|-
|[[Проектная работа 2 курс (2016)]]
|}


|}

== Мероприятия факультета компьютерных наук ==
=== Summer School 2015 ===
[[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]
#[[Lecture 1. Introduction|Introduction]]
#[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]
#[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]
#[[Lecture 4. Parsing|Parsing]]
#[[Lecture 5. Language sources|Language sources]]
#[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]
#[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]
#[[NLP References|References]]

== Архив ==
* [[Учебная практика 1 курс (2015)]]

Теория баз данных

2018-10-01T10:22:04Z

Aparinov: ТБД

== О курсе ==

Курс читается для студентов 3-го курса и 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ].

'''Лектор:''' [https://hse.ru/staff/aneznanov/ Незнанов Алексей Андреевич]

'''Семинаристы:''' [https://hse.ru/staff/aparinov/ Паринов Андрей Андреевич]

'''Ассистент:''' [https://www.hse.ru/staff/etyuryumina Элла Яковлевна Тюрюмина]

=== Полезные ссылки ===

[https://eduhseru.sharepoint.com/:b:/s/2018-dbms/EeK3ymYnzsFDotafoxdvfEEBRbXV4uALgniWN3S4Q8yZMQ?e=vcCabC Актуальная программа курса]

[https://gitlab.com/pdc-hse/2018 Репозиторий с материалами курса]

[https://eduhseru.sharepoint.com/sites/2018-dbms/Shared%20Documents/Forms/AllItems.aspx?id=%2Fsites%2F2018-dbms%2FShared%20Documents%2F%D0%9F%D0%A3%D0%94 Сайт курса в Office 365 ]

[https://eduhseru-my.sharepoint.com/personal/aneznanov_edu_hse_ru/Documents/Class%20Notebooks/2018-DBMS-ONCN/ Тетрадка Onenote]

Теория баз данных

2018-10-01T10:21:27Z

Aparinov: ТБД

= Теория баз данных =

== О курсе ==

Курс читается для студентов 3-го курса и 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ].

'''Лектор:''' [https://hse.ru/staff/aneznanov/ Незнанов Алексей Андреевич]

'''Семинаристы:''' [https://hse.ru/staff/aparinov/ Паринов Андрей Андреевич]

'''Ассистент:''' [https://www.hse.ru/staff/etyuryumina Элла Яковлевна Тюрюмина]

=== Полезные ссылки ===

[https://eduhseru.sharepoint.com/:b:/s/2018-dbms/EeK3ymYnzsFDotafoxdvfEEBRbXV4uALgniWN3S4Q8yZMQ?e=vcCabC Актуальная программа курса]

[https://gitlab.com/pdc-hse/2018 Репозиторий с материалами курса]

[https://eduhseru.sharepoint.com/sites/2018-dbms/Shared%20Documents/Forms/AllItems.aspx?id=%2Fsites%2F2018-dbms%2FShared%20Documents%2F%D0%9F%D0%A3%D0%94 Сайт курса в Office 365 ]

[https://eduhseru-my.sharepoint.com/personal/aneznanov_edu_hse_ru/Documents/Class%20Notebooks/2018-DBMS-ONCN/ Тетрадка Onenote]

Теория баз данных

2018-10-01T10:09:13Z

Aparinov:

= Теория баз данных =

== О курсе ==

Курс читается для студентов 3-го курса и 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ].

'''Лектор:''' [https://hse.ru/staff/aneznanov/ Незнанов Алексей Андреевич]

'''Семинаристы:''' [https://hse.ru/staff/aparinov/ Паринов Андрей Андреевич]

'''Ассистент:''' [https://www.hse.ru/staff/etyuryumina Элла Яковлевна Тюрюмина]

=== Полезные ссылки ===

[https://eduhseru.sharepoint.com/:b:/s/2018-dbms/EeK3ymYnzsFDotafoxdvfEEBRbXV4uALgniWN3S4Q8yZMQ?e=vcCabC Актуальная программа курса]

[https://gitlab.com/pdc-hse/2018 Репозиторий с материалами курса]

[https://eduhseru.sharepoint.com/sites/2018-dbms/Shared%20Documents/Forms/AllItems.aspx?id=%2Fsites%2F2018-dbms%2FShared%20Documents%2F%D0%9F%D0%A3%D0%94 Сайт курса в Office 365 ]

[https://eduhseru-my.sharepoint.com/personal/aneznanov_edu_hse_ru/Documents/Class Notebooks/2018-DBMS-ONCN Тетрадка Onenote]

Теория баз данных

2018-10-01T10:07:22Z

Aparinov: ТБД

= Теория баз данных =

== О курсе ==

Курс читается для студентов 3-го курса и 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ].

'''Лектор:''' [https://hse.ru/staff/aneznanov/ Незнанов Алексей Андреевич]

'''Семинаристы:''' [https://hse.ru/staff/aparinov/ Паринов Андрей Андреевич]

'''Ассистент:''' [https://www.hse.ru/staff/etyuryumina Элла Яковлевна Тюрюмина]

=== Полезные ссылки ===

[https://eduhseru.sharepoint.com/:b:/s/2018-dbms/EeK3ymYnzsFDotafoxdvfEEBRbXV4uALgniWN3S4Q8yZMQ?e=vcCabC Актуальная программа курса]

[https://gitlab.com/pdc-hse/2018 Репозиторий с материалами курса]

[https://eduhseru.sharepoint.com/sites/2018-dbms/Shared%20Documents/Forms/AllItems.aspx?id=%2Fsites%2F2018-dbms%2FShared%20Documents%2F%D0%9F%D0%A3%D0%94 Сайт курса в Office 365 ]
[https://eduhseru-my.sharepoint.com/personal/aneznanov_edu_hse_ru/Documents/Class Notebooks/2018-DBMS-ONCN Тетрадка Onenote]

Теория баз данных

2018-10-01T10:06:25Z

Aparinov: Создание страницы ТБД

= Теория баз данных =

== О курсе ==

Курс читается для студентов 3-го курса и 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ].

'''Лектор:''' [https://hse.ru/staff/aneznanov/ Незнанов Алексей Андреевич]

'''Семинаристы:''' [https://hse.ru/staff/aparinov/ Паринов Андрей Андреевич]
'''Семинаристы:''' [https://www.hse.ru/staff/etyuryumina Элла Яковлевна Тюрюмина]

=== Полезные ссылки ===

[https://eduhseru.sharepoint.com/:b:/s/2018-dbms/EeK3ymYnzsFDotafoxdvfEEBRbXV4uALgniWN3S4Q8yZMQ?e=vcCabC Актуальная программа курса]

[https://gitlab.com/pdc-hse/2018 Репозиторий с материалами курса]

[https://eduhseru.sharepoint.com/sites/2018-dbms/Shared%20Documents/Forms/AllItems.aspx?id=%2Fsites%2F2018-dbms%2FShared%20Documents%2F%D0%9F%D0%A3%D0%94 Сайт курса в Office 365 ]
[https://eduhseru-my.sharepoint.com/personal/aneznanov_edu_hse_ru/Documents/Class Notebooks/2018-DBMS-ONCN Тетрадка Onenote]

PDC 2017

2017-10-10T13:49:23Z

Aparinov: telegram group Parinov

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] специализации [https://www.hse.ru/ba/ami/ds "Распределенные системы"] в 1-2 модулях 2017-2018 учебного года.

'''Лектор:''' [https://www.hse.ru/org/persons/161432784 Сухорослов Олег Викторович]

'''Семинаристы:''' [http://www.hse.ru/staff/aparinov Паринов Андрей Андреевич], [https://www.hse.ru/org/persons/161432784 Сухорослов Олег Викторович], Чичварин Михаил Николаевич

[https://drive.google.com/file/d/0B9tomE-ABmedWXprV3FiS1c5ZHM/view?usp=sharing Актуальная программа курса]

=== Система оценок ===

Итоговая оценка вычисляется на основе средней оценки за домашние задания и оценки за экзамен:

Oитог = 0.7 * Oд/з + 0.3 * Оэкз

=== Материалы к занятиям ===

Все материалы размещаются в git-репозитории: https://gitlab.com/pdc-hse/2017

=== Дистанционная поддержка ===

Для ответов на вопросы студентов, обсуждения курса и сдачи домашних заданий используется сервис [https://piazza.com/ Piazza]:

* Страница курса: https://piazza.com/cs_hse/fall2017/pdc
* Для регистрации надо ввести Class Access Code: (будет разослан на почту)
* При регистрации обязательно укажите в Full Name свои имя и фамилию
* После регистрации через систему можно задавать вопросы и обсуждать курс (в том числе анонимно)
* Все объявления по курсу также будут рассылаться через Piazza
* Telegram Group [https://t.me/joinchat/AfPyqA8UomIPG7p4a0Oujg]

== Лекции ==

{| class="wikitable"
|-
! Неделя !! Дата !! Темы !! Материалы
|-
| 1
| 05.09.2017
| Введение в параллельные вычисления. Параллельные вычислительные системы.
| [https://gitlab.com/pdc-hse/2017/raw/master/lectures/01-parallel-intro.pdf Слайды]
|-
| 2
| 12.09.2017
| Многопоточное программирование.
| [https://gitlab.com/pdc-hse/2017/raw/master/lectures/02-threads.pdf Слайды] [https://gitlab.com/pdc-hse/2017/tree/master/lectures/src/02 Код]
|-
| 3
| 19.09.2017
| Многопоточное программирование (часть 2). Альтернативные модели программирования.
| [https://gitlab.com/pdc-hse/2017/raw/master/lectures/03-threads.pdf Слайды] [https://gitlab.com/pdc-hse/2017/tree/master/lectures/src/03 Код]
|-
| 4
| 26.09.2017
| Теоретические основы параллельных вычислений. Технологии и модели параллельного программирования.
| [https://gitlab.com/pdc-hse/2017/raw/master/lectures/04-parallel.pdf Слайды]
|-
| 5
| 03.10.2017
| Типовые структуры параллельных алгоритмов. Методология PCAM.
| [https://gitlab.com/pdc-hse/2017/raw/master/lectures/05-parallel.pdf Слайды]
|-
| 6
| 10.10.2017
| Введение в вычисления на GPU.
| [https://gitlab.com/pdc-hse/2017/raw/master/lectures/06-gpu.pdf Слайды]
|}

== Семинары ==

{| class="wikitable" style="width: 60%;"
|-
! style="width: 20px;" | Неделя
! Темы
! style="width: 140px;" | Материалы
|-
| 1
| Первые шаги. Использование виртуальной машины. Получение информации о процессоре. Измерение времени выполнения программы. Профилирование программ с помощью perf.
| [https://gitlab.com/pdc-hse/2017/raw/master/seminars/01.pdf Слайды] [https://gitlab.com/pdc-hse/2017/tree/master/seminars/src/01 Код]
|-
| 2
| Компиляция многопоточных программ на C++. Подробности про thread support library. Устранение взаимной блокировки в примере с банком. Отладка многопоточных программ.
| [https://gitlab.com/pdc-hse/2017/raw/master/seminars/02.pdf Слайды] [https://gitlab.com/pdc-hse/2017/tree/master/seminars/src/02 Код]
|-
| 3
| Разбор реализаций потокобезопасных очередей. Параллельный поиск текста в файле. Пул потоков. Атомарные типы. Атомарные инструкции процессора. Низкоуровневые эффекты.
| [https://gitlab.com/pdc-hse/2017/raw/master/seminars/03.pdf Слайды] [https://gitlab.com/pdc-hse/2017/tree/master/seminars/src/03 Код]
|-
| 4
| Знакомство с OpenMP. Синтаксис прагм. Компиляция программ. Директива parallel. Основные функции из omp.h. Опции видимости данных. Настройка числа потоков. Директивы parallel for, critical и atomic. Опции nowait и reduction. Ложное разделение данных (false sharing).
| [https://gitlab.com/pdc-hse/2017/raw/master/seminars/04.pdf Слайды] [https://gitlab.com/pdc-hse/2017/tree/master/seminars/src/04 Код]
|-
| 5
| Продолжение знакомства с технологией OpenMP. Распределение итераций цикла между потоками. Привязка потоков к ядрам. Рекурсивный параллелизм (OpenMP 3.0 tasks). Новые возможности OpenMP 4.0.
| [https://gitlab.com/pdc-hse/2017/raw/master/seminars/05.pdf Слайды] [https://gitlab.com/pdc-hse/2017/tree/master/seminars/src/05 Код]
|-
| 6
| Знакомство с CUDA C. Разбор ДЗ 1.
| [https://gitlab.com/pdc-hse/2017/raw/master/seminars/06.pdf Слайды] [https://gitlab.com/pdc-hse/2017/tree/master/seminars/src/06 Код]
|}

== Домашние задания ==

[https://docs.google.com/document/d/1uNsJYgBrhckpvFmoygQtD0oSaUIalWb2EPYEI0JfdNs/edit?usp=sharing Порядок сдачи домашних заданий]

{| class="wikitable"
|-
! Задание !! Задачи !! Срок сдачи
|-
| 1
| На выбор: [https://everest.distcomp.org/apps/sol/dining-phils Обедающие философы] или [https://everest.distcomp.org/apps/sol/readers-writers Читатели-писатели]
| 4 октября 12:00 MSK
|-
| 2
| [https://everest.distcomp.org/apps/sol/kmeans Метод k-средних]
| 18 октября 23:59 MSK
|}

== Everest ==

Для запуска программ на учебном кластере и тестирования решений домашних заданий используются сервисы, размещенные на платформе [https://everest.distcomp.org/ Everest].

Для получения доступа к сервисам надо выполнить следующие действия:
* Зайдите на [https://everest.distcomp.org/ Everest] и зарегистрируйте нового пользователя (ccылка Sign Up в правом верхнем углу)
* Зайдите под своим пользователем
* Вступите в группу ''pdc-hse2017''
** Откройте https://everest.distcomp.org/groups/pdc-hse2017/join
** Введите Access code: (будет разослан на почту)

При работе с Everest рекомендуется использовать свежие версии браузеров Chrome или Firfeox. Обязательно следует включить выполнение JavaScript.

== Рекомендуемая литература и полезные ссылки ==

=== Архитектура компьютера ===

* John L. Hennessy, David A. Patterson. Computer Architecture: A Quantitative Approach. Morgan Kaufmann, 2011 (5th edition).
* Ulrich Drepper. [https://people.freebsd.org/~lstewart/articles/cpumemory.pdf What Every Programmer Should Know About Memory], 2007.
* Igor Ostrovsky. [http://igoro.com/archive/gallery-of-processor-cache-effects/ Gallery of Processor Cache Effects].

=== Многопоточное программирование и concurrency ===

* Anthony Williams. C++ Concurrency in Action: Practical Multithreading. Manning, 2012. (Перевод на русский: Энтони Уильямс. Параллельное программирование на C++ в действии: Практика разработки многопоточных программ. ДМК Пресс, 2012.)
* Paul Butcher. Seven Concurrency Models in Seven Weeks: When Threads Unravel. Pragmatic Bookshelf, 2014.
* Maurice Herlihy, Nir Shavit. The Art of Multiprocessor Programming. Morgan Kaufmann, 2012 (Revised Reprint).

=== Параллельные вычисления ===

* Peter Pacheco. An Introduction to Parallel Programming. Morgan Kaufmann, 2011.
* G. Barlas. Multicore and GPU Programming: An Integrated Approach. Morgan Kaufmann, 2014.
* Foster I. Designing and Building Parallel Programs: Concepts and Tools for Software Engineering. Reading, MA: Addison-Wesley, 1995. http://bit.ly/2vfOkO6
* Timothy G. Mattson, Beverly A. Sanders, Berna L. Massingill. Patterns for Parallel Programming. Addison-Wesley Professional, 2004.

Система сбора и анализа данных взаимодействия в группе (проект)

2017-10-06T11:09:15Z

Aparinov: Система сбора и анализа данных взаимодействия в группе

{{Карточка_проекта
|name=Система сбора и анализа данных взаимодействия в группе
|mentor=Паринов Андрей
|mentor_login={{URLENCODE:Aparinov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=4
|categorize=yes
}}

=== Что это за проект? ===
Есть идея с помощью радио-меток (RFID) изучить социальные контакты в группе или классе. Сенсоры считывают информацию о том, какие метки находятся в радиусе 1 метра, учитывают даже то, спиной или лицом находится человек и отправляют информацию на сервер. Есть сайт со схемами https://www.bitmanufactory.com/ датчиков, но самих датчиков нет. Нет и программы по расшифровке и анализу полученной информации. Надо разобраться, как такое сделать самим.

Необходимо разработать:
*Серверная часть
*Клиент часть

=== Чему вы научитесь? ===
Улучшите навыки программирования

=== Какие начальные требования? ===
Языки программирования: Javascript, Python или Java
Базы данных: PostreSQL, MS SQL Server, Mongo

=== Какие будут использоваться технологии? ===
MS Azure, Amazon Web Services

=== Темы вводных занятий ===
Занятия будут проводиться по необходимости

=== Направления развития ===
* No SQL Хранилища данных
* Python Django
* Javascript

=== Критерии оценки ===
* 4-5: Реализация базовой функциональности и в зависимости от выбранной подсистемы
* 6-7: Реализация расширенной функциональности, использование оптимизированных алгоритмов
* 8-10: Реализация с помощью нескольких технологий. Участие в обучении других участников команды

=== Ориентировочное расписание занятий ===
* ПН, ПТ, CБ - недоступен
* ВТ, СР - по согласованию
* ЧТ - 10:00-13:00, 16:00-18:00

Лучше писать на email: aparinov@hse.ru

Персональный медицинский помощник(проект)

2017-10-06T10:59:37Z

Aparinov: Персональный медицинский помощник

{{Карточка_проекта
|name=Персональный медицинский помощник
|mentor=Паринов Андрей
|mentor_login={{URLENCODE:Aparinov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=5
|categorize=yes
}}

=== Что это за проект? ===
Платформа предназначена для:
* 1. Хранения данных самонаблюдения хронических больных диабетом и сердечно-сосудистые заболеваний;
* 2. Интеграции с системами хранения персональных медицинских данных (Microsoft Health Vault, CardioCloud, etc.)
* 3. Хранение информации о принимаемых лекарствах;
* 4. Построение прогноза о дозировке

=== Чему вы научитесь? ===
В рамках проекта каждый студент будет работать над одной из частей системы:
* 1. Серверная часть
* 2. Веб-клиент
* 3. Аndroid клиент
* 4. Iphone клиент
* 5. Подсистема анализа
Работаю над выбранной частью проекта вы научитесь набору технологий связанных с этой частью.

=== Какие начальные требования? ===
Языки программирования: Javascript, Python или Java
Базы данных: PostreSQL, MS SQL Server, Mongo

=== Какие будут использоваться технологии? ===
MS Azure, Amazon Web Services

=== Темы вводных занятий ===
* No SQL Хранилища данных
* Python Django
* Javascript

=== Направления развития ===
* 1. Серверная часть
* 2. Веб-клиент
* 3. Аndroid клиент
* 4. Iphone клиент
* 5. Подсистема анализа

=== Критерии оценки ===
* 4-5: Реализация базовой функциональност и в зависимости от выбранной подсистемы ( Добавление\Удаление данных)
* 6-7: Реализация расширенной функциональности, использование оптимизированных алгоритмов
* 8-10: Реализация с помощью нескольких технологий. Участие в обучении других участников команды

=== Ориентировочное расписание занятий ===
* ПН, ПТ, CБ - недоступен
* ВТ, СР - по согласованию
* ЧТ - 10:00-13:00, 16:00-18:00
* Занятия будут проводиться в здании по адресу Кочновский проезд, дом 3

Лучше писать на email: aparinov@hse.ru

Персональный медицинский помощник(проект)

2017-10-06T10:57:44Z

Aparinov: Персональный медицинский помощник

{{Карточка_проекта
|name=Персональный медицинский помощник
|mentor=Паринов Андрей
|mentor_login={{URLENCODE:Aparinov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=5
|categorize=yes
}}

=== Что это за проект? ===
Платформа предназначена для:
* 1. Хранения данных самонаблюдения хронических больных диабетом и сердечно-сосудистые заболеваний;
* 2. Интеграции с системами хранения персональных медицинских данных (Microsoft Health Vault, CardioCloud, etc.)
* 3. Хранение информации о принимаемых лекарствах;
* 4. Построение прогноза о дозировке

=== Чему вы научитесь? ===
В рамках проекта каждый студент будет работать над одной из частей системы:
* 1. Серверная часть
* 2. Веб-клиент
* 3. Аndroid клиент
* 4. Iphone клиент
* 5. Подсистема анализа
Работаю над выбранной частью проекта вы научитесь набору технологий связанных с этой частью.

=== Какие начальные требования? ===
Языки программирования: Javascript, Python или Java
Базы данных: PostreSQL, MS SQL Server, Mongo

=== Какие будут использоваться технологии? ===
MS Azure, Amazon Web Services

=== Темы вводных занятий ===
Занятия будут проводиться по необходимости

=== Направления развития ===
* 1. Серверная часть
* 2. Веб-клиент
* 3. Аndroid клиент
* 4. Iphone клиент
* 5. Подсистема анализа

=== Критерии оценки ===
* 4-5: Реализация базовой функциональност и в зависимости от выбранной подсистемы ( Добавление\Удаление данных)
* 6-7: Реализация расширенной функциональности, использование оптимизированных алгоритмов
* 8-10: Реализация с помощью нескольких технологий. Участие в обучении других участников команды

=== Ориентировочное расписание занятий ===
* ПН, ПТ, CБ - недоступен
* ВТ, СР - по согласованию
* ЧТ - 10:00-13:00, 16:00-18:00
* Занятия будут проводиться в здании по адресу Кочновский проезд, дом 3

Лучше писать на email: aparinov@hse.ru

Система сбора и анализа данных взаимодействия в группе (проект)

2017-10-06T10:52:17Z

Aparinov: Полностью удалено содержимое страницы

Система сбора и анализа мобильных данных(проект)

2017-10-06T10:51:10Z

Aparinov: Новая страница: «{{Карточка_проекта |name=Система сбора и анализа мобильных данных |mentor=Паринов Андрей Андре…»

{{Карточка_проекта
|name=Система сбора и анализа мобильных данных
|mentor=Паринов Андрей Андреевич
|mentor_login={{URLENCODE:Aparinov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=6
|categorize=yes
}}

=== Что это за проект? ===
Разработка системы для сбора данных с сенсоров мобильных телефонов (GPS, гироскоп, акселерометр и др.). Цель создания системы - прогнозирование с помощью автоматически собираемых данных изменение важных характеристик студентов/школьников (например, снижение успеваемости или появление симптомов депрессии) - целевых характеристик, данные о которых нельзя получить автоматически.
Аналогичные приложения использовались в исследованиях StudentLife и Copenhagen network study (в последнем приложение было создано на базе Funf Open Sensing Framework)

В рамках проекта каждый студент будет работать над одной из частей системы:
* Серверная часть
*Веб-клиент
*Аndroid клиент
*Iphone клиент
*Подсистема анализа

Система предназначена для:
*Хранения данных сенсоров мобильных телефонов
*Рассылки коротких вопросов о текущем психологическом состоянии и т.п. (реализация experience sampling method)
* Анализа данных и построения прогноза
Задачи:
*Разработка серверной части
*Разработка веб-клиента
*Разработка мобильного приложения

=== Чему вы научитесь? ===
Есть несколько направлений развития системы. В зависимости от выбранного направления вы будете развивать либо навыки программиста либо аналитика.

=== Какие начальные требования? ===
В зависимости от направления: Python, Java, Javascript
или: Scikit-learn, Neuro Nets, etc

=== Какие будут использоваться технологии? ===
Amazon AWS, MS Azure

=== Темы вводных занятий ===
* Доступ к открытым данным с помощью Python
* Работа с MS Azure и Amazon AWS
* Работа с API карт

=== Направления развития ===
Данный проект возможно развивать как в программном, так и в аналитическом направлении. Возможно создание стартапа.

=== Критерии оценки ===
С каждым студентом будет обсуждаться ТЗ и шкала оценок.
Общий пример:
* 4-5: Реализация базовой функциональност и в зависимости от выбранной подсистемы ( Например, Добавление\Удаление данных)
* 6-7: Реализация расширенной функциональности, использование оптимизированных алгоритмов
* 8-10: Реализация с помощью нескольких технологий. Участие в обучении других участников команды

=== Ориентировочное расписание занятий ===
* ПН, ПТ, CБ - недоступен
* ВТ, СР - по согласованию
* ЧТ - 10:00-13:00, 16:00-18:00
* Место проведения занятий: Кочновский проезд, д.3

* Лучше писать на email: aparinov@hse.ru
* Консультант: Елизавета elizaveta.sivak@gmail.com

Система сбора и анализа данных взаимодействия в группе (проект)

2017-10-06T10:48:16Z

Aparinov: Система сбора и анализа мобильных данных

Система сбора и анализа данных взаимодействия в группе (проект)

2017-10-06T10:46:58Z

Aparinov: /* Темы вводных занятий */

{{Карточка_проекта
|name=Система сбора и анализа мобильных данных
|mentor=Паринов Андрей Андреевич
|mentor_login={{URLENCODE:Aparinov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=6
|categorize=yes
}}

=== Что это за проект? ===
Разработка системы для сбора данных с сенсоров мобильных телефонов (GPS, гироскоп, акселерометр и др.). Цель создания системы - прогнозирование с помощью автоматически собираемых данных изменение важных характеристик студентов/школьников (например, снижение успеваемости или появление симптомов депрессии) - целевых характеристик, данные о которых нельзя получить автоматически.
Аналогичные приложения использовались в исследованиях StudentLife и Copenhagen network study (в последнем приложение было создано на базе Funf Open Sensing Framework)

В рамках проекта каждый студент будет работать над одной из частей системы:
* Серверная часть
*Веб-клиент
*Аndroid клиент
*Iphone клиент
*Подсистема анализа

Система предназначена для:
*Хранения данных сенсоров мобильных телефонов
*Рассылки коротких вопросов о текущем психологическом состоянии и т.п. (реализация experience sampling method)
* Анализа данных и построения прогноза
Задачи:
*Разработка серверной части
*Разработка веб-клиента
*Разработка мобильного приложения

=== Чему вы научитесь? ===
Есть несколько направлений развития системы. В зависимости от выбранного направления вы будете развивать либо навыки программиста либо аналитика.

=== Какие начальные требования? ===
В зависимости от направления: Python, Java, Javascript
или: Scikit-learn, Neuro Nets, etc

=== Какие будут использоваться технологии? ===
Amazon AWS, MS Azure

=== Темы вводных занятий ===
* Доступ к открытым данным с помощью Python
* Работа с MS Azure и Amazon AWS
* Работа с API карт

=== Направления развития ===
Данный проект возможно развивать как в программном, так и в аналитическом направлении. Возможно создание стартапа.

=== Критерии оценки ===
С каждым студентом будет обсуждаться ТЗ и шкала оценок.
Общий пример:
4-5: Реализация базовой функциональност и в зависимости от выбранной подсистемы ( Например, Добавление\Удаление данных)
6-7: Реализация расширенной функциональности, использование оптимизированных алгоритмов
8-10: Реализация с помощью нескольких технологий. Участие в обучении других участников команды

=== Ориентировочное расписание занятий ===
ПН, ПТ, CБ - недоступен
ВТ, СР - по согласованию
ЧТ - 10:00-13:00, 16:00-18:00
Место проведения занятий: Кочновский проезд, д.3

Лучше писать на email: aparinov@hse.ru
Консультант: Елизавета elizaveta.sivak@gmail.com

Система сбора и анализа данных взаимодействия в группе (проект)

2017-10-06T10:43:35Z

Aparinov: Система сбора и анализа мобильных данных

{{Карточка_проекта
|name=Система сбора и анализа мобильных данных
|mentor=Паринов Андрей Андреевич
|mentor_login={{URLENCODE:Aparinov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=6
|categorize=yes
}}

=== Что это за проект? ===
Разработка системы для сбора данных с сенсоров мобильных телефонов (GPS, гироскоп, акселерометр и др.). Цель создания системы - прогнозирование с помощью автоматически собираемых данных изменение важных характеристик студентов/школьников (например, снижение успеваемости или появление симптомов депрессии) - целевых характеристик, данные о которых нельзя получить автоматически.
Аналогичные приложения использовались в исследованиях StudentLife и Copenhagen network study (в последнем приложение было создано на базе Funf Open Sensing Framework)

В рамках проекта каждый студент будет работать над одной из частей системы:
* Серверная часть
*Веб-клиент
*Аndroid клиент
*Iphone клиент
*Подсистема анализа

Система предназначена для:
*Хранения данных сенсоров мобильных телефонов
*Рассылки коротких вопросов о текущем психологическом состоянии и т.п. (реализация experience sampling method)
* Анализа данных и построения прогноза
Задачи:
*Разработка серверной части
*Разработка веб-клиента
*Разработка мобильного приложения

=== Чему вы научитесь? ===
Есть несколько направлений развития системы. В зависимости от выбранного направления вы будете развивать либо навыки программиста либо аналитика.

=== Какие начальные требования? ===
В зависимости от направления: Python, Java, Javascript
или: Scikit-learn, Neuro Nets, etc

=== Какие будут использоваться технологии? ===
Amazon AWS, MS Azure

=== Темы вводных занятий ===
1. Доступ к открытым данным с помощью Python
2. Работа с MS Azure и Amazon AWS
3. Работа с API карт

=== Направления развития ===
Данный проект возможно развивать как в программном, так и в аналитическом направлении. Возможно создание стартапа.

=== Критерии оценки ===
С каждым студентом будет обсуждаться ТЗ и шкала оценок.
Общий пример:
4-5: Реализация базовой функциональност и в зависимости от выбранной подсистемы ( Например, Добавление\Удаление данных)
6-7: Реализация расширенной функциональности, использование оптимизированных алгоритмов
8-10: Реализация с помощью нескольких технологий. Участие в обучении других участников команды

=== Ориентировочное расписание занятий ===
ПН, ПТ, CБ - недоступен
ВТ, СР - по согласованию
ЧТ - 10:00-13:00, 16:00-18:00
Место проведения занятий: Кочновский проезд, д.3

Лучше писать на email: aparinov@hse.ru
Консультант: Елизавета elizaveta.sivak@gmail.com

Система сбора и анализа данных взаимодействия в группе (проект)

2017-09-25T18:51:20Z

Aparinov: Полностью удалено содержимое страницы

Система сбора и анализа мобильных данных (проект)

2017-09-25T18:50:45Z

Aparinov: Полностью удалено содержимое страницы

Персональный медицинский помощник (проект)

2017-09-25T17:33:36Z

Aparinov: Полностью удалено содержимое страницы

Система сбора и анализа данных взаимодействия в группе (проект)

2017-09-22T12:52:48Z

Aparinov: Новая страница, с помощью формы Новый_проект

{{Карточка_проекта
|name=Система сбора и анализа данных взаимодействия в группе
|mentor=Паринов Андрей
|mentor_login={{URLENCODE:Aparinov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=4
|categorize=yes
}}

=== Что это за проект? ===
Есть идея с помощью радио-меток (RFID) изучить социальные контакты в группе или классе. Сенсоры считывают информацию о том, какие метки находятся в радиусе 1 метра, учитывают даже то, спиной или лицом находится человек и отправляют информацию на сервер. Есть сайт со схемами https://www.bitmanufactory.com/ датчиков, но самих датчиков нет. Нет и программы по расшифровке и анализу полученной информации. Надо разобраться, как такое сделать самим.

Необходимо разработать:
*Серверная часть
*Клиент часть

=== Чему вы научитесь? ===
Улучшите навыки программирования

=== Какие начальные требования? ===
Языки программирования: Javascript, Python или Java
Базы данных: PostreSQL, MS SQL Server, Mongo

=== Какие будут использоваться технологии? ===
MS Azure, Amazon Web Services

=== Темы вводных занятий ===
Занятия будут проводиться по необходимости

=== Направления развития ===
Разработка клиента или разработка сервера

=== Критерии оценки ===
4-5: Реализация базовой функциональности и в зависимости от выбранной подсистемы
6-7: Реализация расширенной функциональности, использование оптимизированных алгоритмов
8-10: Реализация с помощью нескольких технологий. Участие в обучении других участников команды

=== Ориентировочное расписание занятий ===
ПН, ПТ, CБ - недоступен
ВТ, СР - по согласованию
ЧТ - 10:00-13:00, 16:00-18:00

Лучше писать на email: aparinov@hse.ru

Система сбора и анализа мобильных данных (проект)

2017-09-22T12:46:43Z

Aparinov:

{{Карточка_проекта
|name=Система сбора и анализа мобильных данных
|mentor=Паринов Андрей Андреевич, Департамент Анализа Данных и Искусственного Интеллекта
|mentor_login={{URLENCODE:Aparinov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=6
|categorize=yes
}}

=== Что это за проект? ===
Разработка системы для сбора данных с сенсоров мобильных телефонов (GPS, гироскоп, акселерометр и др.). Цель создания системы - прогнозирование с помощью автоматически собираемых данных изменение важных характеристик студентов/школьников (например, снижение успеваемости или появление симптомов депрессии) - целевых характеристик, данные о которых нельзя получить автоматически.
Аналогичные приложения использовались в исследованиях StudentLife и Copenhagen network study (в последнем приложение было создано на базе Funf Open Sensing Framework)

В рамках проекта каждый студент будет работать над одной из частей системы:
* Серверная часть
*Веб-клиент
*Аndroid клиент
*Iphone клиент
*Подсистема анализа

Система предназначена для:
*Хранения данных сенсоров мобильных телефонов
*Рассылки коротких вопросов о текущем психологическом состоянии и т.п. (реализация experience sampling method)
* Анализа данных и построения прогноза
Задачи:
*Разработка серверной части
*Разработка веб-клиента
*Разработка мобильного приложения

=== Чему вы научитесь? ===
Есть несколько направлений развития системы. В зависимости от выбранного направления вы будете развивать либо навыки программиста либо аналитика.

=== Какие начальные требования? ===
В зависимости от направления: Python, Java, Javascript
или: Scikit-learn, Neuro Nets, etc

=== Какие будут использоваться технологии? ===
Google App Engine, Amazon Azure

=== Темы вводных занятий ===
В зависимости от начального уровня.

=== Направления развития ===
Данный проект возможно развивать как в программном, так и в аналитическом направлении. Возможно создание стартапа.

=== Критерии оценки ===
С каждым студентом будет обсуждаться ТЗ и шкала оценок.
Общий пример:
4-5: Реализация базовой функциональност и в зависимости от выбранной подсистемы ( Например, Добавление\Удаление данных)
6-7: Реализация расширенной функциональности, использование оптимизированных алгоритмов
8-10: Реализация с помощью нескольких технологий. Участие в обучении других участников команды

=== Ориентировочное расписание занятий ===
ПН, ПТ, CБ - недоступен
ВТ, СР - по согласованию
ЧТ - 10:00-13:00, 16:00-18:00

Лучше писать на email: aparinov@hse.ru

Система сбора и анализа мобильных данных (проект)

2017-09-22T12:28:19Z

Aparinov:

{{Карточка_проекта
|name=Система сбора и анализа мобильных данных
|mentor=Паринов Андрей Андреевич, Департамент Анализа Данных и Искусственного Интеллекта
|mentor_login={{URLENCODE:Aparinov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=6
|categorize=yes
}}

=== Что это за проект? ===
Разработка системы для сбора данных с сенсоров мобильных телефонов (GPS, гироскоп, акселерометр и др.). Цель создания системы - прогнозирование с помощью автоматически собираемых данных изменение важных характеристик студентов/школьников (например, снижение успеваемости или появление симптомов депрессии) - целевых характеристик, данные о которых нельзя получить автоматически.
Аналогичные приложения использовались в исследованиях StudentLife и Copenhagen network study (в последнем приложение было создано на базе Funf Open Sensing Framework)

Одним из направлений является исследование взаимодействия в группе. Идея в том, чтобы с помощью радио-меток (RFID) изучить социальные контакты в группе или классе. Сенсоры считывают информацию о том, какие метки находятся в радиусе 1 метра, учитывают даже то, спиной или лицом находится человек и отправляют информацию на сервер. Есть сайт со схемами https://www.bitmanufactory.com/ датчиков, но самих датчиков нет. Нет и программы по расшифровке и анализу полученной информации. Хочется разобраться, можно ли такое сделать самим.

В рамках проекта каждый студент будет работать над одной из частей системы:
* Серверная часть
*Веб-клиент
*Аndroid клиент
*Iphone клиент
*Подсистема анализа

Система предназначена для:
*Хранения данных сенсоров мобильных телефонов
*Рассылки коротких вопросов о текущем психологическом состоянии и т.п. (реализация experience sampling method)
* Анализа данных и построения прогноза
Задачи:
*Разработка серверной части
*Разработка веб-клиента
*Разработка мобильного приложения

=== Чему вы научитесь? ===
Есть несколько направлений развития системы. В зависимости от выбранного направления вы будете развивать либо навыки программиста либо аналитика.

=== Какие начальные требования? ===
В зависимости от направления: Python, Java, Javascript
или: Scikit-learn, Neuro Nets, etc

=== Какие будут использоваться технологии? ===
Google App Engine, Amazon Azure

=== Темы вводных занятий ===
В зависимости от начального уровня.

=== Направления развития ===
Данный проект возможно развивать как в программном, так и в аналитическом направлении. Возможно создание стартапа.

=== Критерии оценки ===
С каждым студентом будет обсуждаться ТЗ и шкала оценок.
Общий пример:
4-5: Реализация базовой функциональност и в зависимости от выбранной подсистемы ( Например, Добавление\Удаление данных)
6-7: Реализация расширенной функциональности, использование оптимизированных алгоритмов
8-10: Реализация с помощью нескольких технологий. Участие в обучении других участников команды

=== Ориентировочное расписание занятий ===
ПН, ПТ, CБ - недоступен
ВТ, СР - по согласованию
ЧТ - 10:00-13:00, 16:00-18:00

Лучше писать на email: aparinov@hse.ru

Система сбора и анализа мобильных данных (проект)

2017-09-22T12:21:11Z

Aparinov: Разработка системы для сбора данных с сенсоров мобильных телефонов

{{Карточка_проекта
|name=Система сбора и анализа мобильных данных
|mentor=Паринов Андрей Андреевич, Департамент Анализа Данных и Искусственного Интеллекта
|mentor_login={{URLENCODE:Aparinov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=6
|categorize=yes
}}

=== Что это за проект? ===
Разработка системы для сбора данных с сенсоров мобильных телефонов (GPS, гироскоп, акселерометр и др.). Цель создания системы - прогнозирование с помощью автоматически собираемых данных изменение важных характеристик студентов/школьников (например, снижение успеваемости или появление симптомов депрессии) - целевых характеристик, данные о которых нельзя получить автоматически.
Аналогичные приложения использовались в исследованиях StudentLife и Copenhagen network study (в последнем приложение было создано на базе Funf Open Sensing Framework)

Одним из направлений является исследование взаимодействия в группе. Идея в том, чтобы с помощью радио-меток (RFID) изучить социальные контакты в группе или классе. Сенсоры считывают информацию о том, какие метки находятся в радиусе 1 метра, учитывают даже то, спиной или лицом находится человек и отправляют информацию на сервер. Есть сайт со схемами https://www.bitmanufactory.com/ датчиков, но самих датчиков нет. Нет и программы по расшифровке и анализу полученной информации. Хочется разобраться, можно ли такое сделать самим.

В рамках проекта каждый студент будет работать над одной из частей системы:
1. Серверная часть
2. Веб-клиент
3. Аndroid клиент
4. Iphone клиент
5. Подсистема анализа

Система предназначена для:
*Хранения данных сенсоров мобильных телефонов
*Рассылки коротких вопросов о текущем психологическом состоянии и т.п. (реализация experience sampling method)
* Анализа данных и построения прогноза
Задачи:
•Разработка серверной части
•Разработка веб-клиента
•Разработка мобильного приложения

=== Чему вы научитесь? ===
Есть несколько направлений развития системы. В зависимости от выбранного направления вы будете развивать либо навыки программиста либо аналитика.

=== Какие начальные требования? ===
В зависимости от направления: Python, Java, Javascript
или: Scikit-learn, Neuro Nets, etc

=== Какие будут использоваться технологии? ===
Google App Engine, Amazon Azure

=== Темы вводных занятий ===
В зависимости от начального уровня.

=== Направления развития ===
Данный проект возможно развивать как в программном, так и в аналитическом направлении. Возможно создание стартапа.

=== Критерии оценки ===
С каждым студентом будет обсуждаться ТЗ и шкала оценок.
Общий пример:
4-5: Реализация базовой функциональност и в зависимости от выбранной подсистемы ( Например, Добавление\Удаление данных)
6-7: Реализация расширенной функциональности, использование оптимизированных алгоритмов
8-10: Реализация с помощью нескольких технологий. Участие в обучении других участников команды

=== Ориентировочное расписание занятий ===
ПН, ПТ, CБ - недоступен
ВТ, СР - по согласованию
ЧТ - 10:00-13:00, 16:00-18:00

Лучше писать на email: aparinov@hse.ru

Система сбора и анализа мобильных данных (проект)

2017-09-22T12:12:49Z

Aparinov: Новая страница, с помощью формы Новый_проект

{{Карточка_проекта
|name=Система сбора и анализа мобильных данных
|mentor=Паринов Андрей Андреевич, Департамент Анализа Данных и Искусственного Интеллекта
|mentor_login={{URLENCODE:Aparinov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=6
|categorize=yes
}}

=== Что это за проект? ===
Разработка системы для сбора данных с сенсоров мобильных телефонов (GPS, гироскоп, акселерометр и др.). Цель создания системы - прогнозирование с помощью автоматически собираемых данных изменение важных характеристик студентов/школьников (например, снижение успеваемости или появление симптомов депрессии) - целевых характеристик, данные о которых нельзя получить автоматически.
Аналогичные приложения использовались в исследованиях StudentLife и Copenhagen network study (в последнем приложение было создано на базе Funf Open Sensing Framework)

Одним из направлений является исследование взаимодействия в группе. Идея в том, чтобы с помощью радио-меток (RFID) изучить социальные контакты в группе или классе. Сенсоры считывают информацию о том, какие метки находятся в радиусе 1 метра, учитывают даже то, спиной или лицом находится человек и отправляют информацию на сервер. Есть сайт со схемами https://www.bitmanufactory.com/ датчиков, но самих датчиков нет. Нет и программы по расшифровке и анализу полученной информации. Хочется разобраться, можно ли такое сделать самим.

В рамках проекта каждый студент будет работать над одной из частей системы:
1. Серверная часть
2. Веб-клиент
3. Аndroid клиент
4. Iphone клиент
5. Подсистема анализа

Платформа предназначена для:
1. Хранения данных самонаблюдения хронических больных диабетом и сердечно-сосудистые заболеваний;
2. Интеграции с системами хранения персональных медицинских данных (Microsoft Health Vault, CardioCloud, etc.)
3. Хранение информации о принимаемых лекарствах;
4. Построение прогноза о дозировке

=== Чему вы научитесь? ===
Есть несколько направлений развития системы. В зависимости от выбранного направления вы будете развивать либо навыки программиста либо аналитика.

=== Какие начальные требования? ===
В зависимости от направления: Python, Java, Javascript
или: Scikit-learn, Neuro Nets, etc

=== Какие будут использоваться технологии? ===
Google App Engine, Amazon Azure

=== Темы вводных занятий ===
В зависимости от начального уровня.

=== Направления развития ===
Данный проект возможно развивать как в программном, так и в аналитическом направлении. Возможно создание стартапа.

=== Критерии оценки ===
С каждым студентом будет обсуждаться ТЗ и шкала оценок.
Общий пример:
4-5: Реализация базовой функциональност и в зависимости от выбранной подсистемы ( Например, Добавление\Удаление данных)
6-7: Реализация расширенной функциональности, использование оптимизированных алгоритмов
8-10: Реализация с помощью нескольких технологий. Участие в обучении других участников команды

=== Ориентировочное расписание занятий ===
ПН, ПТ, CБ - недоступен
ВТ, СР - по согласованию
ЧТ - 10:00-13:00, 16:00-18:00

Лучше писать на email: aparinov@hse.ru

Персональный медицинский помощник (проект)

2017-09-11T09:51:28Z

Aparinov: Новая страница, с помощью формы Новый_проект

{{Карточка_проекта
|name=Персональный медицинский помощник
|mentor=Паринов Андрей
|mentor_login={{URLENCODE:Aparinov|WIKI}}
|semester=Осень 2017
|course=2
|summer=on
|number_of_students=5
|categorize=yes
}}

=== Что это за проект? ===
Платформа предназначена для:
1. Хранения данных самонаблюдения хронических больных диабетом и сердечно-сосудистые заболеваний;
2. Интеграции с системами хранения персональных медицинских данных (Microsoft Health Vault, CardioCloud, etc.)
3. Хранение информации о принимаемых лекарствах;
4. Построение прогноза о дозировке

=== Чему вы научитесь? ===
В рамках проекта каждый студент будет работать над одной из частей системы:
1. Серверная часть
2. Веб-клиент
3. Аndroid клиент
4. Iphone клиент
5. Подсистема анализа

=== Какие начальные требования? ===
Языки программирования: Javascript, Python или Java
Базы данных: PostreSQL, MS SQL Server, Mongo

=== Какие будут использоваться технологии? ===
MS Azure, Amazon Web Services

=== Темы вводных занятий ===
Занятия будут проводиться по необходимости

=== Направления развития ===
1. Серверная часть
2. Веб-клиент
3. Аndroid клиент
4. Iphone клиент
5. Подсистема анализа

=== Критерии оценки ===
4-5: Реализация базовой функциональност и в зависимости от выбранной подсистемы ( Добавление\Удаление данных)
6-7: Реализация расширенной функциональности, использование оптимизированных алгоритмов
8-10: Реализация с помощью нескольких технологий. Участие в обучении других участников команды

=== Ориентировочное расписание занятий ===
ПН, ПТ, CБ - недоступен
ВТ, СР - по согласованию
ЧТ - 10:00-13:00, 16:00-18:00

Лучше писать на email: aparinov@hse.ru

Программирование на графических процессорах

2017-03-23T10:56:46Z

Aparinov:

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле.

Проводится с 2016 года.

'''Лектор:''' [http://www.hse.ru/staff/aparinov Паринов Андрей Андреевич]
'''Email:''' aparinov1@gmail.com

=== Полезные ссылки ===
* [https://goo.gl/forms/wwIbiskJRnbelIkx2 Опрос ]
* [http://bit.ly/2iZFdxJ Установка драйвера]
* [https://github.com/aparinov/17_1_hse_cuda.git Репозиторий]
* [http://bit.ly/2msLkfq Программа курса]

'''Формула оценивания'''
* Оитоговая = 0,7·Опромежуточная + 0,3*Оэкзамен
* Опромежуточная = 0,1·Одз1 + 0,4·Одз2 + 0,4·Остатья + 0,1·Одоклад
* Остатья = 0,5·Опрограмма +0,4·Оописание работы алгоритма + 0,1·Овыступление

'''Расписание'''
* Лекции проходят в 3-м модуле по вторникам, 15:10 - 18:30, ауд. 301.
* Занятия: 10 января – 26 марта
* Сессия: 27 марта – 02 апреля
* '''Экзамен''': 31 марта в 10:30, ауд. 505

'''Замечания'''
* Материалы курса содержаться в системе Onenote ClassNotebook. Все студенты курса получают доступ с помощью аккаунта в домене @edu.hse.ru
* Все дедлайны жесткие - т.е. после дедлайна работа не принимается
* Письма присланные с неправильно указанной темой или без темы не рассматриваются
* Письма присланные не на ящик aparinov1@gmail.com не рассматриваются
* Все письма необходимо писать на email: aparinov1@gmail.com
* В теме обычных писем необходимо указывать текст: 17_CUDA
* В теме писем с первым домашним заданием необходимо указывать текст: 17_CUDA_ht1
* В теме писем с вторым домашним заданием необходимо указывать текст: 17_CUDA_ht2
* В теме писем с научной статьей необходимо указывать текст: 17_CUDA_paper
* В теме писем с докладом необходимо указывать текст: 17_CUDA_report

'''Контрольные сроки''' 
Февраль
* 7 - Получение ДЗ1
* 24 - Сдача ДЗ1
* 28 - Выдача ДЗ2
* 28 - Окончательный выбор статьи
Март
* 21 - Сдача кода и отчета статьи
* 21 - Сдача ДЗ2
* 21 - Доклады по статье

Программирование на графических процессорах

2017-03-10T10:59:59Z

Aparinov:

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле.

Проводится с 2016 года.

'''Лектор:''' [http://www.hse.ru/staff/aparinov Паринов Андрей Андреевич]
'''Email:''' aparinov1@gmail.com

=== Полезные ссылки ===
* [https://goo.gl/forms/wwIbiskJRnbelIkx2 Опрос ]
* [http://bit.ly/2iZFdxJ Установка драйвера]
* [https://github.com/aparinov/17_1_hse_cuda.git Репозиторий]
* [http://bit.ly/2msLkfq Программа курса]

'''Формула оценивания'''
* Оитоговая = 0,7·Опромежуточная + 0,3*Оэкзамен
* Опромежуточная = 0,1·Одз1 + 0,4·Одз2 + 0,4·Остатья + 0,1·Одоклад
* Остатья = 0,5·Опрограмма +0,4·Оописание работы алгоритма + 0,1·Овыступление

'''Расписание'''
* Лекции проходят в 3-м модуле по вторникам, 15:10 - 18:30, ауд. 301.
* Занятия: 10 января – 26 марта
* Сессия: 27 марта – 02 апреля
* Экзамен: 31 марта в 13:30, ауд. 505

'''Замечания'''
* Материалы курса содержаться в системе Onenote ClassNotebook. Все студенты курса получают доступ с помощью аккаунта в домене @edu.hse.ru
* Все дедлайны жесткие - т.е. после дедлайна работа не принимается
* Письма присланные с неправильно указанной темой или без темы не рассматриваются
* Письма присланные не на ящик aparinov1@gmail.com не рассматриваются
* Все письма необходимо писать на email: aparinov1@gmail.com
* В теме обычных писем необходимо указывать текст: 17_CUDA
* В теме писем с первым домашним заданием необходимо указывать текст: 17_CUDA_ht1
* В теме писем с вторым домашним заданием необходимо указывать текст: 17_CUDA_ht2
* В теме писем с научной статьей необходимо указывать текст: 17_CUDA_paper
* В теме писем с докладом необходимо указывать текст: 17_CUDA_report

'''Контрольные сроки''' 
Февраль
* 7 - Получение ДЗ1
* 24 - Сдача ДЗ1
* 28 - Выдача ДЗ2
* 28 - Окончательный выбор статьи
Март
* 21 - Сдача кода и отчета статьи
* 21 - Сдача ДЗ2
* 21 - Доклады по статье

Программирование на графических процессорах

2017-03-10T10:28:38Z

Aparinov:

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле.

Проводится с 2016 года.

'''Лектор:''' [http://www.hse.ru/staff/aparinov Паринов Андрей Андреевич]
'''Email:''' aparinov1@gmail.com

=== Полезные ссылки ===
* [https://goo.gl/forms/wwIbiskJRnbelIkx2 Опрос ]
* [http://bit.ly/2iZFdxJ Установка драйвера]
* [https://github.com/aparinov/17_1_hse_cuda.git Репозиторий]

'''Формула оценивания'''
* Оитоговая = 0,7·Опромежуточная + 0,3*Оэкзамен
* Опромежуточная = 0,1·Одз1 + 0,4·Одз2 + 0,4·Остатья + 0,1·Одоклад
* Остатья = 0,5·Опрограмма +0,4·Оописание работы алгоритма + 0,1·Овыступление

'''Расписание'''
* Лекции проходят в 3-м модуле по вторникам, 15:10 - 18:30, ауд. 301.
* Занятия: 10 января – 26 марта
* Сессия: 27 марта – 02 апреля
* Экзамен: 31 марта в 13:30, ауд. 505

'''Замечания'''
* Материалы курса содержаться в системе Onenote ClassNotebook. Все студенты курса получают доступ с помощью аккаунта в домене @edu.hse.ru
* Все дедлайны жесткие - т.е. после дедлайна работа не принимается
* Письма присланные с неправильно указанной темой или без темы не рассматриваются
* Письма присланные не на ящик aparinov1@gmail.com не рассматриваются
* Все письма необходимо писать на email: aparinov1@gmail.com
* В теме обычных писем необходимо указывать текст: 17_CUDA
* В теме писем с первым домашним заданием необходимо указывать текст: 17_CUDA_ht1
* В теме писем с вторым домашним заданием необходимо указывать текст: 17_CUDA_ht2
* В теме писем с научной статьей необходимо указывать текст: 17_CUDA_paper
* В теме писем с докладом необходимо указывать текст: 17_CUDA_report

'''Контрольные сроки''' 
Февраль
* 7 - Получение ДЗ1
* 24 - Сдача ДЗ1
* 28 - Выдача ДЗ2
* 28 - Окончательный выбор статьи
Март
* 21 - Сдача кода и отчета статьи
* 21 - Сдача ДЗ2
* 21 - Доклады по статье

Программирование на графических процессорах

2017-03-10T10:27:31Z

Aparinov: программирование на граф. процессорах

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле.

Проводится с 2016 года.

'''Лектор:''' [http://www.hse.ru/staff/aparinov Паринов Андрей Андреевич]
'''Email:''' aparinov1@gmail.com

=== Полезные ссылки ===
* [https://goo.gl/forms/wwIbiskJRnbelIkx2 Опрос ]
* [http://bit.ly/2iZFdxJ Установка драйвера]
* [https://github.com/aparinov/17_1_hse_cuda.git Репозиторий]

'''Формула оценивания'''
* Оитоговая = 0,7·Опромежуточная + 0,3*Оэкзамен
* Опромежуточная = 0,1·Одз1 + 0,4·Одз2 + 0,4·Остатья + 0,1·Одоклад
* Остатья = 0,5·Опрограмма +0,4·Оописание работы алгоритма + 0,1·Овыступление

'''Расписание'''
* Лекции проходят в 3-м модуле по вторникам, 15:10 - 18:30, ауд. 301.
* Занятия: 10 января – 26 марта
* Сессия: 27 марта – 02 апреля
* Экзамен: 31 марта в 13:30, ауд. 505

'''Замечания'''
* Материалы курса содержаться в системе Onenote ClassNotebook. Все студенты курса получают доступ с помощью аккаунта в домене @edu.hse.ru
* Все дедлайны жесткие - т.е. после дедлайна работа не принимается
* Письма присланные с неправильно указанной темой или без темы не рассматриваются
* Письма присланные не на ящик aparinov1@gmail.com не рассматриваются
*
* Все письма необходимо писать на email: aparinov1@gmail.com
* В теме обычных писем необходимо указывать текст: 17_CUDA
* В теме писем с первым домашним заданием необходимо указывать текст: 17_CUDA_ht1
* В теме писем с вторым домашним заданием необходимо указывать текст: 17_CUDA_ht2
* В теме писем с научной статьей необходимо указывать текст: 17_CUDA_paper
* В теме писем с докладом необходимо указывать текст: 17_CUDA_report

'''Контрольные сроки'''
Февраль
* 7 - Получение ДЗ1
* 24 - Сдача ДЗ1
* 28 - Выдача ДЗ2
* 28 - Окончательный выбор статьи
Март
* 21 - Сдача кода и отчета статьи
* 21 - Сдача ДЗ2
* 21 - Доклады по статье

Программирование на графических процессорах

2017-01-10T11:21:29Z

Aparinov:

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле.

Проводится с 2016 года.

'''Лектор:''' [http://www.hse.ru/staff/aparinov Паринов Андрей Андреевич]
'''Email:''' aparinov1@gmail.com

Лекции проходят по вторникам, 15:10 - 18:30, ауд. 301.

=== Полезные ссылки ===

[https://goo.gl/forms/wwIbiskJRnbelIkx2 Опрос ]
[http://bit.ly/2iZFdxJ Установка драйвера]

О факультете

2017-01-10T11:20:23Z

Aparinov: Программирование на графических процессорах

__NOTOC__

== Учебные курсы факультета компьютерных наук==

=== Курсы за 2016/17 учебный год ===
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3-4 курс !! майноры
|-
|

[[Математический анализ на ПМИ_2016/2017 | Математический анализ на ПМИ (пилотный поток)]]

[[Линейная алгебра и геометрия_2016/2017 | Линейная алгебра и геометрия на ПМИ]]

[[Дискретная_математика_1_2016/2017 | Дискретная математика-1 на ПМИ]]

[[Основы и методология программирования_2016/2017_пилотный_поток | Основы и методология программирования на ПМИ (пилотный поток)]]

[[Основы и методология программирования_2016/2017 | Основы и методология программирования на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_(пилотный_поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

[http://hsealgebra17.wikidot.com/ Алгебра на ПИ]

||

[[Математический анализ_2016/2017 | Математический анализ-3 на ПМИ (основной поток)]]

[[Математически_анализ_3_на_ПМИ_(пилотный_поток) | Математический анализ-3 на ПМИ (пилотный поток)]]

[[DM_2_2016_2017 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Дискретная математика_2_2016/2017 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[Алгоритмы и структуры данных_2_2016/2017 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Теория вероятностей_2016/2017 | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2016/2017_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы]]

[[Факультатив_теория_вычислений_2016/2017 | Факультатив теория вычислений на ПМИ]]

||

[[НИС_Машинное_обучение_и_приложения_2016/2017 | НИС Машинное обучение и приложения на ПМИ]]

[[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]

[[Прикладной_статистический_анализ_данных | Прикладной статистический анализ данных на ПМИ]]

[[Численные_методы_в_анализе_данных | Численные методы в анализе данных на ПМИ]]

[[НИС_Распределенные_системы_(осень_2016) | НИС Распределенные системы]]

[[Анализ и верификация алгоритмов биржевой торговли | Анализ и верификация алгоритмов для систем биржевой торговли ]]

[[Программирование_на_графических_процессорах | Программирование на графических процессорах]]

||

[[Современные_методы_машинного_обучения_(курс_майнора) | Современные методы машинного обучения (курс майнора)]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_программирование_2016/2017 | Введение в программирование (курс майнора)]]

|}

{|width=100%
|style="vertical-align:top;"|



=== Курсы за 2015/16 учебный год ===
{|
|-
| [[Технологии программирования|Технологии программирования на ПМИ]]
|-
|[[ОиМП-2015|Основы и методология программирования на ПМИ]]
|-
|[[Алгоритмы и структуры данных]]
|-
|[[Линейная алгебра и геометрия_2015/2016 | Линейная алгебра и геометрия на ПМИ]]
|-
|[[Алгебра_2015/2016 | Алгебра на ПМИ]]
|-
|[http://hsealgebra.wikidot.com/ Алгебра на ПИ]
|-
|[[Компьютерные системы]]
|-
|[[Математический анализ на ПМИ_2015/2016 | Математический анализ на ПМИ]]
|-
|[[Факультатив_Матпрактикум | Матпрактикум (факультатив) на ПМИ]]
|-
|[[Data analysis (Software Engineering)]] 
|-
|[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора) на ПМИ]]
|-
|[[Майнор Интеллектуальный анализ данных/Введение в анализ данных|Введение в анализ данных (курс майнора) на ПМИ]]
|-
|[[НИС Машинное обучение и приложения|НИС Машинное обучение и приложения на ПМИ]]
|-
|[[Архитектура компьютеров и системное программирование (ПМИ_4, 2015/2016)|Архитектура компьютеров и системное программирование (4 курс)]]
|-
|[[Дифференциальные уравнения (2 курс, 2015/2016)| Дифференциальные уравнения]]
|-
|[[Введение в VBA|Введение в VBA]]
|}

|style="vertical-align:top;"|



=== Курсы за 2014/15 учебный год ===
{|
|-
|[[Основы и методологии программирования]] 
|-
|[[Алгоритмы и структуры данных 2015 | Алгоритмы и структуры данных]] 
|-
|[[Анализ данных (Программная инженерия)]] 
|-
|[[Алгебра_2014/2015 | Алгебра]] 
|-
|[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]
|}

==== Проектная работа ====
{|
|-
|[[Проектная работа]] 
|-
|[[Учебная практика 1 курс (2016)]]
|-
|[[Проектная работа 2 курс (2016)]]
|}


|}

== Мероприятия факультета компьютерных наук ==
=== Summer School 2015 ===
[[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]
#[[Lecture 1. Introduction|Introduction]]
#[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]
#[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]
#[[Lecture 4. Parsing|Parsing]]
#[[Lecture 5. Language sources|Language sources]]
#[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]
#[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]
#[[NLP References|References]]

== Архив ==
* [[Учебная практика 1 курс (2015)]]

Программирование на графических процессорах

2017-01-10T11:17:39Z

Aparinov: Паринов. Программирование на графических процессорах

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-10-23T17:22:24Z

Aparinov:

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
В случае отправления писем или сообщений на другие email ящики (IM), ответ не гарантирован. Домашние задания отправленные на другие ящики не принимаются к проверке. 
При обращении по почте, начинайте тему письма со слов 
''[Майнор2016 ИАД2]'' для студентов из группы ИАД 2
''[Майнор2016 ИАД6]'' для студентов из группы ИАД 6

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 

'''Таблица с оценками''' [http://bit.ly/2cZjDXA] 
Результирующая оценка по дисциплине рассчитывается по формуле: Oитог=0.7 Oнакопл+0.3 Oэкз 
Накопленная оценка рассчитывается по формуле: Oнакопл=0.15 Oсамост+0.15 Oауд+0.5 Oдз+0.2 Oколлоквиум
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь]. 
Анонимные комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [[http://bit.ly/2cqeQ20 Data&Notebook]] 
'''3) 29 Сентября 2016:''' Предобработка данных. - [[http://bit.ly/2dtjsRz Notebook]] 
'''4) 6 Октября 2016:''' Предобработка данных 2 - [[https://www.dropbox.com/sh/xki4ui31gdbm42d/AABw9_z02RDt67RSf7vkN1U5a?dl=0 Notebook]] 
'''5) 20 Октября 2016:''' Bagging.RF.Boosting - [[https://www.dropbox.com/s/hvbben268yd7l5p/baggingRFBoosting.zip?dl=0 Notebook]] 
'''6) 20 Октября 2016:''' Multilayered Perceptron - [https://www.dropbox.com/s/pq0tsya61uljr9w/6.MLP.ipynb?dl=0 Notebook]] 
== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 
[[http://nbviewer.jupyter.org/github/aparinov/hse-minor2016/blob/master/hw2.ipynb ДЗ 2.]]
[https://www.dropbox.com/s/054unjn4bfo0khj/STUDENT%20ALCOHOL%20CONSUMPTION.pdf?dl=0 Статья] ''Срок - 26 Октября 2016''

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-10-20T12:17:50Z

Aparinov:

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
В случае отправления писем или сообщений на другие email ящики (IM), ответ не гарантирован. Домашние задания отправленные на другие ящики не принимаются к проверке. 
При обращении по почте, начинайте тему письма со слов 
''[Майнор2016 ИАД2]'' для студентов из группы ИАД 2
''[Майнор2016 ИАД6]'' для студентов из группы ИАД 6

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 

'''Таблица с оценками''' [http://bit.ly/2cZjDXA] 
Результирующая оценка по дисциплине рассчитывается по формуле: Oитог=0.7 Oнакопл+0.3 Oэкз 
Накопленная оценка рассчитывается по формуле: Oнакопл=0.15 Oсамост+0.15 Oауд+0.5 Oдз+0.2 Oколлоквиум
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь]. 
Анонимные комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [[http://bit.ly/2cqeQ20 Data&Notebook]] 
'''3) 29 Сентября 2016:''' Предобработка данных. - [[http://bit.ly/2dtjsRz Notebook]] 
'''4) 6 Октября 2016:''' Предобработка данных 2 - [[https://www.dropbox.com/sh/xki4ui31gdbm42d/AABw9_z02RDt67RSf7vkN1U5a?dl=0 Notebook]] 
'''5) 20 Октября 2016:''' Bagging.RF.Boosting - [[https://www.dropbox.com/s/hvbben268yd7l5p/baggingRFBoosting.zip?dl=0 Notebook]] 
'''6) 20 Октября 2016:''' Multilayered Perceptron - [https://www.dropbox.com/s/pq0tsya61uljr9w/6.MLP.ipynb?dl=0 Notebook]] 
== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 
[[http://nbviewer.jupyter.org/github/aparinov/hse-minor2016/blob/master/hw2.ipynb ДЗ 2.]]
[https://www.dropbox.com/s/054unjn4bfo0khj/STUDENT%20ALCOHOL%20CONSUMPTION.pdf?dl=0 Статья] ''Срок - 23 Октября 2016''

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-10-20T06:48:24Z

Aparinov:

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
В случае отправления писем или сообщений на другие email ящики (IM), ответ не гарантирован. Домашние задания отправленные на другие ящики не принимаются к проверке. 
При обращении по почте, начинайте тему письма со слов 
''[Майнор2016 ИАД2]'' для студентов из группы ИАД 2
''[Майнор2016 ИАД6]'' для студентов из группы ИАД 6

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 

'''Таблица с оценками''' [http://bit.ly/2cZjDXA] 
Результирующая оценка по дисциплине рассчитывается по формуле: Oитог=0.7 Oнакопл+0.3 Oэкз 
Накопленная оценка рассчитывается по формуле: Oнакопл=0.15 Oсамост+0.15 Oауд+0.5 Oдз+0.2 Oколлоквиум
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь]. 
Анонимные комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [[http://bit.ly/2cqeQ20 Data&Notebook]] 
'''3) 29 Сентября 2016:''' Предобработка данных. - [[http://bit.ly/2dtjsRz Notebook]] 
'''4) 6 Октября 2016:''' Предобработка данных 2 - [[https://www.dropbox.com/sh/xki4ui31gdbm42d/AABw9_z02RDt67RSf7vkN1U5a?dl=0 Notebook]] 
'''6) 20 Октября 2016:''' Bagging.RF.Boosting - [[https://www.dropbox.com/s/hvbben268yd7l5p/baggingRFBoosting.zip?dl=0 Notebook]] 
== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 
[[http://nbviewer.jupyter.org/github/aparinov/hse-minor2016/blob/master/hw2.ipynb ДЗ 2.]]
[https://www.dropbox.com/s/054unjn4bfo0khj/STUDENT%20ALCOHOL%20CONSUMPTION.pdf?dl=0 Статья] ''Срок - 23 Октября 2016''

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-10-15T15:18:54Z

Aparinov:

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
В случае отправления писем или сообщений на другие email ящики (IM), ответ не гарантирован. Домашние задания отправленные на другие ящики не принимаются к проверке. 
При обращении по почте, начинайте тему письма со слов 
''[Майнор2016 ИАД2]'' для студентов из группы ИАД 2
''[Майнор2016 ИАД6]'' для студентов из группы ИАД 6

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 

'''Таблица с оценками''' [http://bit.ly/2cZjDXA] 
Результирующая оценка по дисциплине рассчитывается по формуле: Oитог=0.7 Oнакопл+0.3 Oэкз 
Накопленная оценка рассчитывается по формуле: Oнакопл=0.15 Oсамост+0.15 Oауд+0.5 Oдз+0.2 Oколлоквиум
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь]. 
Анонимные комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [[http://bit.ly/2cqeQ20 Data&Notebook]] 
'''3) 29 Сентября 2016:''' Предобработка данных. - [[http://bit.ly/2dtjsRz Notebook]] 
'''4) 6 Октября 2016:''' Предобработка данных 2 - [[https://www.dropbox.com/sh/xki4ui31gdbm42d/AABw9_z02RDt67RSf7vkN1U5a?dl=0 Notebook]] 
== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 
[[http://nbviewer.jupyter.org/github/aparinov/hse-minor2016/blob/master/hw2.ipynb ДЗ 2.]]
[https://www.dropbox.com/s/054unjn4bfo0khj/STUDENT%20ALCOHOL%20CONSUMPTION.pdf?dl=0 Статья] ''Срок - 23 Октября 2016''

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-10-15T15:18:16Z

Aparinov:

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
В случае отправления писем или сообщений на другие email ящики (IM), ответ не гарантирован. Домашние задания отправленные на другие ящики не принимаются.
При обращении по почте, начинайте тему письма со слов 
''[Майнор2016 ИАД2]'' для студентов из группы ИАД 2
''[Майнор2016 ИАД6]'' для студентов из группы ИАД 6

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 

'''Таблица с оценками''' [http://bit.ly/2cZjDXA] 
Результирующая оценка по дисциплине рассчитывается по формуле: Oитог=0.7 Oнакопл+0.3 Oэкз 
Накопленная оценка рассчитывается по формуле: Oнакопл=0.15 Oсамост+0.15 Oауд+0.5 Oдз+0.2 Oколлоквиум
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь]. 
Анонимные комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [[http://bit.ly/2cqeQ20 Data&Notebook]] 
'''3) 29 Сентября 2016:''' Предобработка данных. - [[http://bit.ly/2dtjsRz Notebook]] 
'''4) 6 Октября 2016:''' Предобработка данных 2 - [[https://www.dropbox.com/sh/xki4ui31gdbm42d/AABw9_z02RDt67RSf7vkN1U5a?dl=0 Notebook]] 
== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 
[[http://nbviewer.jupyter.org/github/aparinov/hse-minor2016/blob/master/hw2.ipynb ДЗ 2.]]
[https://www.dropbox.com/s/054unjn4bfo0khj/STUDENT%20ALCOHOL%20CONSUMPTION.pdf?dl=0 Статья] ''Срок - 23 Октября 2016''

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-10-14T21:00:23Z

Aparinov:

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (mailto:aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
При обращении по почте, начинайте тему письма со слов 
''[Майнор2016 ИАД2]'' для студентов из группы ИАД 2
''[Майнор2016 ИАД6]'' для студентов из группы ИАД 6

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 

'''Таблица с оценками''' [http://bit.ly/2cZjDXA] 
Результирующая оценка по дисциплине рассчитывается по формуле: Oитог=0.7 Oнакопл+0.3 Oэкз 
Накопленная оценка рассчитывается по формуле: Oнакопл=0.15 Oсамост+0.15 Oауд+0.5 Oдз+0.2 Oколлоквиум
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь]. 
Анонимные комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [[http://bit.ly/2cqeQ20 Data&Notebook]] 
'''3) 29 Сентября 2016:''' Предобработка данных. - [[http://bit.ly/2dtjsRz Notebook]] 
'''4) 6 Октября 2016:''' Предобработка данных 2 - [[https://www.dropbox.com/sh/xki4ui31gdbm42d/AABw9_z02RDt67RSf7vkN1U5a?dl=0 Notebook]] 
== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 
[[http://nbviewer.jupyter.org/github/aparinov/hse-minor2016/blob/master/hw2.ipynb ДЗ 2.]]
[https://www.dropbox.com/s/054unjn4bfo0khj/STUDENT%20ALCOHOL%20CONSUMPTION.pdf?dl=0 Статья] ''Срок - 23 Октября 2016''

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-10-14T20:59:52Z

Aparinov:

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (mailto:aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
При обращении по почте, начинайте тему письма со слов 
''[Майнор2016 ИАД2]'' для студентов из группы ИАД 2
''[Майнор2016 ИАД6]'' для студентов из группы ИАД 6

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 

'''Таблица с оценками''' [http://bit.ly/2cZjDXA] 
Результирующая оценка по дисциплине рассчитывается по формуле: Oитог=0.7 Oнакопл+0.3 Oэкз 
Накопленная оценка рассчитывается по формуле: Oнакопл=0.15 Oсамост+0.15 Oауд+0.5 Oдз+0.2 Oколлоквиум
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь]. 
Анонимные комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [[http://bit.ly/2cqeQ20 Data&Notebook]] 
'''3) 29 Сентября 2016:''' Предобработка данных. - [[http://bit.ly/2dtjsRz Notebook]] 
'''4) 6 Октября 2016:''' Предобработка данных 2 - [[https://www.dropbox.com/sh/xki4ui31gdbm42d/AABw9_z02RDt67RSf7vkN1U5a?dl=0 Notebook]] 
== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 
[[http://nbviewer.jupyter.org/github/aparinov/hse-minor2016/blob/master/hw2.ipynb ДЗ 2.]]
[https://www.dropbox.com/s/054unjn4bfo0khj/STUDENT%20ALCOHOL%20CONSUMPTION.pdf?dl=0 Статья] ''Срок - 23 Октября 2016''

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-10-05T23:58:07Z

Aparinov:

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (mailto:aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
При обращении по почте, начинайте тему письма со слов 
''[Майнор2016 ИАД2]'' для студентов из группы ИАД 2
''[Майнор2016 ИАД6]'' для студентов из группы ИАД 6

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 

'''Таблица с оценками''' [http://bit.ly/2cZjDXA] 
Результирующая оценка по дисциплине рассчитывается по формуле: Oитог=0.7 Oнакопл+0.3 Oэкз 
Накопленная оценка рассчитывается по формуле: Oнакопл=0.15 Oсамост+0.15 Oауд+0.5 Oдз+0.2 Oколлоквиум
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь]. 
Анонимные комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [[http://bit.ly/2cqeQ20 Data&Notebook]] 
'''3) 29 Сентября 2016:''' Предобработка данных. - [[http://bit.ly/2dtjsRz Notebook]] 
'''4) 6 Октября 2016:''' Предобработка данных 2 - [[https://www.dropbox.com/sh/xki4ui31gdbm42d/AABw9_z02RDt67RSf7vkN1U5a?dl=0 Notebook]] 
== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-09-29T06:45:06Z

Aparinov:

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (mailto:aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
При обращении по почте, начинайте тему письма со слов 
''[Майнор2016 ИАД2]'' для студентов из группы ИАД 2
''[Майнор2016 ИАД6]'' для студентов из группы ИАД 6

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 

'''Таблица с оценками''' [http://bit.ly/2cZjDXA] 
Результирующая оценка по дисциплине рассчитывается по формуле: Oитог=0.7 Oнакопл+0.3 Oэкз 
Накопленная оценка рассчитывается по формуле: Oнакопл=0.15 Oсамост+0.15 Oауд+0.5 Oдз+0.2 Oколлоквиум
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь]. 
Анонимные комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [[http://bit.ly/2cqeQ20 Data&Notebook]] 
'''3) 29 Сентября 2016:''' Предобработка данных. - [[http://bit.ly/2dtjsRz Notebook]] 

== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-09-22T06:32:57Z

Aparinov:

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (mailto:aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
При обращении по почте, начинайте тему письма со слов 
''[Майнор2016 ИАД2]'' для студентов из группы ИАД 2
''[Майнор2016 ИАД6]'' для студентов из группы ИАД 6

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 

'''Таблица с оценками''' [http://bit.ly/2cZjDXA] 
Результирующая оценка по дисциплине рассчитывается по формуле: Oитог=0.7 Oнакопл+0.3 Oэкз 
Накопленная оценка рассчитывается по формуле: Oнакопл=0.15 Oсамост+0.15 Oауд+0.5 Oдз+0.2 Oколлоквиум
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь]. 
Анонимные комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [[http://bit.ly/2cqeQ20 Data&Notebook]] 

== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-09-21T15:38:08Z

Aparinov:

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (mailto:aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
При обращении по почте, начинайте тему письма со слов 
''[Майнор2016 ИАД2]'' для студентов из группы ИАД 2
''[Майнор2016 ИАД6]'' для студентов из группы ИАД 6

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 

'''Таблица с оценками''' [http://bit.ly/2cZjDXA] 
Результирующая оценка по дисциплине рассчитывается по формуле: Oитог=0.7 Oнакопл+0.3 Oэкз 
Накопленная оценка рассчитывается по формуле: Oнакопл=0.15 Oсамост+0.15 Oауд+0.5 Oдз+0.2 Oколлоквиум
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь]. 
Анонимные комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [IPython Notebook] 

== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-09-21T15:08:54Z

Aparinov:

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (mailto:aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
При обращении по почте, начинайте тему письма со слов ''[Майнор2016 ИАД2]''

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 

'''Таблица с оценками''' [http://bit.ly/2cZjDXA] 
Результирующая оценка по дисциплине рассчитывается по формуле: Oитог=0.7 Oнакопл+0.3 Oэкз 
Накопленная оценка рассчитывается по формуле: Oнакопл=0.15 Oсамост+0.15 Oауд+0.5 Oдз+0.2 Oколлоквиум
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь]. 
Анонимные комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [IPython Notebook] 

== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-09-21T15:08:01Z

Aparinov:

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (mailto:aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
При обращении по почте, начинайте тему письма со слов ''[Майнор2016 ИАД2]''

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 

'''Таблица с оценками''' [http://bit.ly/2cZjDXA] 
Результирующая оценка по дисциплине рассчитывается по формуле: Oитог=0.7 Oнакопл+0.3 Oэкз 
Накопленная оценка рассчитывается по формуле: Oнакопл=0.15 Oсамост+0.15 Oауд+0.5 Oдз+0.2 Oколлоквиум
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь].
Анонимные комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [IPython Notebook] 

== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-09-21T14:42:47Z

Aparinov:

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (mailto:aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
При обращении по почте, начинайте тему письма со слов ''[Майнор2016 ИАД2]''

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 
'''Оценки''' [http://bit.ly/2cZjDXA] 
Анонимные комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь].

'''Оценки'''
Результирующая оценка по дисциплине рассчитывается по формуле: Oитог=0.7 Oнакопл+0.3 Oэкз 
Накопленная оценка рассчитывается по формуле: Oнакопл=0.15 Oсамост+0.15 Oауд+0.5 Oдз+0.2 Oколлоквиум

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [IPython Notebook] 

== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-09-21T14:30:14Z

Aparinov:

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (mailto:aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
При обращении по почте, начинайте тему письма со слов ''[Майнор2016 ИАД2]''

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 
'''Оценки''' [http://bit.ly/2cZjDXA] 
Анонимные комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь].

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [IPython Notebook] 

== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-09-21T14:25:35Z

Aparinov: Паринов

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] (mailto:aparinov1@gmail.com)[mailto:aparinov1@gmail.com] 
При обращении по почте, начинайте тему письма со слов ''[Майнор2016 ИАД2]''

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 
'''Анонимные''' комментарии, замечания и пожелания можно оставить [https://goo.gl/forms/z5yXFvn3ElxvyQpk2 здесь] 
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [http://piazza.com/hse.ru/fall2016/da3 здесь].

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [IPython Notebook] 

== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора) ИАД2-6

2016-09-21T14:06:06Z

Aparinov: Паринов

__TOC__
== Майнор по курсу "Современные методы машинного обучения" - 2016/2017 учебный год - ИАД-2 и ИАД-6==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий групп ИАД-2 и ИАД-6

Семинарист: [[Участник:aparinov | Паринов Андрей Андреевич]] [mailto:aparinov1@gmail.com] 
При обращении по почте, начинайте тему письма со слов ''[Майнор2016 ИАД2]''

''' [http://wiki.cs.hse.ru/%D0%A1%D0%BE%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%BA%D1%83%D1%80%D1%81_%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80%D0%B0) Страница] курса''' 
'''Анонимные''' комментарии, замечания и пожелания можно оставить [https://docs.google.com/forms/d/1JevHn2TS5KD83KLNbwbstDUgOjF7dZ8SaY0pLeRTTIw/viewform здесь] 
Вопросы по курсу можно и нужно задавать на странице Q&A Pizza [https://piazza.com/class/it8xri11d2r3g1 здесь].

== Семинары ==
'''1) 15 Сентября 2016:''' Метод опорных векторов. Ядра. - [[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/sem1/1%20SVM-sem.ipynb IPython Notebook]] 
'''2) 22 Сентября 2016:''' Стохастический градиент. - [IPython Notebook] 

== Домашние Задания ==
[[http://nbviewer.jupyter.org/github/grafft/hse-tasks/blob/master/minor-aml-16/hw1/hw1-svm.ipynb ДЗ 1.]] [https://github.com/grafft/hse-tasks/blob/master/minor-aml-16/hw1/data.zip Данные.] ''Срок - 30 Сентября 2016'' 

== Полезные ссылки (Будут пополняться) ==

''' Семинар 1 '''
# [https://www.youtube.com/watch?v=3liCbRZPrZA Пример работы полиномиального ядра]
# [http://crsouza.com/2010/03/17/kernel-functions-for-machine-learning-applications/ Описание ядер]
# [http://www.ccas.ru/voron/download/SVM.pdf Еще про SVM]

'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas]
# [https://leanpub.com/effective-pandas Effective Pandas]
# [http://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/ Pandas Cheat-Sheet]
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' FYI ''
# [http://tylervigen.com/spurious-correlations Spurious Correlations]
# [https://xkcd.com/552/ Correlation]

''' Семинар 1 '''

'' Python ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]

Современные методы машинного обучения (курс майнора)

2016-09-21T14:01:54Z

Aparinov: Паринов

== О курсе ==

=== Оценка за курс ===

Оценка за курс складывается из:

* Домашние работы (в том числе соревнования).
* Проверочные работы на семинарах.
* Аудиторная работа.
* Коллоквиум в конце 1 модуля.
* Экзамен.

Оценка вычисляется по следующим формулам:

ИТОГ = 0.7 * НАКОПЛЕННАЯ + 0.3 * ЭКЗАМЕН

НАКОПЛЕННАЯ = 0.15 * ПРОВЕРОЧНЫЕ + 0.15 * АУДИТОРНАЯ + 0.5 * ДЗ + 0.2 * КОЛЛОКВИУМ.

Также накопленная оценка может быть повышена за получение призовых мест на соревновании.

На усмотрение семинариста и лектора могут выставляться автоматы (при условии отличной накопленной оценки).

=== Обратная связь ===

По вопросам касательно лекций можете писать на alexeyum@gmail.com, добавляя строку "[Майнор ИАД]" в заголовок письма.

По этой ссылке можно оставить анонимный отзыв или предложение для курса: https://goo.gl/forms/JJEqdPLfikko3Na23

Вопросы по материалу можно обсуждать тут: http://piazza.com/hse.ru/fall2016/da3

== Учебный процесс ==

=== Лекции ===

====1 модуль====

Лекции 1 и 2 (1 сентября). Метод опорных векторов, ядра. [https://www.dropbox.com/s/z38prt1q94qf2wa/lecture-1-kernels.pdf?dl=0 Слайды.]

Лекция 3 (15 сентября). Методы оптимизации. [https://www.dropbox.com/s/1qd8q8nnddeig8s/lecture-2-gradient.pdf?dl=0 Слайды.]

''(Планируемые)''

Лекция 4. Методы обработки данных.

Лекция 5. Бустинг.

Лекция 6. Матричные разложения.

Лекция 7. Нейронные сети.

Лекция 8. Продвинутые методы кластеризации.

==== 2 модуль ====

(Будет объявлено позже)

=== Домашние задания ===
# ДЗ 1. SVM и ядра. Даты сдачи и условия смотрите на странице группы или уточняйте у своих семинаристов.

=== Страницы групп ===

[https://www.dropbox.com/s/bjqu2de2dpuajvn/%D0%A1%D0%BF%D0%B8%D1%81%D0%BA%D0%B8%20%D0%B3%D1%80%D1%83%D0%BF%D0%BF.xlsx?dl=0 Списки групп]

* [[Современные методы машинного обучения (курс майнора) ИАД1-5|ИАД1]]
* [[Современные методы машинного обучения (курс майнора) ИАД2-6|ИАД2]]
* [[Современные методы машинного обучения (курс майнора) ИАД3-7|ИАД3]]
* [[Современные_методы_машинного_обучения_(курс_майнора)_ИАД4 | ИАД4]]
* [[Современные методы машинного обучения (курс майнора) ИАД1-5|ИАД5]]
* [[Современные методы машинного обучения (курс майнора) ИАД2-6|ИАД6]]
* [[Современные методы машинного обучения (курс майнора) ИАД3-7|ИАД7]]
* [[Современные_методы_машинного_обучения_(курс_майнора)/ИАД-8 | ИАД8]]

== Материалы ==

=== Книги ===

* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006. [http://www.springer.com/br/book/9780387310732 первые главы]
* [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]

=== Ресурсы ===

* [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]

Minor da2016 gr5

2016-06-07T09:12:35Z

Aparinov: aparinov

__TOC__
== Майнор по Анализу Данных -- ИАД-5==

Семинарист: [[Участник:Aparinov | Андрей Паринов]] [mailto:aparinov1@gmail.com aparinov1@gmail.com] 
При обращении по почте, начинайте тему письма со слов ''[2016_Minor_IAD5]''

''' Оценки [https://docs.google.com/spreadsheets/d/1JYEN3gFvWJJuXYmecFjQWhPzQsYs_8ybhizYdtdVpfo/edit?usp=sharing ]'''
''' Анонимное обращение [https://docs.google.com/forms/d/1JuvoTjNnIGH1vvw5WxXkwvlbN6p4F2nmXhflVrtW0RY/viewform?c=0&w=1]'''
'''Piazza [http://piazza.com/cs_hse/spring2016/group5 ]'''
''' Материалы [https://www.dropbox.com/sh/5kquhf5alwuya3s/AAAcoZedMgP4ncDcT9-2DiZZa?dl=0]'''

== Семинары ==
''' 12 Января 2016:''' Введение в Python, настройка среды программирования 
''' 19 Января 2016:''' Исследование данных с помощью Pandas и Seaborn 
''' 26 Января 2016:''' Исследование данных с помощью Pandas 
''' 2 Февраля 2016:''' Элементы работы с матрицами 
''' 9 Февраля 2016:''' Оптимизация функций. Символьные вычисления 
''' 16 Февраля 2016:''' Теория вероятностей 
''' 1 марта 2016:''' Математическая статистика 
''' 15 марта 2016:''' Линейная регрессия 
''' 22 марта 2016:''' Линейная классификация 
''' 5 апреля 2016:''' Оценики качества алгоритмов 
''' 12 апреля 2016:''' Коллоквиум 
''' 19 апреля 2016:''' Решающие деревья 
''' 26 апреля 2016:''' Решающие деревья. Разбор практическое занятие 
''' 10 мая 2016:''' Случайные леса. Ансамблевые методы 
''' 17 мая 2016:''' Кластеризация 
''' 31 мая 2016:''' Метрические методы 
''' 7 июня 2016:''' Ассоциативные правила. Apriopi 
''' 14 июня 2016:''' Разбор проектов. Подготовка к экзамену 

''' Ресурсы и Книги '''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://archive.ics.uci.edu/ml/ UCI Repo]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.dataquest.io/ Learning Data Science with Python]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]