Wiki - Факультет компьютерных наук - Вклад [ru]

Методы машинного обучения (Прикладная политология)

2020-03-23T13:41:01Z

Apnkv: /* Семинары */

== О курсе ==

Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])

'''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])

'''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])

Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).

=== Полезные ссылки ===

[https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]

Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q

[https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]

'''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
* Практические домашние работы на Python
* Проект
* Коллоквиум
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

Проект — оценка за проект

Кол — оценка за коллоквиум

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]

'''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]

'''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]

'''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]

'''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]

'''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]

'''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]

'''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.

'''Лекция 9.''' (14 января) Консультация по пройденному материалу.

'''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]

'''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]

'''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]

'''Лекция 13.''' (11 февраля) Градиентный бустинг. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture13-ensembles.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]

'''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]

'''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].

'''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].

'''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].

'''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].

'''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].

'''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].

'''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]

'''Семинар 12''' (12 февраля) Деревья решений [[https://colab.research.google.com/drive/199dPWnwB2bNooA-y2ViFfSIX5as5rJb_ Колаб]]

'''Семинар 13''' (19 февраля) Бэггинг и бустинг [[https://colab.research.google.com/drive/11qNhrgEauW_-mvOWEzW3irXXMUi2l9yi Колаб]] [[http://arogozhnikov.github.io/2016/06/24/gradient_boosting_explained.html Визуализации]]

'''Семинар 14''' (2 марта) Бустинг [[https://colab.research.google.com/drive/1SQINZqYvRL03EkjFflZ7Lv7f15eOdNXn Колаб]]

'''Семинар 15''' (16 марта) Кластеризация и методы понижения размерности [[https://colab.research.google.com/drive/1WZaUGGJx3C4h2DVY1Snrt-FDKFkkm-1k Колаб]] [[https://docs.google.com/forms/d/e/1FAIpQLSdd02BX3oszwioKiuVNy-hEg5PsDMIvQhX7Z_KHExC5fvjduA/viewform Проверочная]]

'''Семинар 16''' (23 марта) Нейронные сети [[https://colab.research.google.com/drive/1V1Omy__qtvAFFG0Pxm9-YpSsb_eigga- Колаб]]

== Практические задания ==

'''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]]

'''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]

'''ДЗ 3''' (до 20 марта) Случайный лес. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw3-random-forest.ipynb GitHub]], [[https://colab.research.google.com/drive/1dc5rbNE49MsV-K7oTaz0T4fD74pxqSM9 Колаб]]

== Проект ==

'''Дедлайн''': 23:59MSK 15.03.2020

Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.

Тетрадь должна включать в себя следующие этапы решения задачи:

'''1. Получение обучающей выборки в табличном виде''' (1 балл)

В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.

'''2. Постановка задачи''' (1 балл)

Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.

'''3. Визуализация''' (3 балла)

Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.

'''4. Построение модели''' (4 балла)

Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.

'''5. Оценка качества''' (1 балл)

Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.

После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.

==Коллоквиум==

'''Дата и место проведения''': 29.02.2020, 15:10, ауд. 421

Коллоквиум проводится устно. Каждому студенту будет дано 2 теоретических вопроса (на вопросы нужно отвечать без подготовки и без использования каких-либо материалов; исчерпывающие ответы на эти вопросы будут оцениваться в 3 и 4 балла соответственно), и 1 задача (в процессе решения задачи можно использовать любые материалы; оценивается в 3 балла).

[https://docs.google.com/document/d/1tGvwAmOvIbA_McfoKjcze3Jr-76xsGLWcEiLHmmI9Pk/edit?usp=sharing Список вопросов для подготовки] (обратите внимание, что данный список вопросов следует воспринимать как перечень тем, а не как вопросы, которые будут использоваться непосредственно на коллоквиуме, — конкретные формулировки вопросов могут и будут отличаться).

== Экзамен ==

== Полезные материалы ==

===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

== Страницы предыдущих лет ==

[[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]

Методы машинного обучения (Прикладная политология)

2020-03-16T13:39:16Z

Apnkv: /* Семинары */

== О курсе ==

Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])

'''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])

'''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])

Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).

=== Полезные ссылки ===

[https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]

Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q

[https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]

'''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
* Практические домашние работы на Python
* Проект
* Коллоквиум
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

Проект — оценка за проект

Кол — оценка за коллоквиум

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]

'''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]

'''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]

'''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]

'''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]

'''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]

'''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]

'''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.

'''Лекция 9.''' (14 января) Консультация по пройденному материалу.

'''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]

'''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]

'''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]

'''Лекция 13.''' (11 февраля) Градиентный бустинг. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture13-ensembles.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]

'''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]

'''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].

'''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].

'''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].

'''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].

'''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].

'''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].

'''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]

'''Семинар 12''' (12 февраля) Деревья решений [[https://colab.research.google.com/drive/199dPWnwB2bNooA-y2ViFfSIX5as5rJb_ Колаб]]

'''Семинар 13''' (19 февраля) Бэггинг и бустинг [[https://colab.research.google.com/drive/11qNhrgEauW_-mvOWEzW3irXXMUi2l9yi Колаб]] [[http://arogozhnikov.github.io/2016/06/24/gradient_boosting_explained.html Визуализации]]

'''Семинар 14''' (2 марта) Бустинг [[https://colab.research.google.com/drive/1SQINZqYvRL03EkjFflZ7Lv7f15eOdNXn Колаб]]

'''Семинар 15''' (16 марта) Кластеризация и методы понижения размерности [[https://colab.research.google.com/drive/1WZaUGGJx3C4h2DVY1Snrt-FDKFkkm-1k Колаб]] [[https://docs.google.com/forms/d/e/1FAIpQLSdd02BX3oszwioKiuVNy-hEg5PsDMIvQhX7Z_KHExC5fvjduA/viewform Проверочная]]

== Практические задания ==

'''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]]

'''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]

'''ДЗ 3''' (до 18 марта) Случайный лес. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw3-random-forest.ipynb GitHub]], [[https://colab.research.google.com/drive/1dc5rbNE49MsV-K7oTaz0T4fD74pxqSM9 Колаб]]

== Проект ==

'''Дедлайн''': 23:59MSK 15.03.2020

Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.

Тетрадь должна включать в себя следующие этапы решения задачи:

'''1. Получение обучающей выборки в табличном виде''' (1 балл)

В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.

'''2. Постановка задачи''' (1 балл)

Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.

'''3. Визуализация''' (3 балла)

Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.

'''4. Построение модели''' (4 балла)

Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.

'''5. Оценка качества''' (1 балл)

Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.

После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.

==Коллоквиум==

'''Дата и место проведения''': 29.02.2020, 15:10, ауд. 421

Коллоквиум проводится устно. Каждому студенту будет дано 2 теоретических вопроса (на вопросы нужно отвечать без подготовки и без использования каких-либо материалов; исчерпывающие ответы на эти вопросы будут оцениваться в 3 и 4 балла соответственно), и 1 задача (в процессе решения задачи можно использовать любые материалы; оценивается в 3 балла).

[https://docs.google.com/document/d/1tGvwAmOvIbA_McfoKjcze3Jr-76xsGLWcEiLHmmI9Pk/edit?usp=sharing Список вопросов для подготовки] (обратите внимание, что данный список вопросов следует воспринимать как перечень тем, а не как вопросы, которые будут использоваться непосредственно на коллоквиуме, — конкретные формулировки вопросов могут и будут отличаться).

== Экзамен ==

== Полезные материалы ==

===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

== Страницы предыдущих лет ==

[[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]

Методы машинного обучения (Прикладная политология)

2020-03-16T13:32:51Z

Apnkv: /* Семинары */

== О курсе ==

Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])

'''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])

'''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])

Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).

=== Полезные ссылки ===

[https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]

Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q

[https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]

'''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
* Практические домашние работы на Python
* Проект
* Коллоквиум
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

Проект — оценка за проект

Кол — оценка за коллоквиум

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]

'''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]

'''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]

'''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]

'''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]

'''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]

'''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]

'''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.

'''Лекция 9.''' (14 января) Консультация по пройденному материалу.

'''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]

'''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]

'''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]

'''Лекция 13.''' (11 февраля) Градиентный бустинг. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture13-ensembles.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]

'''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]

'''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].

'''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].

'''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].

'''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].

'''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].

'''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].

'''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]

'''Семинар 12''' (12 февраля) Деревья решений [[https://colab.research.google.com/drive/199dPWnwB2bNooA-y2ViFfSIX5as5rJb_ Колаб]]

'''Семинар 13''' (19 февраля) Бэггинг и бустинг [[https://colab.research.google.com/drive/11qNhrgEauW_-mvOWEzW3irXXMUi2l9yi Колаб]] [[http://arogozhnikov.github.io/2016/06/24/gradient_boosting_explained.html Визуализации]]

'''Семинар 14''' (2 марта) Бустинг [[https://colab.research.google.com/drive/1SQINZqYvRL03EkjFflZ7Lv7f15eOdNXn Колаб]]

'''Семинар 15''' (16 марта) Кластеризация и методы понижения размерности [[https://colab.research.google.com/drive/1WZaUGGJx3C4h2DVY1Snrt-FDKFkkm-1k Колаб]]

== Практические задания ==

'''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]]

'''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]

'''ДЗ 3''' (до 18 марта) Случайный лес. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw3-random-forest.ipynb GitHub]], [[https://colab.research.google.com/drive/1dc5rbNE49MsV-K7oTaz0T4fD74pxqSM9 Колаб]]

== Проект ==

'''Дедлайн''': 23:59MSK 15.03.2020

Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.

Тетрадь должна включать в себя следующие этапы решения задачи:

'''1. Получение обучающей выборки в табличном виде''' (1 балл)

В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.

'''2. Постановка задачи''' (1 балл)

Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.

'''3. Визуализация''' (3 балла)

Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.

'''4. Построение модели''' (4 балла)

Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.

'''5. Оценка качества''' (1 балл)

Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.

После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.

==Коллоквиум==

'''Дата и место проведения''': 29.02.2020, 15:10, ауд. 421

Коллоквиум проводится устно. Каждому студенту будет дано 2 теоретических вопроса (на вопросы нужно отвечать без подготовки и без использования каких-либо материалов; исчерпывающие ответы на эти вопросы будут оцениваться в 3 и 4 балла соответственно), и 1 задача (в процессе решения задачи можно использовать любые материалы; оценивается в 3 балла).

[https://docs.google.com/document/d/1tGvwAmOvIbA_McfoKjcze3Jr-76xsGLWcEiLHmmI9Pk/edit?usp=sharing Список вопросов для подготовки] (обратите внимание, что данный список вопросов следует воспринимать как перечень тем, а не как вопросы, которые будут использоваться непосредственно на коллоквиуме, — конкретные формулировки вопросов могут и будут отличаться).

== Экзамен ==

== Полезные материалы ==

===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

== Страницы предыдущих лет ==

[[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]

Методы машинного обучения (Прикладная политология)

2020-03-08T16:52:55Z

Apnkv: /* Практические задания */

== О курсе ==

Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])

'''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])

'''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])

Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).

=== Полезные ссылки ===

[https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]

Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q

[https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]

'''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
* Практические домашние работы на Python
* Проект
* Коллоквиум
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

Проект — оценка за проект

Кол — оценка за коллоквиум

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]

'''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]

'''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]

'''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]

'''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]

'''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]

'''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]

'''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.

'''Лекция 9.''' (14 января) Консультация по пройденному материалу.

'''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]

'''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]

'''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]

'''Лекция 13.''' (11 февраля) Градиентный бустинг. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture13-ensembles.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]

'''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]

'''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].

'''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].

'''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].

'''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].

'''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].

'''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].

'''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]

'''Семинар 12''' (12 февраля) Деревья решений [[https://colab.research.google.com/drive/199dPWnwB2bNooA-y2ViFfSIX5as5rJb_ Колаб]]

'''Семинар 13''' (19 февраля) Бэггинг и бустинг [[https://colab.research.google.com/drive/11qNhrgEauW_-mvOWEzW3irXXMUi2l9yi Колаб]] [[http://arogozhnikov.github.io/2016/06/24/gradient_boosting_explained.html Визуализации]]

'''Семинар 14''' (2 марта) Бустинг [[https://colab.research.google.com/drive/1SQINZqYvRL03EkjFflZ7Lv7f15eOdNXn Колаб]]

== Практические задания ==

'''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]]

'''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]

'''ДЗ 3''' (до 18 марта) Случайный лес. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw3-random-forest.ipynb GitHub]], [[https://colab.research.google.com/drive/1dc5rbNE49MsV-K7oTaz0T4fD74pxqSM9 Колаб]]

== Проект ==

'''Дедлайн''': 23:59MSK 15.03.2020

Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.

Тетрадь должна включать в себя следующие этапы решения задачи:

'''1. Получение обучающей выборки в табличном виде''' (1 балл)

В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.

'''2. Постановка задачи''' (1 балл)

Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.

'''3. Визуализация''' (3 балла)

Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.

'''4. Построение модели''' (4 балла)

Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.

'''5. Оценка качества''' (1 балл)

Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.

После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.

==Коллоквиум==

'''Дата и место проведения''': 29.02.2020, 15:10, ауд. 421

Коллоквиум проводится устно. Каждому студенту будет дано 2 теоретических вопроса (на вопросы нужно отвечать без подготовки и без использования каких-либо материалов; исчерпывающие ответы на эти вопросы будут оцениваться в 3 и 4 балла соответственно), и 1 задача (в процессе решения задачи можно использовать любые материалы; оценивается в 3 балла).

[https://docs.google.com/document/d/1tGvwAmOvIbA_McfoKjcze3Jr-76xsGLWcEiLHmmI9Pk/edit?usp=sharing Список вопросов для подготовки] (обратите внимание, что данный список вопросов следует воспринимать как перечень тем, а не как вопросы, которые будут использоваться непосредственно на коллоквиуме, — конкретные формулировки вопросов могут и будут отличаться).

== Экзамен ==

== Полезные материалы ==

===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

== Страницы предыдущих лет ==

[[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]

Методы машинного обучения (Прикладная политология)

2020-03-02T13:46:04Z

Apnkv: /* Семинары */

== О курсе ==

Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])

'''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])

'''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])

Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).

=== Полезные ссылки ===

[https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]

Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q

[https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]

'''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
* Практические домашние работы на Python
* Проект
* Коллоквиум
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

Проект — оценка за проект

Кол — оценка за коллоквиум

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]

'''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]

'''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]

'''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]

'''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]

'''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]

'''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]

'''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.

'''Лекция 9.''' (14 января) Консультация по пройденному материалу.

'''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]

'''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]

'''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]

'''Лекция 13.''' (11 февраля) Градиентный бустинг. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture13-ensembles.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]

'''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]

'''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].

'''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].

'''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].

'''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].

'''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].

'''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].

'''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]

'''Семинар 12''' (12 февраля) Деревья решений [[https://colab.research.google.com/drive/199dPWnwB2bNooA-y2ViFfSIX5as5rJb_ Колаб]]

'''Семинар 13''' (19 февраля) Бэггинг и бустинг [[https://colab.research.google.com/drive/11qNhrgEauW_-mvOWEzW3irXXMUi2l9yi Колаб]] [[http://arogozhnikov.github.io/2016/06/24/gradient_boosting_explained.html Визуализации]]

'''Семинар 14''' (2 марта) Бустинг [[https://colab.research.google.com/drive/1SQINZqYvRL03EkjFflZ7Lv7f15eOdNXn Колаб]]

== Практические задания ==

'''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]]

'''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]

== Проект ==

'''Дедлайн''': 23:59MSK 15.03.2020

Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.

Тетрадь должна включать в себя следующие этапы решения задачи:

'''1. Получение обучающей выборки в табличном виде''' (1 балл)

В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.

'''2. Постановка задачи''' (1 балл)

Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.

'''3. Визуализация''' (3 балла)

Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.

'''4. Построение модели''' (4 балла)

Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.

'''5. Оценка качества''' (1 балл)

Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.

После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.

==Коллоквиум==

'''Дата и место проведения''': 29.02.2020, 15:10, ауд. 421

Коллоквиум проводится устно. Каждому студенту будет дано 2 теоретических вопроса (на вопросы нужно отвечать без подготовки и без использования каких-либо материалов; исчерпывающие ответы на эти вопросы будут оцениваться в 3 и 4 балла соответственно), и 1 задача (в процессе решения задачи можно использовать любые материалы; оценивается в 3 балла).

[https://docs.google.com/document/d/1tGvwAmOvIbA_McfoKjcze3Jr-76xsGLWcEiLHmmI9Pk/edit?usp=sharing Список вопросов для подготовки] (обратите внимание, что данный список вопросов следует воспринимать как перечень тем, а не как вопросы, которые будут использоваться непосредственно на коллоквиуме, — конкретные формулировки вопросов могут и будут отличаться).

== Экзамен ==

== Полезные материалы ==

===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

== Страницы предыдущих лет ==

[[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]

Методы машинного обучения (Прикладная политология)

2020-02-19T13:56:35Z

Apnkv: /* Семинары */

== О курсе ==

Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])

'''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])

'''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])

Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).

=== Полезные ссылки ===

[https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]

Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q

[https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]

'''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
* Практические домашние работы на Python
* Проект
* Коллоквиум
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

Проект — оценка за проект

Кол — оценка за коллоквиум

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]

'''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]

'''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]

'''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]

'''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]

'''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]

'''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]

'''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.

'''Лекция 9.''' (14 января) Консультация по пройденному материалу.

'''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]

'''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]

'''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]

'''Лекция 13.''' (11 февраля) Градиентный бустинг. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture13-ensembles.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]

'''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]

'''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].

'''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].

'''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].

'''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].

'''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].

'''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].

'''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]

'''Семинар 12''' (12 февраля) Деревья решений [[https://colab.research.google.com/drive/199dPWnwB2bNooA-y2ViFfSIX5as5rJb_ Колаб]]

'''Семинар 13''' (19 февраля) Бэггинг и бустинг [[https://colab.research.google.com/drive/11qNhrgEauW_-mvOWEzW3irXXMUi2l9yi Колаб]] [[http://arogozhnikov.github.io/2016/06/24/gradient_boosting_explained.html Визуализации]]

== Практические задания ==

'''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]]

'''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]

== Проект ==

'''Дедлайн''': 23:59MSK 15.03.2020

Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.

Тетрадь должна включать в себя следующие этапы решения задачи:

'''1. Получение обучающей выборки в табличном виде''' (1 балл)

В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.

'''2. Постановка задачи''' (1 балл)

Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.

'''3. Визуализация''' (3 балла)

Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.

'''4. Построение модели''' (4 балла)

Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.

'''5. Оценка качества''' (1 балл)

Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.

После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.

==Коллоквиум==

'''Дата и место проведения''': 29.02.2020, 15:10, ауд. 421

Коллоквиум проводится устно. Каждому студенту будет дано 2 теоретических вопроса (на вопросы нужно отвечать без подготовки и без использования каких-либо материалов; исчерпывающие ответы на эти вопросы будут оцениваться в 3 и 4 балла соответственно), и 1 задача (в процессе решения задачи можно использовать любые материалы; оценивается в 3 балла).

[https://docs.google.com/document/d/1tGvwAmOvIbA_McfoKjcze3Jr-76xsGLWcEiLHmmI9Pk/edit?usp=sharing Список вопросов для подготовки] (обратите внимание, что данный список вопросов следует воспринимать как перечень тем, а не как вопросы, которые будут использоваться непосредственно на коллоквиуме, — конкретные формулировки вопросов могут и будут отличаться).

== Экзамен ==

== Полезные материалы ==

===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

== Страницы предыдущих лет ==

[[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]

Методы машинного обучения (Прикладная политология)

2020-02-12T13:42:25Z

Apnkv: /* Семинары */

== О курсе ==

Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])

'''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])

'''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])

Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).

=== Полезные ссылки ===

[https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]

Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q

[https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]

'''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
* Практические домашние работы на Python
* Проект
* Коллоквиум
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

Проект — оценка за проект

Кол — оценка за коллоквиум

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]

'''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]

'''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]

'''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]

'''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]

'''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]

'''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]

'''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.

'''Лекция 9.''' (14 января) Консультация по пройденному материалу.

'''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]

'''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]

'''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]

'''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]

'''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].

'''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].

'''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].

'''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].

'''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].

'''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].

'''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]

'''Семинар 12''' (12 февраля) Деревья решения [[https://colab.research.google.com/drive/199dPWnwB2bNooA-y2ViFfSIX5as5rJb_ Колаб]]

== Практические задания ==

'''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]].
'''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]

== Проект ==

'''Дедлайн''': 23:59MSK 15.03.2020

Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.

Тетрадь должна включать в себя следующие этапы решения задачи:

'''1. Получение обучающей выборки в табличном виде''' (1 балл)

В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.

'''2. Постановка задачи''' (1 балл)

Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.

'''3. Визуализация''' (3 балла)

Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.

'''4. Построение модели''' (4 балла)

Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.

'''5. Оценка качества''' (1 балл)

Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.

После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.

== Экзамен ==

== Полезные материалы ==

===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

== Страницы предыдущих лет ==

[[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]

Методы машинного обучения (Прикладная политология)

2020-02-08T12:47:19Z

Apnkv: /* Практические задания */

== О курсе ==

Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])

'''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])

'''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])

Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).

=== Полезные ссылки ===

[https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]

Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q

[https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]

'''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
* Практические домашние работы на Python
* Проект
* Коллоквиум
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

Проект — оценка за проект

Кол — оценка за коллоквиум

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]

'''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]

'''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]

'''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]

'''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]

'''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]

'''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]

'''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.

'''Лекция 9.''' (14 января) Консультация по пройденному материалу.

'''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]

'''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]

'''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]

'''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]

'''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].

'''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].

'''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].

'''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].

'''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].

'''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].

'''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]

== Практические задания ==

'''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]].
'''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]

== Проект ==

Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.

Тетрадь должна включать в себя следующие этапы решения задачи:

'''1. Получение обучающей выборки в табличном виде''' (1 балл)

В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.

'''2. Постановка задачи''' (1 балл)

Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.

'''3. Визуализация''' (3 балла)

Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.

'''4. Построение модели''' (4 балла)

Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.

'''5. Оценка качества''' (1 балл)

Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.

После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.

== Экзамен ==

== Полезные материалы ==

===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

== Страницы предыдущих лет ==

[[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]

Методы машинного обучения (Прикладная политология)

2020-02-04T10:39:06Z

Apnkv: /* Проект */

== О курсе ==

Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])

'''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])

'''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])

Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).

=== Полезные ссылки ===

[https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]

Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q

[https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]

'''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
* Практические домашние работы на Python
* Проект
* Коллоквиум
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

Проект — оценка за проект

Кол — оценка за коллоквиум

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]

'''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]

'''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]

'''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]

'''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]

'''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]

'''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]

'''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.

'''Лекция 9.''' (14 января) Консультация по пройденному материалу.

'''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]

'''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trres.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]

'''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]

'''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].

'''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].

'''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].

'''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].

'''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].

'''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].

'''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]

== Практические задания ==

'''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]].

== Проект ==

Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.

Тетрадь должна включать в себя следующие этапы решения задачи:

'''1. Получение обучающей выборки в табличном виде''' (1 балл)

В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.

'''2. Постановка задачи''' (1 балл)

Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.

'''3. Визуализация''' (3 балла)

Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.

'''4. Построение модели''' (4 балла)

Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.

'''5. Оценка качества''' (1 балл)

Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.

После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.

== Экзамен ==

== Полезные материалы ==

===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

== Страницы предыдущих лет ==

[[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]

Методы машинного обучения (Прикладная политология)

2020-01-29T15:37:24Z

Apnkv:

Методы машинного обучения (Прикладная политология)

2019-12-20T11:02:42Z

Apnkv: /* Практические задания */

Методы машинного обучения (Прикладная политология)

2019-12-17T15:09:31Z

Apnkv:

Методы машинного обучения (Прикладная политология)

2019-12-10T15:36:13Z

Apnkv:

Методы машинного обучения (Прикладная политология)

2019-12-03T15:13:49Z

Apnkv:

Методы машинного обучения (Прикладная политология)

2019-12-03T15:13:29Z

Apnkv:

Методы машинного обучения (Прикладная политология)

2019-11-26T15:06:36Z

Apnkv:

Методы машинного обучения (Прикладная политология)

2019-11-19T15:09:34Z

Apnkv:

Методы машинного обучения (Прикладная политология)

2019-11-12T15:03:26Z

Apnkv: Семинар 3

Методы машинного обучения (Прикладная политология)

2019-11-05T15:22:10Z

Apnkv:

Методы машинного обучения (Прикладная политология)

2019-11-05T15:07:00Z

Apnkv: семинар 2

Методы машинного обучения (Прикладная политология)

2019-10-29T11:22:02Z

Apnkv: ФИО -> ИОФ

Методы машинного обучения (Прикладная политология)

2019-10-29T10:34:35Z

Apnkv:

Основы программирования в Python 2019

2019-06-14T08:45:06Z

Apnkv:

== О курсе ==

[[Файл:Python-logo2.png|120px|borderless|left]]

Курс читается для студентов факультета Мировой Экономики ВШЭ в 3-4 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/137309442 Кохтев Вадим Михайлович]

Лекции проходят с 2019 года.

=== Полезные ссылки ===
* [https://t.me/PythonWE2019 Канал курса в телеграме]
* [https://github.com/Kokhtev/HSE-teaching/tree/master/Python-WE-2019 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/edu/courses/219891009 Карточка курса и программа]
* [https://events.webinar.ru/11659699/1903467 Ссылка на вебинар] Вебинар состоялся 23 января.

=== Онлайн-курс ===
Дисциплина реализуется в формате смешанного обучения и состоит из очных занятий и on-line курса, реализованного на базе платформы Coursera для НИУ ВШЭ: https://www.coursera.org/learn/python-osnovy-programmirovaniya/

О записи на курс будет объявлено дополнительно

=== Семинары ===

Семинары проходят по вторникам и субботам. Некоторые семинары проходят на Шаболовке, некоторые — в Армянском переулке. Пожалуйста, всегда проверяйте [https://ruz.hse.ru/ruz/main (РУЗ)], поскольку расписание может меняться.

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание
|-
| БМЭ171 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ172 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ173 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 15:10–16:30
|-
| БМЭ174 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 16:40–18:00
|-
|-
| БМЭ175 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ176 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
|}

=== Система оценок ===
==== Формула оценки ====

Результирующая оценка по дисциплине рассчитывается по формуле:

'''Oитог = 0.7 * Oнакопл + 0.3 * Oэкз'''

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.3 * Oонлайн-курс + 0.3 * Oдз + 0.4 * Oср'''

{| role="presentation" class="wikitable mw-collapsible mw-collapsed"
| Подробнее
|-
|

==== Правила вычисления оценок ====

Оонлайн-курс — [https://www.coursera.org/learn/python-osnovy-programmirovaniya/ Задания онлайн-курса на базе платформы Coursera], каждое оценивается от 0 до 10 баллов; итоговая оценка рассчитывается как сумма баллов от 0 до 100 разделить на 8

Оср — Самостоятельная работа, оценивается от 0 до 10

Одз — Домашние задания: все оцениваются от 0 до 10, после чего находится среднее арифметическое оценок

Все промежуточные оценки могут быть не целыми. Накопленная и итоговая оценки округляются арифметически.

==== Правила сдачи заданий ====
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
Домашнее задание выполняется самостоятельно. При попытке сдать хотя бы частично списанный код (текст), или код (текст), полученный в результате совместного решения задач, вся работа будет оценена на 0 баллов. При обнаружении плагиата оценки за домашнее задание или практику обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат.
|}

== Лекции ==

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture01-intro.pdf Лекция 1 — Типы задач и основные понятия анализа данных и машинного обучения, 18 мая]

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture02-regression.pdf Лекция 2 — Задачи регрессии, 24 мая]

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture03-classification.pdf Лекция 3 — Задачи классификации, 4 июня]

== Семинары ==

[https://yadi.sk/d/4a4o8TKp7eGMKg Семинар 1 — работа с таблицами в pandas]. [https://yadi.sk/d/iyNuckTrRcRVew Данные]. [https://yadi.sk/d/5iQhMnxnFn7OuQ Заполненный семинар]

[https://colab.research.google.com/drive/1NuzmfgQrdZM8ZmffHIIV-OwGh4qARxtS Семинар 2 — градиентный спуск и линейная регрессия]. [https://colab.research.google.com/drive/1PJ7lJ1PuZ42jsZ3yTGj8sxqji2MmeL7g Заполненный семинар]

[https://colab.research.google.com/drive/1lK4puat0AJ6IYvGziv00MZUt2w5TxRJM Семинар 3 — методы классификации]. [https://github.com/Skvidvardin/Fun/blob/master/sem_3_classification_full.ipynb Заполненный семинар]

[https://colab.research.google.com/drive/1RIHiG-xloEhLaOtIa3m4yjIoHJAmfRLT Семинар 4 — Визуализация c matplotlib. Подбор гиперпараметров]

[https://colab.research.google.com/drive/18nJ0O_OYvv9I56gP7Dp8Qk4cOc4wPTGI Семинар 5 — Качественная визуализация данных]

== Домашние задания ==

[https://drive.google.com/file/d/1Y8_Fz_w-Cizf8G-2x41UJ43w1ZDb2Sqy/view?usp=sharing Домашнее задание №1. Дедлайн: 23:59 2 июня 2019]

[https://colab.research.google.com/drive/1qq0klJ1X7ET6OfrL5U9FcbQFNRsPXRdT Домашнее задание №2. Дедлайн: 23:59 11 июня 2019]

[https://colab.research.google.com/drive/1u7tfhH1XgTRy0RjglNRI33NM89VQ5wi0 Домашнее задание №3. Дедлайн: 11:59 16 июня 2019]

== Экзамен ==
Экзамен состоится 18 июня, задания будут на компьютерах.

== Полезные материалы ==
=== Основная литература ===
# 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.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.
# Lutz, Mark. Learning Python: Powerful Object-Oriented Programming. "O'Reilly Media.", 2013.

=== Полезные ссылки ===
# Документация языка Python https://docs.python.org/3/
# Хороший классический курс по машинному обучению https://ru.coursera.org/learn/machine-learning
# Материалы вышкинского курса по машинному обучению https://github.com/esokolov/ml-course-hse
# Курс майнора по анализу данных http://wiki.cs.hse.ru/Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных
# Курс майнора по машинному обучению http://wiki.cs.hse.ru/Современные_методы_машинного_обучения_(курс_майнора)_2018/2019

Основы программирования в Python 2019

2019-06-11T17:53:40Z

Apnkv:

== О курсе ==

[[Файл:Python-logo2.png|120px|borderless|left]]

Курс читается для студентов факультета Мировой Экономики ВШЭ в 3-4 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/137309442 Кохтев Вадим Михайлович]

Лекции проходят с 2019 года.

=== Полезные ссылки ===
* [https://t.me/PythonWE2019 Канал курса в телеграме]
* [https://github.com/Kokhtev/HSE-teaching/tree/master/Python-WE-2019 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/edu/courses/219891009 Карточка курса и программа]
* [https://events.webinar.ru/11659699/1903467 Ссылка на вебинар] Вебинар состоялся 23 января.

=== Онлайн-курс ===
Дисциплина реализуется в формате смешанного обучения и состоит из очных занятий и on-line курса, реализованного на базе платформы Coursera для НИУ ВШЭ: https://www.coursera.org/learn/python-osnovy-programmirovaniya/

О записи на курс будет объявлено дополнительно

=== Семинары ===

Семинары проходят по вторникам и субботам. Некоторые семинары проходят на Шаболовке, некоторые — в Армянском переулке. Пожалуйста, всегда проверяйте [https://ruz.hse.ru/ruz/main (РУЗ)], поскольку расписание может меняться.

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание
|-
| БМЭ171 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ172 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ173 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 15:10–16:30
|-
| БМЭ174 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 16:40–18:00
|-
|-
| БМЭ175 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ176 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
|}

=== Система оценок ===
==== Формула оценки ====

Результирующая оценка по дисциплине рассчитывается по формуле:

'''Oитог = 0.7 * Oнакопл + 0.3 * Oэкз'''

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.3 * Oонлайн-курс + 0.3 * Oдз + 0.4 * Oср'''

{| role="presentation" class="wikitable mw-collapsible mw-collapsed"
| Подробнее
|-
|

==== Правила вычисления оценок ====

Оонлайн-курс — [https://www.coursera.org/learn/python-osnovy-programmirovaniya/ Задания онлайн-курса на базе платформы Coursera], каждое оценивается от 0 до 10 баллов; итоговая оценка рассчитывается как сумма баллов от 0 до 100 разделить на 8

Оср — Самостоятельная работа, оценивается от 0 до 10

Одз — Домашние задания: все оцениваются от 0 до 10, после чего находится среднее арифметическое оценок

Все промежуточные оценки могут быть не целыми. Накопленная и итоговая оценки округляются арифметически.

==== Правила сдачи заданий ====
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
Домашнее задание выполняется самостоятельно. При попытке сдать хотя бы частично списанный код (текст), или код (текст), полученный в результате совместного решения задач, вся работа будет оценена на 0 баллов. При обнаружении плагиата оценки за домашнее задание или практику обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат.
|}

== Лекции ==

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture01-intro.pdf Лекция 1 — Типы задач и основные понятия анализа данных и машинного обучения, 18 мая]

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture02-regression.pdf Лекция 2 — Задачи регрессии, 24 мая]

== Семинары ==

[https://yadi.sk/d/4a4o8TKp7eGMKg Семинар 1 — работа с таблицами в pandas]. [https://yadi.sk/d/iyNuckTrRcRVew Данные]. [https://yadi.sk/d/5iQhMnxnFn7OuQ Заполненный семинар]

[https://colab.research.google.com/drive/1NuzmfgQrdZM8ZmffHIIV-OwGh4qARxtS Семинар 2 — градиентный спуск и линейная регрессия]. [https://colab.research.google.com/drive/1PJ7lJ1PuZ42jsZ3yTGj8sxqji2MmeL7g Заполненный семинар]

[https://colab.research.google.com/drive/1lK4puat0AJ6IYvGziv00MZUt2w5TxRJM Семинар 3 — методы классификации]. [https://github.com/Skvidvardin/Fun/blob/master/sem_3_classification_full.ipynb Заполненный семинар]

[https://colab.research.google.com/drive/1RIHiG-xloEhLaOtIa3m4yjIoHJAmfRLT Семинар 4 — Визуализация c matplotlib. Подбор гиперпараметров]

== Домашние задания ==

[https://drive.google.com/file/d/1Y8_Fz_w-Cizf8G-2x41UJ43w1ZDb2Sqy/view?usp=sharing Домашнее задание №1. Дедлайн: 23:59 2 июня 2019]

[https://colab.research.google.com/drive/1qq0klJ1X7ET6OfrL5U9FcbQFNRsPXRdT Домашнее задание №2. Дедлайн: 23:59 11 июня 2019]

[https://colab.research.google.com/drive/1u7tfhH1XgTRy0RjglNRI33NM89VQ5wi0 Домашнее задание №3. Дедлайн: 23:59 15 июня 2019]

== Экзамен ==
Экзамен состоится 18 июня, задания будут на компьютерах.

== Полезные материалы ==
=== Основная литература ===
# 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.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.
# Lutz, Mark. Learning Python: Powerful Object-Oriented Programming. "O'Reilly Media.", 2013.

=== Полезные ссылки ===
# Документация языка Python https://docs.python.org/3/
# Хороший классический курс по машинному обучению https://ru.coursera.org/learn/machine-learning
# Материалы вышкинского курса по машинному обучению https://github.com/esokolov/ml-course-hse
# Курс майнора по анализу данных http://wiki.cs.hse.ru/Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных
# Курс майнора по машинному обучению http://wiki.cs.hse.ru/Современные_методы_машинного_обучения_(курс_майнора)_2018/2019

Основы программирования в Python 2019

2019-06-11T07:59:36Z

Apnkv:

== О курсе ==

[[Файл:Python-logo2.png|120px|borderless|left]]

Курс читается для студентов факультета Мировой Экономики ВШЭ в 3-4 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/137309442 Кохтев Вадим Михайлович]

Лекции проходят с 2019 года.

=== Полезные ссылки ===
* [https://t.me/PythonWE2019 Канал курса в телеграме]
* [https://github.com/Kokhtev/HSE-teaching/tree/master/Python-WE-2019 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/edu/courses/219891009 Карточка курса и программа]
* [https://events.webinar.ru/11659699/1903467 Ссылка на вебинар] Вебинар состоялся 23 января.

=== Онлайн-курс ===
Дисциплина реализуется в формате смешанного обучения и состоит из очных занятий и on-line курса, реализованного на базе платформы Coursera для НИУ ВШЭ: https://www.coursera.org/learn/python-osnovy-programmirovaniya/

О записи на курс будет объявлено дополнительно

=== Семинары ===

Семинары проходят по вторникам и субботам. Некоторые семинары проходят на Шаболовке, некоторые — в Армянском переулке. Пожалуйста, всегда проверяйте [https://ruz.hse.ru/ruz/main (РУЗ)], поскольку расписание может меняться.

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание
|-
| БМЭ171 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ172 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ173 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 15:10–16:30
|-
| БМЭ174 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 16:40–18:00
|-
|-
| БМЭ175 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ176 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
|}

=== Система оценок ===
==== Формула оценки ====

Результирующая оценка по дисциплине рассчитывается по формуле:

'''Oитог = 0.7 * Oнакопл + 0.3 * Oэкз'''

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.3 * Oонлайн-курс + 0.3 * Oдз + 0.4 * Oср'''

{| role="presentation" class="wikitable mw-collapsible mw-collapsed"
| Подробнее
|-
|

==== Правила вычисления оценок ====

Оонлайн-курс — [https://www.coursera.org/learn/python-osnovy-programmirovaniya/ Задания онлайн-курса на базе платформы Coursera], каждое оценивается от 0 до 10 баллов; итоговая оценка рассчитывается как сумма баллов от 0 до 100 разделить на 8

Оср — Самостоятельная работа, оценивается от 0 до 10

Одз — Домашние задания: все оцениваются от 0 до 10, после чего находится среднее арифметическое оценок

Все промежуточные оценки могут быть не целыми. Накопленная и итоговая оценки округляются арифметически.

==== Правила сдачи заданий ====
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
Домашнее задание выполняется самостоятельно. При попытке сдать хотя бы частично списанный код (текст), или код (текст), полученный в результате совместного решения задач, вся работа будет оценена на 0 баллов. При обнаружении плагиата оценки за домашнее задание или практику обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат.
|}

== Лекции ==

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture01-intro.pdf Лекция 1 — Типы задач и основные понятия анализа данных и машинного обучения, 18 мая]

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture02-regression.pdf Лекция 2 — Задачи регрессии, 24 мая]

== Семинары ==

[https://yadi.sk/d/4a4o8TKp7eGMKg Семинар 1 — работа с таблицами в pandas]. [https://yadi.sk/d/iyNuckTrRcRVew Данные]. [https://yadi.sk/d/5iQhMnxnFn7OuQ Заполненный семинар]

[https://colab.research.google.com/drive/1NuzmfgQrdZM8ZmffHIIV-OwGh4qARxtS Семинар 2 — градиентный спуск и линейная регрессия]. [https://colab.research.google.com/drive/1PJ7lJ1PuZ42jsZ3yTGj8sxqji2MmeL7g Заполненный семинар]

[https://colab.research.google.com/drive/1lK4puat0AJ6IYvGziv00MZUt2w5TxRJM Семинар 3 — методы классификации]. [https://colab.research.google.com/drive/1mkWdv5UIFpvDVmMVXi0hsAKxzsYxyh6w Заполненный семинар]

[https://colab.research.google.com/drive/1RIHiG-xloEhLaOtIa3m4yjIoHJAmfRLT Семинар 4 — Визуализация c matplotlib. Подбор гиперпараметров]

== Домашние задания ==

[https://drive.google.com/file/d/1Y8_Fz_w-Cizf8G-2x41UJ43w1ZDb2Sqy/view?usp=sharing Домашнее задание №1. Дедлайн: 23:59 2 июня 2019]

[https://colab.research.google.com/drive/1qq0klJ1X7ET6OfrL5U9FcbQFNRsPXRdT Домашнее задание №2. Дедлайн: 23:59 11 июня 2019]

== Экзамен ==
Экзамен состоится 18 июня, задания будут на компьютерах.

== Полезные материалы ==
=== Основная литература ===
# 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.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.
# Lutz, Mark. Learning Python: Powerful Object-Oriented Programming. "O'Reilly Media.", 2013.

=== Полезные ссылки ===
# Документация языка Python https://docs.python.org/3/
# Хороший классический курс по машинному обучению https://ru.coursera.org/learn/machine-learning
# Материалы вышкинского курса по машинному обучению https://github.com/esokolov/ml-course-hse
# Курс майнора по анализу данных http://wiki.cs.hse.ru/Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных
# Курс майнора по машинному обучению http://wiki.cs.hse.ru/Современные_методы_машинного_обучения_(курс_майнора)_2018/2019

Основы программирования в Python 2019

2019-06-07T14:59:58Z

Apnkv:

== О курсе ==

[[Файл:Python-logo2.png|120px|borderless|left]]

Курс читается для студентов факультета Мировой Экономики ВШЭ в 3-4 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/137309442 Кохтев Вадим Михайлович]

Лекции проходят с 2019 года.

=== Полезные ссылки ===
* [https://t.me/PythonWE2019 Канал курса в телеграме]
* [https://github.com/Kokhtev/HSE-teaching/tree/master/Python-WE-2019 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/edu/courses/219891009 Карточка курса и программа]
* [https://events.webinar.ru/11659699/1903467 Ссылка на вебинар] Вебинар состоялся 23 января.

=== Онлайн-курс ===
Дисциплина реализуется в формате смешанного обучения и состоит из очных занятий и on-line курса, реализованного на базе платформы Coursera для НИУ ВШЭ: https://www.coursera.org/learn/python-osnovy-programmirovaniya/

О записи на курс будет объявлено дополнительно

=== Семинары ===

Семинары проходят по вторникам и субботам. Некоторые семинары проходят на Шаболовке, некоторые — в Армянском переулке. Пожалуйста, всегда проверяйте [https://ruz.hse.ru/ruz/main (РУЗ)], поскольку расписание может меняться.

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание
|-
| БМЭ171 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ172 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ173 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 15:10–16:30
|-
| БМЭ174 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 16:40–18:00
|-
|-
| БМЭ175 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ176 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
|}

=== Система оценок ===
==== Формула оценки ====

Результирующая оценка по дисциплине рассчитывается по формуле:

'''Oитог = 0.7 * Oнакопл + 0.3 * Oэкз'''

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.3 * Oонлайн-курс + 0.3 * Oдз + 0.4 * Oср'''

{| role="presentation" class="wikitable mw-collapsible mw-collapsed"
| Подробнее
|-
|

==== Правила вычисления оценок ====

Оонлайн-курс — [https://www.coursera.org/learn/python-osnovy-programmirovaniya/ Задания онлайн-курса на базе платформы Coursera], каждое оценивается от 0 до 10 баллов; итоговая оценка рассчитывается как сумма баллов от 0 до 100 разделить на 8

Оср — Самостоятельная работа, оценивается от 0 до 10

Одз — Домашние задания: все оцениваются от 0 до 10, после чего находится среднее арифметическое оценок

Все промежуточные оценки могут быть не целыми. Накопленная и итоговая оценки округляются арифметически.

==== Правила сдачи заданий ====
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
Домашнее задание выполняется самостоятельно. При попытке сдать хотя бы частично списанный код (текст), или код (текст), полученный в результате совместного решения задач, вся работа будет оценена на 0 баллов. При обнаружении плагиата оценки за домашнее задание или практику обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат.
|}

== Лекции ==

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture01-intro.pdf Лекция 1 — Типы задач и основные понятия анализа данных и машинного обучения, 18 мая]

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture02-regression.pdf Лекция 2 — Задачи регрессии, 24 мая]

== Семинары ==

[https://yadi.sk/d/4a4o8TKp7eGMKg Семинар 1 — работа с таблицами в pandas]. [https://yadi.sk/d/iyNuckTrRcRVew Данные]. [https://yadi.sk/d/5iQhMnxnFn7OuQ Заполненный семинар]

[https://colab.research.google.com/drive/1NuzmfgQrdZM8ZmffHIIV-OwGh4qARxtS Семинар 2 — градиентный спуск и линейная регрессия]. [https://colab.research.google.com/drive/1PJ7lJ1PuZ42jsZ3yTGj8sxqji2MmeL7g Заполненный семинар]

[https://colab.research.google.com/drive/1lK4puat0AJ6IYvGziv00MZUt2w5TxRJM Семинар 3 — методы классификации]. [https://colab.research.google.com/drive/1mkWdv5UIFpvDVmMVXi0hsAKxzsYxyh6w Заполненный семинар]

== Домашние задания ==

[https://drive.google.com/file/d/1Y8_Fz_w-Cizf8G-2x41UJ43w1ZDb2Sqy/view?usp=sharing Домашнее задание №1. Дедлайн: 23:59 2 июня 2019]

[https://colab.research.google.com/drive/1qq0klJ1X7ET6OfrL5U9FcbQFNRsPXRdT Домашнее задание №2. Дедлайн: 23:59 11 июня 2019]

== Экзамен ==
Экзамен состоится 18 июня, задания будут на компьютерах.

== Полезные материалы ==
=== Основная литература ===
# 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.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.
# Lutz, Mark. Learning Python: Powerful Object-Oriented Programming. "O'Reilly Media.", 2013.

=== Полезные ссылки ===
# Документация языка Python https://docs.python.org/3/
# Хороший классический курс по машинному обучению https://ru.coursera.org/learn/machine-learning
# Материалы вышкинского курса по машинному обучению https://github.com/esokolov/ml-course-hse
# Курс майнора по анализу данных http://wiki.cs.hse.ru/Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных
# Курс майнора по машинному обучению http://wiki.cs.hse.ru/Современные_методы_машинного_обучения_(курс_майнора)_2018/2019

Основы программирования в Python 2019

2019-06-07T14:30:46Z

Apnkv:

== О курсе ==

[[Файл:Python-logo2.png|120px|borderless|left]]

Курс читается для студентов факультета Мировой Экономики ВШЭ в 3-4 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/137309442 Кохтев Вадим Михайлович]

Лекции проходят с 2019 года.

=== Полезные ссылки ===
* [https://t.me/PythonWE2019 Канал курса в телеграме]
* [https://github.com/Kokhtev/HSE-teaching/tree/master/Python-WE-2019 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/edu/courses/219891009 Карточка курса и программа]
* [https://events.webinar.ru/11659699/1903467 Ссылка на вебинар] Вебинар состоялся 23 января.

=== Онлайн-курс ===
Дисциплина реализуется в формате смешанного обучения и состоит из очных занятий и on-line курса, реализованного на базе платформы Coursera для НИУ ВШЭ: https://www.coursera.org/learn/python-osnovy-programmirovaniya/

О записи на курс будет объявлено дополнительно

=== Семинары ===

Семинары проходят по вторникам и субботам. Некоторые семинары проходят на Шаболовке, некоторые — в Армянском переулке. Пожалуйста, всегда проверяйте [https://ruz.hse.ru/ruz/main (РУЗ)], поскольку расписание может меняться.

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание
|-
| БМЭ171 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ172 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ173 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 15:10–16:30
|-
| БМЭ174 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 16:40–18:00
|-
|-
| БМЭ175 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ176 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
|}

=== Система оценок ===
==== Формула оценки ====

Результирующая оценка по дисциплине рассчитывается по формуле:

'''Oитог = 0.7 * Oнакопл + 0.3 * Oэкз'''

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.3 * Oонлайн-курс + 0.3 * Oдз + 0.4 * Oср'''

{| role="presentation" class="wikitable mw-collapsible mw-collapsed"
| Подробнее
|-
|

==== Правила вычисления оценок ====

Оонлайн-курс — [https://www.coursera.org/learn/python-osnovy-programmirovaniya/ Задания онлайн-курса на базе платформы Coursera], каждое оценивается от 0 до 10 баллов; итоговая оценка рассчитывается как сумма баллов от 0 до 100 разделить на 8

Оср — Самостоятельная работа, оценивается от 0 до 10

Одз — Домашние задания: все оцениваются от 0 до 10, после чего находится среднее арифметическое оценок

Все промежуточные оценки могут быть не целыми. Накопленная и итоговая оценки округляются арифметически.

==== Правила сдачи заданий ====
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
Домашнее задание выполняется самостоятельно. При попытке сдать хотя бы частично списанный код (текст), или код (текст), полученный в результате совместного решения задач, вся работа будет оценена на 0 баллов. При обнаружении плагиата оценки за домашнее задание или практику обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат.
|}

== Лекции ==

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture01-intro.pdf Лекция 1 — Типы задач и основные понятия анализа данных и машинного обучения, 18 мая]

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture02-regression.pdf Лекция 2 — Задачи регрессии, 24 мая]

== Семинары ==

[https://yadi.sk/d/4a4o8TKp7eGMKg Семинар 1 — работа с таблицами в pandas]. [https://yadi.sk/d/iyNuckTrRcRVew Данные]. [https://yadi.sk/d/5iQhMnxnFn7OuQ Заполненный семинар]

[https://colab.research.google.com/drive/1NuzmfgQrdZM8ZmffHIIV-OwGh4qARxtS Семинар 2 — градиентный спуск и линейная регрессия]. [https://colab.research.google.com/drive/1PJ7lJ1PuZ42jsZ3yTGj8sxqji2MmeL7g Заполненный семинар]

[https://colab.research.google.com/drive/1lK4puat0AJ6IYvGziv00MZUt2w5TxRJM Семинар 3 — методы классификации]. [https://colab.research.google.com/drive/1mkWdv5UIFpvDVmMVXi0hsAKxzsYxyh6w Заполненный семинар]

== Домашние задания ==

[https://drive.google.com/file/d/1Y8_Fz_w-Cizf8G-2x41UJ43w1ZDb2Sqy/view?usp=sharing Домашнее Задание №1. Дедлайн: 23:59 2 июня 2019]

== Экзамен ==
Экзамен состоится 18 июня, задания будут на компьютерах.

== Полезные материалы ==
=== Основная литература ===
# 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.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.
# Lutz, Mark. Learning Python: Powerful Object-Oriented Programming. "O'Reilly Media.", 2013.

=== Полезные ссылки ===
# Документация языка Python https://docs.python.org/3/
# Хороший классический курс по машинному обучению https://ru.coursera.org/learn/machine-learning
# Материалы вышкинского курса по машинному обучению https://github.com/esokolov/ml-course-hse
# Курс майнора по анализу данных http://wiki.cs.hse.ru/Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных
# Курс майнора по машинному обучению http://wiki.cs.hse.ru/Современные_методы_машинного_обучения_(курс_майнора)_2018/2019

Основы программирования в Python 2019

2019-06-07T14:26:57Z

Apnkv:

== О курсе ==

[[Файл:Python-logo2.png|120px|borderless|left]]

Курс читается для студентов факультета Мировой Экономики ВШЭ в 3-4 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/137309442 Кохтев Вадим Михайлович]

Лекции проходят с 2019 года.

=== Полезные ссылки ===
* [https://t.me/PythonWE2019 Канал курса в телеграме]
* [https://github.com/Kokhtev/HSE-teaching/tree/master/Python-WE-2019 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/edu/courses/219891009 Карточка курса и программа]
* [https://events.webinar.ru/11659699/1903467 Ссылка на вебинар] Вебинар состоялся 23 января.

=== Онлайн-курс ===
Дисциплина реализуется в формате смешанного обучения и состоит из очных занятий и on-line курса, реализованного на базе платформы Coursera для НИУ ВШЭ: https://www.coursera.org/learn/python-osnovy-programmirovaniya/

О записи на курс будет объявлено дополнительно

=== Семинары ===

Семинары проходят по вторникам и субботам. Некоторые семинары проходят на Шаболовке, некоторые — в Армянском переулке. Пожалуйста, всегда проверяйте [https://ruz.hse.ru/ruz/main (РУЗ)], поскольку расписание может меняться.

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание
|-
| БМЭ171 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ172 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ173 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 15:10–16:30
|-
| БМЭ174 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 16:40–18:00
|-
|-
| БМЭ175 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ176 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
|}

=== Система оценок ===
==== Формула оценки ====

Результирующая оценка по дисциплине рассчитывается по формуле:

'''Oитог = 0.7 * Oнакопл + 0.3 * Oэкз'''

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.3 * Oонлайн-курс + 0.3 * Oдз + 0.4 * Oср'''

{| role="presentation" class="wikitable mw-collapsible mw-collapsed"
| Подробнее
|-
|

==== Правила вычисления оценок ====

Оонлайн-курс — [https://www.coursera.org/learn/python-osnovy-programmirovaniya/ Задания онлайн-курса на базе платформы Coursera], каждое оценивается от 0 до 10 баллов; итоговая оценка рассчитывается как сумма баллов от 0 до 100 разделить на 8

Оср — Самостоятельная работа, оценивается от 0 до 10

Одз — Домашние задания: все оцениваются от 0 до 10, после чего находится среднее арифметическое оценок

Все промежуточные оценки могут быть не целыми. Накопленная и итоговая оценки округляются арифметически.

==== Правила сдачи заданий ====
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
Домашнее задание выполняется самостоятельно. При попытке сдать хотя бы частично списанный код (текст), или код (текст), полученный в результате совместного решения задач, вся работа будет оценена на 0 баллов. При обнаружении плагиата оценки за домашнее задание или практику обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат.
|}

== Лекции ==

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture01-intro.pdf Лекция 1 — Типы задач и основные понятия анализа данных и машинного обучения, 18 мая]

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture02-regression.pdf Лекция 2 — Задачи регрессии, 24 мая]

== Семинары ==

[https://yadi.sk/d/4a4o8TKp7eGMKg Семинар 1 — работа с таблицами в pandas]. [https://yadi.sk/d/iyNuckTrRcRVew Данные]. [https://yadi.sk/d/5iQhMnxnFn7OuQ Заполненный семинар]

[https://colab.research.google.com/drive/1NuzmfgQrdZM8ZmffHIIV-OwGh4qARxtS Семинар 2 — градиентный спуск и линейная регрессия]. [https://colab.research.google.com/drive/1PJ7lJ1PuZ42jsZ3yTGj8sxqji2MmeL7g Заполненный семинар]

[https://colab.research.google.com/drive/1lK4puat0AJ6IYvGziv00MZUt2w5TxRJM Семинар 3]

== Домашние задания ==

[https://drive.google.com/file/d/1Y8_Fz_w-Cizf8G-2x41UJ43w1ZDb2Sqy/view?usp=sharing Домашнее Задание №1. Дедлайн: 23:59 2 июня 2019]

== Экзамен ==
Экзамен состоится 18 июня, задания будут на компьютерах.

== Полезные материалы ==
=== Основная литература ===
# 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.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.
# Lutz, Mark. Learning Python: Powerful Object-Oriented Programming. "O'Reilly Media.", 2013.

=== Полезные ссылки ===
# Документация языка Python https://docs.python.org/3/
# Хороший классический курс по машинному обучению https://ru.coursera.org/learn/machine-learning
# Материалы вышкинского курса по машинному обучению https://github.com/esokolov/ml-course-hse
# Курс майнора по анализу данных http://wiki.cs.hse.ru/Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных
# Курс майнора по машинному обучению http://wiki.cs.hse.ru/Современные_методы_машинного_обучения_(курс_майнора)_2018/2019

Основы программирования в Python 2019

2019-06-06T06:33:14Z

Apnkv:

== О курсе ==

[[Файл:Python-logo2.png|120px|borderless|left]]

Курс читается для студентов факультета Мировой Экономики ВШЭ в 3-4 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/137309442 Кохтев Вадим Михайлович]

Лекции проходят с 2019 года.

=== Полезные ссылки ===
* [https://t.me/PythonWE2019 Канал курса в телеграме]
* [https://github.com/Kokhtev/HSE-teaching/tree/master/Python-WE-2019 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/edu/courses/219891009 Карточка курса и программа]
* [https://events.webinar.ru/11659699/1903467 Ссылка на вебинар] Вебинар состоялся 23 января.

=== Онлайн-курс ===
Дисциплина реализуется в формате смешанного обучения и состоит из очных занятий и on-line курса, реализованного на базе платформы Coursera для НИУ ВШЭ: https://www.coursera.org/learn/python-osnovy-programmirovaniya/

О записи на курс будет объявлено дополнительно

=== Семинары ===

Семинары проходят по вторникам и субботам. Некоторые семинары проходят на Шаболовке, некоторые — в Армянском переулке. Пожалуйста, всегда проверяйте [https://ruz.hse.ru/ruz/main (РУЗ)], поскольку расписание может меняться.

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание
|-
| БМЭ171 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ172 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ173 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 15:10–16:30
|-
| БМЭ174 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 16:40–18:00
|-
|-
| БМЭ175 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ176 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
|}

=== Система оценок ===
==== Формула оценки ====

Результирующая оценка по дисциплине рассчитывается по формуле:

'''Oитог = 0.7 * Oнакопл + 0.3 * Oэкз'''

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.3 * Oонлайн-курс + 0.3 * Oдз + 0.4 * Oср'''

{| role="presentation" class="wikitable mw-collapsible mw-collapsed"
| Подробнее
|-
|

==== Правила вычисления оценок ====

Оонлайн-курс — [https://www.coursera.org/learn/python-osnovy-programmirovaniya/ Задания онлайн-курса на базе платформы Coursera], каждое оценивается от 0 до 10 баллов; итоговая оценка рассчитывается как сумма баллов от 0 до 100 разделить на 8

Оср — Самостоятельная работа, оценивается от 0 до 10

Одз — Домашние задания: все оцениваются от 0 до 10, после чего находится среднее арифметическое оценок

Все промежуточные оценки могут быть не целыми. Накопленная и итоговая оценки округляются арифметически.

==== Правила сдачи заданий ====
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
Домашнее задание выполняется самостоятельно. При попытке сдать хотя бы частично списанный код (текст), или код (текст), полученный в результате совместного решения задач, вся работа будет оценена на 0 баллов. При обнаружении плагиата оценки за домашнее задание или практику обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат.
|}

== Лекции ==

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture01-intro.pdf Лекция 1 — Типы задач и основные понятия анализа данных и машинного обучения, 18 мая]

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture02-regression.pdf Лекция 2 — Задачи регрессии, 24 мая]

== Семинары ==

[https://yadi.sk/d/4a4o8TKp7eGMKg Семинар 1 — работа с таблицами в pandas]. [https://yadi.sk/d/iyNuckTrRcRVew Данные]. [https://yadi.sk/d/5iQhMnxnFn7OuQ Заполненный семинар]

[https://colab.research.google.com/drive/1NuzmfgQrdZM8ZmffHIIV-OwGh4qARxtS Семинар 2 — градиентный спуск и линейная регрессия]. [https://colab.research.google.com/drive/1PJ7lJ1PuZ42jsZ3yTGj8sxqji2MmeL7g Заполненный семинар]

== Домашние задания ==

[https://drive.google.com/file/d/1Y8_Fz_w-Cizf8G-2x41UJ43w1ZDb2Sqy/view?usp=sharing Домашнее Задание №1. Дедлайн: 23:59 2 июня 2019]

== Экзамен ==
Экзамен состоится 18 июня, задания будут на компьютерах.

== Полезные материалы ==
=== Основная литература ===
# 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.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.
# Lutz, Mark. Learning Python: Powerful Object-Oriented Programming. "O'Reilly Media.", 2013.

=== Полезные ссылки ===
# Документация языка Python https://docs.python.org/3/
# Хороший классический курс по машинному обучению https://ru.coursera.org/learn/machine-learning
# Материалы вышкинского курса по машинному обучению https://github.com/esokolov/ml-course-hse
# Курс майнора по анализу данных http://wiki.cs.hse.ru/Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных
# Курс майнора по машинному обучению http://wiki.cs.hse.ru/Современные_методы_машинного_обучения_(курс_майнора)_2018/2019

Основы программирования в Python 2019

2019-06-06T06:30:42Z

Apnkv:

== О курсе ==

[[Файл:Python-logo2.png|120px|borderless|left]]

Курс читается для студентов факультета Мировой Экономики ВШЭ в 3-4 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/137309442 Кохтев Вадим Михайлович]

Лекции проходят с 2019 года.

=== Полезные ссылки ===
* [https://t.me/PythonWE2019 Канал курса в телеграме]
* [https://github.com/Kokhtev/HSE-teaching/tree/master/Python-WE-2019 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/edu/courses/219891009 Карточка курса и программа]
* [https://events.webinar.ru/11659699/1903467 Ссылка на вебинар] Вебинар состоялся 23 января.

=== Онлайн-курс ===
Дисциплина реализуется в формате смешанного обучения и состоит из очных занятий и on-line курса, реализованного на базе платформы Coursera для НИУ ВШЭ: https://www.coursera.org/learn/python-osnovy-programmirovaniya/

О записи на курс будет объявлено дополнительно

=== Семинары ===

Семинары проходят по вторникам и субботам. Некоторые семинары проходят на Шаболовке, некоторые — в Армянском переулке. Пожалуйста, всегда проверяйте [https://ruz.hse.ru/ruz/main (РУЗ)], поскольку расписание может меняться.

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание
|-
| БМЭ171 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ172 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ173 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 15:10–16:30
|-
| БМЭ174 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 16:40–18:00
|-
|-
| БМЭ175 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ176 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
|}

=== Система оценок ===
==== Формула оценки ====

Результирующая оценка по дисциплине рассчитывается по формуле:

'''Oитог = 0.7 * Oнакопл + 0.3 * Oэкз'''

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.3 * Oонлайн-курс + 0.3 * Oдз + 0.4 * Oср'''

{| role="presentation" class="wikitable mw-collapsible mw-collapsed"
| Подробнее
|-
|

==== Правила вычисления оценок ====

Оонлайн-курс — [https://www.coursera.org/learn/python-osnovy-programmirovaniya/ Задания онлайн-курса на базе платформы Coursera], каждое оценивается от 0 до 10 баллов; итоговая оценка рассчитывается как сумма баллов от 0 до 100 разделить на 8

Оср — Самостоятельная работа, оценивается от 0 до 10

Одз — Домашние задания: все оцениваются от 0 до 10, после чего находится среднее арифметическое оценок

Все промежуточные оценки могут быть не целыми. Накопленная и итоговая оценки округляются арифметически.

==== Правила сдачи заданий ====
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
Домашнее задание выполняется самостоятельно. При попытке сдать хотя бы частично списанный код (текст), или код (текст), полученный в результате совместного решения задач, вся работа будет оценена на 0 баллов. При обнаружении плагиата оценки за домашнее задание или практику обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат.
|}

== Лекции ==

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture01-intro.pdf Лекция 1 — Типы задач и основные понятия анализа данных и машинного обучения, 18 мая]

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture02-regression.pdf Лекция 2 — Задачи регрессии, 24 мая]

== Семинары ==

[https://yadi.sk/d/4a4o8TKp7eGMKg Семинар 1 — работа с таблицами в pandas]. [https://yadi.sk/d/iyNuckTrRcRVew Данные]. [https://yadi.sk/d/5iQhMnxnFn7OuQ Заполненный семинар]
[https://colab.research.google.com/drive/1NuzmfgQrdZM8ZmffHIIV-OwGh4qARxtS Семинар 2 — градиентный спуск и линейная регрессия]. [https://colab.research.google.com/drive/1PJ7lJ1PuZ42jsZ3yTGj8sxqji2MmeL7g Заполненный семинар]

== Домашние задания ==

[https://drive.google.com/file/d/1Y8_Fz_w-Cizf8G-2x41UJ43w1ZDb2Sqy/view?usp=sharing Домашнее Задание №1. Дедлайн: 23:59 2 июня 2019]

== Экзамен ==
Экзамен состоится 18 июня, задания будут на компьютерах.

== Полезные материалы ==
=== Основная литература ===
# 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.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.
# Lutz, Mark. Learning Python: Powerful Object-Oriented Programming. "O'Reilly Media.", 2013.

=== Полезные ссылки ===
# Документация языка Python https://docs.python.org/3/
# Хороший классический курс по машинному обучению https://ru.coursera.org/learn/machine-learning
# Материалы вышкинского курса по машинному обучению https://github.com/esokolov/ml-course-hse
# Курс майнора по анализу данных http://wiki.cs.hse.ru/Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных
# Курс майнора по машинному обучению http://wiki.cs.hse.ru/Современные_методы_машинного_обучения_(курс_майнора)_2018/2019

Основы программирования в Python 2019

2019-06-02T19:16:21Z

Apnkv:

== О курсе ==

[[Файл:Python-logo2.png|120px|borderless|left]]

Курс читается для студентов факультета Мировой Экономики ВШЭ в 3-4 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/137309442 Кохтев Вадим Михайлович]

Лекции проходят с 2019 года.

=== Полезные ссылки ===
* [https://t.me/PythonWE2019 Канал курса в телеграме]
* [https://github.com/Kokhtev/HSE-teaching/tree/master/Python-WE-2019 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/edu/courses/219891009 Карточка курса и программа]
* [https://events.webinar.ru/11659699/1903467 Ссылка на вебинар] Вебинар состоялся 23 января.

=== Онлайн-курс ===
Дисциплина реализуется в формате смешанного обучения и состоит из очных занятий и on-line курса, реализованного на базе платформы Coursera для НИУ ВШЭ: https://www.coursera.org/learn/python-osnovy-programmirovaniya/

О записи на курс будет объявлено дополнительно

=== Семинары ===

Семинары проходят по вторникам и субботам. Некоторые семинары проходят на Шаболовке, некоторые — в Армянском переулке. Пожалуйста, всегда проверяйте [https://ruz.hse.ru/ruz/main (РУЗ)], поскольку расписание может меняться.

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание
|-
| БМЭ171 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ172 || Такташева Мария Вадимовна || Пузырев Дмитрий || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ173 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 15:10–16:30
|-
| БМЭ174 || Першин Максим Андреевич || Кошелев Антон || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 16:40–18:00
|-
|-
| БМЭ175 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ176 || Панков Алексей Алексеевич || Попова Наталья || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
|}

=== Система оценок ===
==== Формула оценки ====

Результирующая оценка по дисциплине рассчитывается по формуле:

'''Oитог = 0.7 * Oнакопл + 0.3 * Oэкз'''

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.3 * Oонлайн-курс + 0.3 * Oдз + 0.4 * Oср'''

{| role="presentation" class="wikitable mw-collapsible mw-collapsed"
| Подробнее
|-
|

==== Правила вычисления оценок ====

Оонлайн-курс — [https://www.coursera.org/learn/python-osnovy-programmirovaniya/ Задания онлайн-курса на базе платформы Coursera], каждое оценивается от 0 до 10 баллов; итоговая оценка рассчитывается как сумма баллов от 0 до 100 разделить на 8

Оср — Самостоятельная работа, оценивается от 0 до 10

Одз — Домашние задания: все оцениваются от 0 до 10, после чего находится среднее арифметическое оценок

Все промежуточные оценки могут быть не целыми. Накопленная и итоговая оценки округляются арифметически.

==== Правила сдачи заданий ====
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
Домашнее задание выполняется самостоятельно. При попытке сдать хотя бы частично списанный код (текст), или код (текст), полученный в результате совместного решения задач, вся работа будет оценена на 0 баллов. При обнаружении плагиата оценки за домашнее задание или практику обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат.
|}

== Лекции ==

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture01-intro.pdf Лекция 1 — Типы задач и основные понятия анализа данных и машинного обучения, 18 мая]

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture02-regression.pdf Лекция 2 — Задачи регрессии, 24 мая]

== Семинары ==

[https://yadi.sk/d/4a4o8TKp7eGMKg Семинар 1 — работа с таблицами в pandas]. [https://yadi.sk/d/iyNuckTrRcRVew Данные]. [https://yadi.sk/d/5iQhMnxnFn7OuQ Заполненный семинар]

== Домашние задания ==

[https://drive.google.com/file/d/1Y8_Fz_w-Cizf8G-2x41UJ43w1ZDb2Sqy/view?usp=sharing Домашнее Задание №1. Дедлайн: 23:59 2 июня 2019]

== Экзамен ==
Экзамен состоится 18 июня, задания будут на компьютерах.

== Полезные материалы ==
=== Основная литература ===
# 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.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.
# Lutz, Mark. Learning Python: Powerful Object-Oriented Programming. "O'Reilly Media.", 2013.

=== Полезные ссылки ===
# Документация языка Python https://docs.python.org/3/
# Хороший классический курс по машинному обучению https://ru.coursera.org/learn/machine-learning
# Материалы вышкинского курса по машинному обучению https://github.com/esokolov/ml-course-hse
# Курс майнора по анализу данных http://wiki.cs.hse.ru/Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных
# Курс майнора по машинному обучению http://wiki.cs.hse.ru/Современные_методы_машинного_обучения_(курс_майнора)_2018/2019

Основы программирования в Python 2019

2019-05-21T15:21:22Z

Apnkv: /* Новости курса */

== О курсе ==

[[Файл:Python-logo2.png|120px|borderless|left]]

Курс читается для студентов факультета Мировой Экономики ВШЭ в 3-4 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/137309442 Кохтев Вадим Михайлович]

Лекции проходят по TBA.

=== Полезные ссылки ===
* [TBA Чат курса в телеграме]
* [TBA Репозиторий с материалами на GitHub]
* [https://www.hse.ru/edu/courses/219891009 Карточка курса и программа]
* [https://events.webinar.ru/11659699/1903467 Ссылка на вебинар] Вебинар состоится 23 января (среда), начало в 20:00.

=== Онлайн-курс ===
Дисциплина реализуется в формате смешанного обучения и состоит из очных занятий и on-line курса, реализованного на базе платформы Coursera для НИУ ВШЭ: https://www.coursera.org/learn/python-osnovy-programmirovaniya/

О записи на курс будет объявлено дополнительно

=== Семинары ===

Семинары проходят по вторникам и субботам. Некоторые семинары проходят на Шаболовке, некоторые — в Армянском переулке. Пожалуйста, всегда проверяйте [https://ruz.hse.ru/ruz/main (РУЗ)], поскольку расписание может меняться.

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание
|-
| БМЭ171 || Такташева Мария Вадимовна || TBA || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ172 || Такташева Мария Вадимовна || TBA || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ173 || Першин Максим Андреевич || TBA || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 15:10–16:30
|-
| БМЭ174 || Першин Максим Андреевич || TBA || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 16:40–18:00
|-
|-
| БМЭ175 || Панков Алексей Алексеевич || TBA || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ176 || Панков Алексей Алексеевич || TBA || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
|}

=== Система оценок ===
==== Формула оценки ====

Результирующая оценка по дисциплине рассчитывается по формуле:

'''Oитог = 0.7 * Oнакопл + 0.3 * Oэкз'''

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.3 * Oонлайн-курс + 0.3 * Oдз + 0.4 * Oср'''

{| role="presentation" class="wikitable mw-collapsible mw-collapsed"
| Подробнее
|-
|

==== Правила вычисления оценок ====

Оонлайн-курс — [https://www.coursera.org/learn/python-osnovy-programmirovaniya/ Задания онлайн-курса на базе платформы Coursera], каждое оценивается от 0 до 10 баллов; итоговая оценка рассчитывается как сумма баллов от 0 до 100 разделить на 8

Оср — Самостоятельная работа, оценивается от 0 до 10

Одз — Домашние задания: все оцениваются от 0 до 10, после чего находится среднее арифметическое оценок

Все промежуточные оценки могут быть не целыми. Накопленная и итоговая оценки округляются арифметически.

==== Правила сдачи заданий ====
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
Домашнее задание выполняется самостоятельно. При попытке сдать хотя бы частично списанный код (текст), или код (текст), полученный в результате совместного решения задач, вся работа будет оценена на 0 баллов. При обнаружении плагиата оценки за домашнее задание или практику обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат.
|}

== Лекции ==

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture01-intro.pdf Лекция 1 — Типы задач и основные понятия анализа данных и машинного обучения]

== Семинары ==

[https://yadi.sk/d/4a4o8TKp7eGMKg Семинар 1 — работа с таблицами в pandas]. [https://yadi.sk/d/iyNuckTrRcRVew Данные]. [https://yadi.sk/d/5iQhMnxnFn7OuQ Заполненный семинар]

== Домашние задания ==

== Новости курса ==

У курса появился [https://t.me/PythonWE2019 телеграм-канал], там новости будут появляться раньше.

== Полезные материалы ==
=== Основная литература ===
# 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.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.
# Lutz, Mark. Learning Python: Powerful Object-Oriented Programming. "O'Reilly Media.", 2013.

=== Полезные ссылки ===
# Документация языка Python https://docs.python.org/3/
# [TBA]

Основы программирования в Python 2019

2019-05-21T15:20:00Z

Apnkv: /* Лекции */

== О курсе ==

[[Файл:Python-logo2.png|120px|borderless|left]]

Курс читается для студентов факультета Мировой Экономики ВШЭ в 3-4 модулях.

'''Лектор:''' [https://www.hse.ru/org/persons/137309442 Кохтев Вадим Михайлович]

Лекции проходят по TBA.

=== Полезные ссылки ===
* [TBA Чат курса в телеграме]
* [TBA Репозиторий с материалами на GitHub]
* [https://www.hse.ru/edu/courses/219891009 Карточка курса и программа]
* [https://events.webinar.ru/11659699/1903467 Ссылка на вебинар] Вебинар состоится 23 января (среда), начало в 20:00.

=== Онлайн-курс ===
Дисциплина реализуется в формате смешанного обучения и состоит из очных занятий и on-line курса, реализованного на базе платформы Coursera для НИУ ВШЭ: https://www.coursera.org/learn/python-osnovy-programmirovaniya/

О записи на курс будет объявлено дополнительно

=== Семинары ===

Семинары проходят по вторникам и субботам. Некоторые семинары проходят на Шаболовке, некоторые — в Армянском переулке. Пожалуйста, всегда проверяйте [https://ruz.hse.ru/ruz/main (РУЗ)], поскольку расписание может меняться.

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание
|-
| БМЭ171 || Такташева Мария Вадимовна || TBA || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ172 || Такташева Мария Вадимовна || TBA || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ173 || Першин Максим Андреевич || TBA || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 15:10–16:30
|-
| БМЭ174 || Першин Максим Андреевич || TBA || 30.04, 14.05, 21.05, 28.05, 04.06, 11.06 
4336 (Шаболовка ул., д. 26), 16:40–18:00
|-
|-
| БМЭ175 || Панков Алексей Алексеевич || TBA || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
| БМЭ176 || Панков Алексей Алексеевич || TBA || [https://ruz.hse.ru/ruz/main (есть в РУЗе)]
|-
|}

=== Система оценок ===
==== Формула оценки ====

Результирующая оценка по дисциплине рассчитывается по формуле:

'''Oитог = 0.7 * Oнакопл + 0.3 * Oэкз'''

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.3 * Oонлайн-курс + 0.3 * Oдз + 0.4 * Oср'''

{| role="presentation" class="wikitable mw-collapsible mw-collapsed"
| Подробнее
|-
|

==== Правила вычисления оценок ====

Оонлайн-курс — [https://www.coursera.org/learn/python-osnovy-programmirovaniya/ Задания онлайн-курса на базе платформы Coursera], каждое оценивается от 0 до 10 баллов; итоговая оценка рассчитывается как сумма баллов от 0 до 100 разделить на 8

Оср — Самостоятельная работа, оценивается от 0 до 10

Одз — Домашние задания: все оцениваются от 0 до 10, после чего находится среднее арифметическое оценок

Все промежуточные оценки могут быть не целыми. Накопленная и итоговая оценки округляются арифметически.

==== Правила сдачи заданий ====
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
Домашнее задание выполняется самостоятельно. При попытке сдать хотя бы частично списанный код (текст), или код (текст), полученный в результате совместного решения задач, вся работа будет оценена на 0 баллов. При обнаружении плагиата оценки за домашнее задание или практику обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат.
|}

== Лекции ==

[https://github.com/Kokhtev/HSE-teaching/blob/master/Python-WE-2019/lecture-notes/lecture01-intro.pdf Лекция 1 — Типы задач и основные понятия анализа данных и машинного обучения]

== Семинары ==

[https://yadi.sk/d/4a4o8TKp7eGMKg Семинар 1 — работа с таблицами в pandas]. [https://yadi.sk/d/iyNuckTrRcRVew Данные]. [https://yadi.sk/d/5iQhMnxnFn7OuQ Заполненный семинар]

== Домашние задания ==

== Новости курса ==

== Полезные материалы ==
=== Основная литература ===
# 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.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.
# Lutz, Mark. Learning Python: Powerful Object-Oriented Programming. "O'Reilly Media.", 2013.

=== Полезные ссылки ===
# Документация языка Python https://docs.python.org/3/
# [TBA]

Основы программирования в Python 2019

2019-05-21T15:15:03Z

Apnkv: /* Семинары */

Основы программирования в Python 2019

2019-05-21T15:14:32Z

Apnkv: /* Семинары */

Основы программирования в Python 2019

2019-05-21T07:26:44Z

Apnkv: Добавил ссылку на тетрадь семинара

Основы программирования в Python 2019

2019-04-23T10:27:28Z

Apnkv: /* Семинары */