Wiki - Факультет компьютерных наук - Вклад [ru]

Дополнительные главы прикладной статистики (2020/21)

2018-10-30T21:54:12Z

Artonson: /* Итоговая оценка за курс */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.

'''Лектора:''' Артемов Алексей Валерьевич, Деркач Денис Александрович, Шараев Максим Геннадьевич

Лекции проходят по субботам (8, 15, 22, 29 сентября, 6, 13, 20, 27 октября, 3, 10, 17, 24 ноября, 1, 8 декабря), 13:40 - 15:00, ауд. 205.

=== Полезные ссылки ===

Телеграм-чат курса: [https://t.me/joinchat/BgHoTw26JD10m_EUoVA8Gw Общая группа курса ПСМО-18/19]

Гитхаб курса: [https://github.com/artonson/hse-stat-course-2018 hse-stat-course-2018]

Anytask курса: [https://anytask.org/course/381 anytask]

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! инвайт AnyTask
|-
| 162 (МОП) || Кондратьева Екатерина || Алексей Хачиянц || суббота, 15:10 - 16:30, ауд. 505 || nnxckG8
|-
| 161 (МОП) || Белавин Владислав || Диана Полонская || суббота, 15:10 - 16:30, ауд. 503 || 1jiNCvR
|}

===Отчётность по курсу и критерии оценки===

==== Домашние задания ====

В рамках курса каждые два занятия будет выдаваться домашняя работа содержащая теоретические и практические задачи по материалам прошедших занятий.

* На выполнение ДЗ отводится 2 недели. За решения отправленные после дедлайна начисляется 0 баллов.
* Каждое ДЗ оценивается по шкале от 0 до 10 баллов с шагом в 0.5 баллов.
* Итоговая оценка за ДЗ считается как среднее арифметическое округленное до ближайшего целого или половинного балла.

====Тесты====

В начале каждой лекции, начиная со второй, будет проводиться тест по материалам предыдущей недели. Тест состоит из 10 вопросов.

====Коллоквиум====

За коллоквиум ставится оценка от 0 до 10 баллов с шагом в 0.5.
Проводится в форме письменной контрольной.

Дата проведения письменного коллоквиума -- '''10 ноября, 13:40-15:00, аудитория 205.'''

[https://github.com/artonson/hse-stat-course-2018/blob/master/testings/colloquium.pdf Программа коллоквиума [PDF, 460 КБайт<nowiki>]</nowiki>]

====Экзамен====

Устный экзамен по всем темам модуля оценивается от 0 до 10 баллов с шагом в 0.5.

====Итоговая оценка за курс====

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.8 * Oнакопл + 0.2 * Оэкз

Oнакопл = 0.75 * Oдз + 0.125 * Осамост + 0.125 * Околлок

'''Возможность получить автомат'''

Если вы:

* набрали больше или ровно 8 бонусных баллов за ДЗ;
* посетили больше или ровно 60% лекций;

То вы молодец и получаете право на 8, 9 или 10 автоматом(зависит от Oнакопл :)

==Лекции и семинары==

{| class="wikitable"
|-
! Номер !! Дата !! Название !! Материалы
|-
| 1 || 8 сентября || '''Введение. Задачи по теории вероятностей и статистике''' На занятии будут рассмотрены задачи по различным областям теории вероятностей и статистике для освежения знаний теории вероятностей и статистики у коллег. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture-01-course-intro.pdf Слайды Course Intro] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/01-intro/seminar-01-problems.pdf Вводный семинар]
|-
| 2 || 15 сентября || '''Ресемплинг''' Моделирование Монте-Карло, бутстреп. Оценка дисперсии на основе бутстрепа. Оценка доверительных интервалов на основе бутстрепа. Метод складного ножа. Множественная проверка гипотез, методы коррекции. Беггинг. '''Тест:''' основы математической статистики. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture_02_resampling.pdf Слайды Ресэмплинг] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/02-bootstrap/Bootstrap.ipynb Семинар по бутстрапу]
|-
| 3 || 22 сентября || '''Параметрическое оценивание''' Метод максимального правдоподобия и его свойства. Дельта-метод. Случай векторного параметра. Доверительное оценивание. Достаточная статистика. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture_03_parametric.pdf Слайды по оценке параметров] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/03-parameter_estimation/seminar_parametric_estimation.ipynb Семинар по оценке параметров] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/03-parameter_estimation/parameter_estimation_with_probfit_and_pytorch.ipynb Оценка параметров]
|-
| 4 || 29 сентября || '''Метрики для сравнения распределений''' f-дивергенции, KL дивергенция, метрика Вассерштейна, растояние Йенсена-Шеннона. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture_04_distance.pdf Слайды по метрикам] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/04-metrics/04_natural_gradient_unfilled.ipynb Семинар]
|-
| 5 || 6 октября || '''Проверка гипотез''' f-дивергенции, KL дивергенция, метрика Вассерштейна, растояние Йенсена-Шеннона. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture_05_tests_intro.pdf Слайды по тестированию гипотез] [Семинар ]
|}

==Домашние задания==

Все домашние задания сдавать в Anytask курса.

{| class="wikitable"
|-
! Номер !! Сроки выполнения !! Ссылка на условие
|-
| 1 || 20 сентября - 5 октября || https://github.com/artonson/hse-stat-course-2018/blob/master/homework-handouts/homework-1.pdf
|-
| 2 || 10 октября - 24 октября 23:59 || https://github.com/artonson/hse-stat-course-2018/blob/master/homework-handouts/homework-2.pdf
|}

==Новости курса==

'''[08.09.18]''' - Первая лекция и семинар объединены и проводятся в 205 аудитории с 13:40 до 16:30.

(В этом разделе публикуется текущая информация по курсу: переносы, изменения в запланированной программе, ...)

==Полезные материалы==

1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

2. [https://www.dropbox.com/s/nrempaxwtf0hbqg/Wasserman%20L.%20All%20of%20Nonparametric%20Statistics.pdf?dl=0 Wasserman L. All of Nonparametric Statistics. Springer, 2006.]

3. [https://www.dropbox.com/s/fwat2tikn9wkqre/Bishop%20C.M.%20Pattern%20recognition%20and%20machine%20learning.pdf?dl=0 Bishop C.M. Pattern recognition and machine learning. Springer, 2006.]

4. [https://www.dropbox.com/s/h0kaiix6y3g3yzl/David%20Mackay%20J.C.%20Information%20theory%2C%20inference%2C%20and%20learning%20algorithms..pdf?dl=0 David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.]

5. [https://www.dropbox.com/s/3dyw3c4bv5bl2xw/Grimmett%20G.%2C%20Stirzaker%20D.%20Probability%20and%20Random%20Processes.djvu?dl=0 Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.]

6. [https://www.dropbox.com/s/r8wcms7vszqd8tv/Forrester%20A.%2C%20Sobester%20A.%2C%20Keane%20A.%20Engineering%20Design%20via%20Surrogate%20Modelling.pdf?dl=0 Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.]

7. [https://www.dropbox.com/s/f07k3k9ak8b4wbq/Lee%20J.A.%2C%20Verleysen%20M.%20Nonlinear%20Dimensionality%20Reduction.pdf?dl=0 Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.]

8. [https://www.dropbox.com/s/izx6kbyd3jcz162/Wang%20G.G.%2C%20Shan%20S.%20Review%20of%20Metamodeling%20Techniques%20in%20Support%20of%20Engineering%20Design%20Optimization.pdf?dl=0 Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.]

9. [https://www.dropbox.com/s/13vgwzjhfygcui3/Deconinck%2C%20Periaux%2C%20Giannakoglou%20%28eds.%29.%20Optimization%20method%20and%20tools%20for%20multicriteria%20multidisciplinary%20design.pdf?dl=0 Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.]

10. [https://www.dropbox.com/s/f8hl8iliswk2fgv/%D0%9B%D0%B0%D0%B3%D1%83%D1%82%D0%B8%D0%BD%20%D0%9C.%D0%91.%20%D0%9D%D0%B0%D0%B3%D0%BB%D1%8F%D0%B4%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.djvu?dl=0 Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.]

11. [https://www.dropbox.com/s/hjv1olagi1smkll/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F%20%D0%B8%20%D0%BF%D0%B5%D1%80%D0%B2%D0%B8%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.]

12. [https://www.dropbox.com/s/46aw6dnnf9ec7ko/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B5%D0%B9.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.]

13. [https://www.dropbox.com/s/e7gx4womlbtasic/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%91%D1%83%D1%85%D1%88%D1%82%D0%B0%D0%B1%D0%B5%D1%80%20%D0%92.%D0%9C.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%A1.%D0%90.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8.djvu?dl=0 Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.]

Дополнительные главы прикладной статистики (2020/21)

2018-10-30T21:52:55Z

Artonson: /* Коллоквиум */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.

'''Лектора:''' Артемов Алексей Валерьевич, Деркач Денис Александрович, Шараев Максим Геннадьевич

Лекции проходят по субботам (8, 15, 22, 29 сентября, 6, 13, 20, 27 октября, 3, 10, 17, 24 ноября, 1, 8 декабря), 13:40 - 15:00, ауд. 205.

=== Полезные ссылки ===

Телеграм-чат курса: [https://t.me/joinchat/BgHoTw26JD10m_EUoVA8Gw Общая группа курса ПСМО-18/19]

Гитхаб курса: [https://github.com/artonson/hse-stat-course-2018 hse-stat-course-2018]

Anytask курса: [https://anytask.org/course/381 anytask]

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! инвайт AnyTask
|-
| 162 (МОП) || Кондратьева Екатерина || Алексей Хачиянц || суббота, 15:10 - 16:30, ауд. 505 || nnxckG8
|-
| 161 (МОП) || Белавин Владислав || Диана Полонская || суббота, 15:10 - 16:30, ауд. 503 || 1jiNCvR
|}

===Отчётность по курсу и критерии оценки===

==== Домашние задания ====

В рамках курса каждые два занятия будет выдаваться домашняя работа содержащая теоретические и практические задачи по материалам прошедших занятий.

* На выполнение ДЗ отводится 2 недели. За решения отправленные после дедлайна начисляется 0 баллов.
* Каждое ДЗ оценивается по шкале от 0 до 10 баллов с шагом в 0.5 баллов.
* Итоговая оценка за ДЗ считается как среднее арифметическое округленное до ближайшего целого или половинного балла.

====Тесты====

В начале каждой лекции, начиная со второй, будет проводиться тест по материалам предыдущей недели. Тест состоит из 10 вопросов.

====Коллоквиум====

За коллоквиум ставится оценка от 0 до 10 баллов с шагом в 0.5.
Проводится в форме письменной контрольной.

Дата проведения письменного коллоквиума -- '''10 ноября, 13:40-15:00, аудитория 205.'''

[https://github.com/artonson/hse-stat-course-2018/blob/master/testings/colloquium.pdf Программа коллоквиума [PDF, 460 КБайт<nowiki>]</nowiki>]

====Экзамен====

Устный экзамен по всем темам модуля оценивается от 0 до 10 баллов с шагом в 0.5.

====Итоговая оценка за курс====

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.8 * Oнакопл + 0.2 * Оэкз

Oнакопл = 0.75 * Oдз + 0.25 * Осамост

'''Возможность получить автомат'''

Если вы:

* набрали больше или ровно 8 бонусных баллов за ДЗ;
* посетили больше или ровно 60% лекций;

То вы молодец и получаете право на 8, 9 или 10 автоматом(зависит от Oнакопл :)

==Лекции и семинары==

{| class="wikitable"
|-
! Номер !! Дата !! Название !! Материалы
|-
| 1 || 8 сентября || '''Введение. Задачи по теории вероятностей и статистике''' На занятии будут рассмотрены задачи по различным областям теории вероятностей и статистике для освежения знаний теории вероятностей и статистики у коллег. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture-01-course-intro.pdf Слайды Course Intro] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/01-intro/seminar-01-problems.pdf Вводный семинар]
|-
| 2 || 15 сентября || '''Ресемплинг''' Моделирование Монте-Карло, бутстреп. Оценка дисперсии на основе бутстрепа. Оценка доверительных интервалов на основе бутстрепа. Метод складного ножа. Множественная проверка гипотез, методы коррекции. Беггинг. '''Тест:''' основы математической статистики. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture_02_resampling.pdf Слайды Ресэмплинг] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/02-bootstrap/Bootstrap.ipynb Семинар по бутстрапу]
|-
| 3 || 22 сентября || '''Параметрическое оценивание''' Метод максимального правдоподобия и его свойства. Дельта-метод. Случай векторного параметра. Доверительное оценивание. Достаточная статистика. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture_03_parametric.pdf Слайды по оценке параметров] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/03-parameter_estimation/seminar_parametric_estimation.ipynb Семинар по оценке параметров] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/03-parameter_estimation/parameter_estimation_with_probfit_and_pytorch.ipynb Оценка параметров]
|-
| 4 || 29 сентября || '''Метрики для сравнения распределений''' f-дивергенции, KL дивергенция, метрика Вассерштейна, растояние Йенсена-Шеннона. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture_04_distance.pdf Слайды по метрикам] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/04-metrics/04_natural_gradient_unfilled.ipynb Семинар]
|-
| 5 || 6 октября || '''Проверка гипотез''' f-дивергенции, KL дивергенция, метрика Вассерштейна, растояние Йенсена-Шеннона. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture_05_tests_intro.pdf Слайды по тестированию гипотез] [Семинар ]
|}

==Домашние задания==

Все домашние задания сдавать в Anytask курса.

{| class="wikitable"
|-
! Номер !! Сроки выполнения !! Ссылка на условие
|-
| 1 || 20 сентября - 5 октября || https://github.com/artonson/hse-stat-course-2018/blob/master/homework-handouts/homework-1.pdf
|-
| 2 || 10 октября - 24 октября 23:59 || https://github.com/artonson/hse-stat-course-2018/blob/master/homework-handouts/homework-2.pdf
|}

==Новости курса==

'''[08.09.18]''' - Первая лекция и семинар объединены и проводятся в 205 аудитории с 13:40 до 16:30.

(В этом разделе публикуется текущая информация по курсу: переносы, изменения в запланированной программе, ...)

==Полезные материалы==

1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

2. [https://www.dropbox.com/s/nrempaxwtf0hbqg/Wasserman%20L.%20All%20of%20Nonparametric%20Statistics.pdf?dl=0 Wasserman L. All of Nonparametric Statistics. Springer, 2006.]

3. [https://www.dropbox.com/s/fwat2tikn9wkqre/Bishop%20C.M.%20Pattern%20recognition%20and%20machine%20learning.pdf?dl=0 Bishop C.M. Pattern recognition and machine learning. Springer, 2006.]

4. [https://www.dropbox.com/s/h0kaiix6y3g3yzl/David%20Mackay%20J.C.%20Information%20theory%2C%20inference%2C%20and%20learning%20algorithms..pdf?dl=0 David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.]

5. [https://www.dropbox.com/s/3dyw3c4bv5bl2xw/Grimmett%20G.%2C%20Stirzaker%20D.%20Probability%20and%20Random%20Processes.djvu?dl=0 Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.]

6. [https://www.dropbox.com/s/r8wcms7vszqd8tv/Forrester%20A.%2C%20Sobester%20A.%2C%20Keane%20A.%20Engineering%20Design%20via%20Surrogate%20Modelling.pdf?dl=0 Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.]

7. [https://www.dropbox.com/s/f07k3k9ak8b4wbq/Lee%20J.A.%2C%20Verleysen%20M.%20Nonlinear%20Dimensionality%20Reduction.pdf?dl=0 Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.]

8. [https://www.dropbox.com/s/izx6kbyd3jcz162/Wang%20G.G.%2C%20Shan%20S.%20Review%20of%20Metamodeling%20Techniques%20in%20Support%20of%20Engineering%20Design%20Optimization.pdf?dl=0 Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.]

9. [https://www.dropbox.com/s/13vgwzjhfygcui3/Deconinck%2C%20Periaux%2C%20Giannakoglou%20%28eds.%29.%20Optimization%20method%20and%20tools%20for%20multicriteria%20multidisciplinary%20design.pdf?dl=0 Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.]

10. [https://www.dropbox.com/s/f8hl8iliswk2fgv/%D0%9B%D0%B0%D0%B3%D1%83%D1%82%D0%B8%D0%BD%20%D0%9C.%D0%91.%20%D0%9D%D0%B0%D0%B3%D0%BB%D1%8F%D0%B4%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.djvu?dl=0 Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.]

11. [https://www.dropbox.com/s/hjv1olagi1smkll/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F%20%D0%B8%20%D0%BF%D0%B5%D1%80%D0%B2%D0%B8%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.]

12. [https://www.dropbox.com/s/46aw6dnnf9ec7ko/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B5%D0%B9.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.]

13. [https://www.dropbox.com/s/e7gx4womlbtasic/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%91%D1%83%D1%85%D1%88%D1%82%D0%B0%D0%B1%D0%B5%D1%80%20%D0%92.%D0%9C.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%A1.%D0%90.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8.djvu?dl=0 Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.]

Дополнительные главы прикладной статистики (2020/21)

2018-10-30T21:51:01Z

Artonson: /* Коллоквиум */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.

'''Лектора:''' Артемов Алексей Валерьевич, Деркач Денис Александрович, Шараев Максим Геннадьевич

Лекции проходят по субботам (8, 15, 22, 29 сентября, 6, 13, 20, 27 октября, 3, 10, 17, 24 ноября, 1, 8 декабря), 13:40 - 15:00, ауд. 205.

=== Полезные ссылки ===

Телеграм-чат курса: [https://t.me/joinchat/BgHoTw26JD10m_EUoVA8Gw Общая группа курса ПСМО-18/19]

Гитхаб курса: [https://github.com/artonson/hse-stat-course-2018 hse-stat-course-2018]

Anytask курса: [https://anytask.org/course/381 anytask]

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! инвайт AnyTask
|-
| 162 (МОП) || Кондратьева Екатерина || Алексей Хачиянц || суббота, 15:10 - 16:30, ауд. 505 || nnxckG8
|-
| 161 (МОП) || Белавин Владислав || Диана Полонская || суббота, 15:10 - 16:30, ауд. 503 || 1jiNCvR
|}

===Отчётность по курсу и критерии оценки===

==== Домашние задания ====

В рамках курса каждые два занятия будет выдаваться домашняя работа содержащая теоретические и практические задачи по материалам прошедших занятий.

* На выполнение ДЗ отводится 2 недели. За решения отправленные после дедлайна начисляется 0 баллов.
* Каждое ДЗ оценивается по шкале от 0 до 10 баллов с шагом в 0.5 баллов.
* Итоговая оценка за ДЗ считается как среднее арифметическое округленное до ближайшего целого или половинного балла.

====Тесты====

В начале каждой лекции, начиная со второй, будет проводиться тест по материалам предыдущей недели. Тест состоит из 10 вопросов.

====Коллоквиум====

За коллоквиум ставится оценка от 0 до 10 баллов с шагом в 0.5.
Проводится в форме письменной контрольной.

[https://github.com/artonson/hse-stat-course-2018/blob/master/testings/colloquium.pdf Программа коллоквиума [PDF, 460 КБайт<nowiki>]</nowiki>]

====Экзамен====

Устный экзамен по всем темам модуля оценивается от 0 до 10 баллов с шагом в 0.5.

====Итоговая оценка за курс====

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.8 * Oнакопл + 0.2 * Оэкз

Oнакопл = 0.75 * Oдз + 0.25 * Осамост

'''Возможность получить автомат'''

Если вы:

* набрали больше или ровно 8 бонусных баллов за ДЗ;
* посетили больше или ровно 60% лекций;

То вы молодец и получаете право на 8, 9 или 10 автоматом(зависит от Oнакопл :)

==Лекции и семинары==

{| class="wikitable"
|-
! Номер !! Дата !! Название !! Материалы
|-
| 1 || 8 сентября || '''Введение. Задачи по теории вероятностей и статистике''' На занятии будут рассмотрены задачи по различным областям теории вероятностей и статистике для освежения знаний теории вероятностей и статистики у коллег. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture-01-course-intro.pdf Слайды Course Intro] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/01-intro/seminar-01-problems.pdf Вводный семинар]
|-
| 2 || 15 сентября || '''Ресемплинг''' Моделирование Монте-Карло, бутстреп. Оценка дисперсии на основе бутстрепа. Оценка доверительных интервалов на основе бутстрепа. Метод складного ножа. Множественная проверка гипотез, методы коррекции. Беггинг. '''Тест:''' основы математической статистики. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture_02_resampling.pdf Слайды Ресэмплинг] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/02-bootstrap/Bootstrap.ipynb Семинар по бутстрапу]
|-
| 3 || 22 сентября || '''Параметрическое оценивание''' Метод максимального правдоподобия и его свойства. Дельта-метод. Случай векторного параметра. Доверительное оценивание. Достаточная статистика. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture_03_parametric.pdf Слайды по оценке параметров] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/03-parameter_estimation/seminar_parametric_estimation.ipynb Семинар по оценке параметров] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/03-parameter_estimation/parameter_estimation_with_probfit_and_pytorch.ipynb Оценка параметров]
|-
| 4 || 29 сентября || '''Метрики для сравнения распределений''' f-дивергенции, KL дивергенция, метрика Вассерштейна, растояние Йенсена-Шеннона. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture_04_distance.pdf Слайды по метрикам] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/04-metrics/04_natural_gradient_unfilled.ipynb Семинар]
|-
| 5 || 6 октября || '''Проверка гипотез''' f-дивергенции, KL дивергенция, метрика Вассерштейна, растояние Йенсена-Шеннона. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture_05_tests_intro.pdf Слайды по тестированию гипотез] [Семинар ]
|}

==Домашние задания==

Все домашние задания сдавать в Anytask курса.

{| class="wikitable"
|-
! Номер !! Сроки выполнения !! Ссылка на условие
|-
| 1 || 20 сентября - 5 октября || https://github.com/artonson/hse-stat-course-2018/blob/master/homework-handouts/homework-1.pdf
|-
| 2 || 10 октября - 24 октября 23:59 || https://github.com/artonson/hse-stat-course-2018/blob/master/homework-handouts/homework-2.pdf
|}

==Новости курса==

'''[08.09.18]''' - Первая лекция и семинар объединены и проводятся в 205 аудитории с 13:40 до 16:30.

(В этом разделе публикуется текущая информация по курсу: переносы, изменения в запланированной программе, ...)

==Полезные материалы==

1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

2. [https://www.dropbox.com/s/nrempaxwtf0hbqg/Wasserman%20L.%20All%20of%20Nonparametric%20Statistics.pdf?dl=0 Wasserman L. All of Nonparametric Statistics. Springer, 2006.]

3. [https://www.dropbox.com/s/fwat2tikn9wkqre/Bishop%20C.M.%20Pattern%20recognition%20and%20machine%20learning.pdf?dl=0 Bishop C.M. Pattern recognition and machine learning. Springer, 2006.]

4. [https://www.dropbox.com/s/h0kaiix6y3g3yzl/David%20Mackay%20J.C.%20Information%20theory%2C%20inference%2C%20and%20learning%20algorithms..pdf?dl=0 David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.]

5. [https://www.dropbox.com/s/3dyw3c4bv5bl2xw/Grimmett%20G.%2C%20Stirzaker%20D.%20Probability%20and%20Random%20Processes.djvu?dl=0 Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.]

6. [https://www.dropbox.com/s/r8wcms7vszqd8tv/Forrester%20A.%2C%20Sobester%20A.%2C%20Keane%20A.%20Engineering%20Design%20via%20Surrogate%20Modelling.pdf?dl=0 Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.]

7. [https://www.dropbox.com/s/f07k3k9ak8b4wbq/Lee%20J.A.%2C%20Verleysen%20M.%20Nonlinear%20Dimensionality%20Reduction.pdf?dl=0 Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.]

8. [https://www.dropbox.com/s/izx6kbyd3jcz162/Wang%20G.G.%2C%20Shan%20S.%20Review%20of%20Metamodeling%20Techniques%20in%20Support%20of%20Engineering%20Design%20Optimization.pdf?dl=0 Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.]

9. [https://www.dropbox.com/s/13vgwzjhfygcui3/Deconinck%2C%20Periaux%2C%20Giannakoglou%20%28eds.%29.%20Optimization%20method%20and%20tools%20for%20multicriteria%20multidisciplinary%20design.pdf?dl=0 Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.]

10. [https://www.dropbox.com/s/f8hl8iliswk2fgv/%D0%9B%D0%B0%D0%B3%D1%83%D1%82%D0%B8%D0%BD%20%D0%9C.%D0%91.%20%D0%9D%D0%B0%D0%B3%D0%BB%D1%8F%D0%B4%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.djvu?dl=0 Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.]

11. [https://www.dropbox.com/s/hjv1olagi1smkll/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F%20%D0%B8%20%D0%BF%D0%B5%D1%80%D0%B2%D0%B8%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.]

12. [https://www.dropbox.com/s/46aw6dnnf9ec7ko/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B5%D0%B9.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.]

13. [https://www.dropbox.com/s/e7gx4womlbtasic/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%91%D1%83%D1%85%D1%88%D1%82%D0%B0%D0%B1%D0%B5%D1%80%20%D0%92.%D0%9C.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%A1.%D0%90.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8.djvu?dl=0 Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.]

Дополнительные главы прикладной статистики (2020/21)

2018-09-08T14:08:59Z

Artonson: /* Лекции и семинары */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.

'''Лектора:''' Артемов Алексей Валерьевич, Деркач Денис Александрович, Шараев Максим Геннадьевич

Лекции проходят по субботам (8, 15, 22, 29 сентября, 6, 13, 20, 27 октября, 3, 10, 17, 24 ноября, 1, 8 декабря), 13:40 - 15:00, ауд. 205.

=== Полезные ссылки ===

Телеграм-чат курса: [https://t.me/joinchat/BgHoTw26JD10m_EUoVA8Gw Общая группа курса ПСМО-18/19]

Гитхаб курса: [https://github.com/artonson/hse-stat-course-2018 hse-stat-course-2018]

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 162 (МОП) || Кондратьева Екатерина || Алексей Хачиянц || суббота, 15:10 - 16:30, ауд. 505 || || TBA
|-
| 161 (МОП) || Белавин Владислав || Диана Полонская || суббота, 15:10 - 16:30, ауд. 503 || || TBA
|}

===Отчётность по курсу и критерии оценки===

==== Домашние задания ====

В рамках курса каждые два занятия будет выдаваться домашняя работа содержащая теоретические и практические задачи по материалам прошедших занятий.

* На выполнение ДЗ отводится 2 недели. За решения отправленные после дедлайна начисляется 0 баллов.
* Каждое ДЗ оценивается по шкале от 0 до 10 баллов с шагом в 0.5 баллов.
* Итоговая оценка за ДЗ считается как среднее арифметическое округленное до ближайшего целого или половинного балла.

====Тесты====

В начале каждой лекции, начиная со второй, будет проводиться тест по материалам предыдущей недели. Тест состоит из 10 вопросов.

====Коллоквиум====

За коллоквиум ставится оценка от 0 до 10 баллов с шагом в 0.5.
Проводится в форме письменной контрольной.

====Экзамен====

Устный экзамен по всем темам модуля оценивается от 0 до 10 баллов с шагом в 0.5.

====Итоговая оценка за курс====

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.8 * Oнакопл + 0.2 * Оэкз

Oнакопл = 0.75 * Oдз + 0.25 * Осамост

'''Возможность получить автомат'''

Если вы:

* набрали больше или ровно 8 бонусных баллов за ДЗ;
* посетили больше или ровно 60% лекций;

То вы молодец и получаете право на 8, 9 или 10 автоматом(зависит от Oнакопл :)

==Лекции и семинары==

{| class="wikitable"
|-
! Номер !! Дата !! Название !! Материалы
|-
| 1 || 8 сентября || '''Введение. Задачи по теории вероятностей и статистике''' На занятии будут рассмотрены задачи по различным областям теории вероятностей и статистике для освежения знаний теории вероятностей и статистики у коллег. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture-00-course-intro.pdf Слайды Course Intro] [https://github.com/artonson/hse-stat-course-2018/blob/master/seminar-notes/seminar-01-problems.pdf Вводный семинар]
|-
| 2 || 15 сентября || '''Ресемплинг''' Моделирование Монте-Карло, бутстреп. Оценка дисперсии на основе бутстрепа. Оценка доверительных интервалов на основе бутстрепа. Метод складного ножа. Множественная проверка гипотез, методы коррекции. Беггинг. '''Тест:''' основы математической статистики. ||
|-
| 3 || 22 сентября || '''Параметрическое оценивание''' Метод максимального правдоподобия и его свойства. Дельта-метод. Случай векторного параметра. Доверительное оценивание. Достаточная статистика. ||
|-
| 4 || 29 сентября || '''Параметрическое оценивание(продолжение)'''||
|}

==Домашние задания==

==Новости курса==

'''[08.09.18]''' - Первая лекция и семинар объединены и проводятся в 205 аудитории с 13:40 до 16:30.

(В этом разделе публикуется текущая информация по курсу: переносы, изменения в запланированной программе, ...)

==Полезные материалы==

1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

2. [https://www.dropbox.com/s/nrempaxwtf0hbqg/Wasserman%20L.%20All%20of%20Nonparametric%20Statistics.pdf?dl=0 Wasserman L. All of Nonparametric Statistics. Springer, 2006.]

3. [https://www.dropbox.com/s/fwat2tikn9wkqre/Bishop%20C.M.%20Pattern%20recognition%20and%20machine%20learning.pdf?dl=0 Bishop C.M. Pattern recognition and machine learning. Springer, 2006.]

4. [https://www.dropbox.com/s/h0kaiix6y3g3yzl/David%20Mackay%20J.C.%20Information%20theory%2C%20inference%2C%20and%20learning%20algorithms..pdf?dl=0 David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.]

5. [https://www.dropbox.com/s/3dyw3c4bv5bl2xw/Grimmett%20G.%2C%20Stirzaker%20D.%20Probability%20and%20Random%20Processes.djvu?dl=0 Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.]

6. [https://www.dropbox.com/s/r8wcms7vszqd8tv/Forrester%20A.%2C%20Sobester%20A.%2C%20Keane%20A.%20Engineering%20Design%20via%20Surrogate%20Modelling.pdf?dl=0 Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.]

7. [https://www.dropbox.com/s/f07k3k9ak8b4wbq/Lee%20J.A.%2C%20Verleysen%20M.%20Nonlinear%20Dimensionality%20Reduction.pdf?dl=0 Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.]

8. [https://www.dropbox.com/s/izx6kbyd3jcz162/Wang%20G.G.%2C%20Shan%20S.%20Review%20of%20Metamodeling%20Techniques%20in%20Support%20of%20Engineering%20Design%20Optimization.pdf?dl=0 Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.]

9. [https://www.dropbox.com/s/13vgwzjhfygcui3/Deconinck%2C%20Periaux%2C%20Giannakoglou%20%28eds.%29.%20Optimization%20method%20and%20tools%20for%20multicriteria%20multidisciplinary%20design.pdf?dl=0 Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.]

10. [https://www.dropbox.com/s/f8hl8iliswk2fgv/%D0%9B%D0%B0%D0%B3%D1%83%D1%82%D0%B8%D0%BD%20%D0%9C.%D0%91.%20%D0%9D%D0%B0%D0%B3%D0%BB%D1%8F%D0%B4%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.djvu?dl=0 Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.]

11. [https://www.dropbox.com/s/hjv1olagi1smkll/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F%20%D0%B8%20%D0%BF%D0%B5%D1%80%D0%B2%D0%B8%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.]

12. [https://www.dropbox.com/s/46aw6dnnf9ec7ko/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B5%D0%B9.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.]

13. [https://www.dropbox.com/s/e7gx4womlbtasic/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%91%D1%83%D1%85%D1%88%D1%82%D0%B0%D0%B1%D0%B5%D1%80%20%D0%92.%D0%9C.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%A1.%D0%90.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8.djvu?dl=0 Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.]

Дополнительные главы прикладной статистики (2020/21)

2018-09-08T13:54:03Z

Artonson: /* Лекции и семинары */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.

'''Лектора:''' Артемов Алексей Валерьевич, Деркач Денис Александрович, Шараев Максим Геннадьевич

Лекции проходят по субботам (8, 15, 22, 29 сентября, 6, 13, 20, 27 октября, 3, 10, 17, 24 ноября, 1, 8 декабря), 13:40 - 15:00, ауд. 205.

=== Полезные ссылки ===

Телеграм-чат курса: [https://t.me/joinchat/BgHoTw26JD10m_EUoVA8Gw Общая группа курса ПСМО-18/19]

Гитхаб курса: TBA

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 162 (МОП) || Кондратьева Екатерина || Алексей Хачиянц || суббота, 15:10 - 16:30, ауд. 505 || || TBA
|-
| 161 (МОП) || Белавин Владислав || Диана Полонская || суббота, 15:10 - 16:30, ауд. 503 || || TBA
|}

===Отчётность по курсу и критерии оценки===

==== Домашние задания ====

В рамках курса каждые два занятия будет выдаваться домашняя работа содержащая теоретические и практические задачи по материалам прошедших занятий.

* На выполнение ДЗ отводится 2 недели. За решения отправленные после дедлайна начисляется 0 баллов.
* Каждое ДЗ оценивается по шкале от 0 до 10 баллов с шагом в 0.5 баллов.
* Итоговая оценка за ДЗ считается как среднее арифметическое округленное до ближайшего целого или половинного балла.

====Тесты====

В начале каждой лекции, начиная со второй, будет проводиться тест по материалам предыдущей недели. Тест состоит из 10 вопросов.

====Коллоквиум====

За коллоквиум ставится оценка от 0 до 10 баллов с шагом в 0.5.
Проводится в форме письменной контрольной.

====Экзамен====

Устный экзамен по всем темам модуля оценивается от 0 до 10 баллов с шагом в 0.5.

====Итоговая оценка за курс====

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.8 * Oнакопл + 0.2 * Оэкз

Oнакопл = 0.75 * Oдз + 0.25 * Осамост

'''Возможность получить автомат'''

Если вы:

* набрали больше или ровно 8 бонусных баллов за ДЗ;
* посетили больше или ровно 60% лекций;

То вы молодец и получаете право на 8, 9 или 10 автоматом(зависит от Oнакопл :)

==Лекции и семинары==

{| class="wikitable"
|-
! Номер !! Дата !! Название !! Материалы
|-
| 1 || 8 сентября || '''Введение. Задачи по теории вероятностей и статистике''' На занятии будут рассмотрены задачи по различным областям теории вероятностей и статистике для освежения знаний теории вероятностей и статистики у коллег. || [https://github.com/artonson/hse-stat-course-2018/blob/master/lecture-slides/lecture-00-course-intro.pdf Слайды Course Intro]
|-
| 2 || 15 сентября || '''Ресемплинг''' Моделирование Монте-Карло, бутстреп. Оценка дисперсии на основе бутстрепа. Оценка доверительных интервалов на основе бутстрепа. Метод складного ножа. Множественная проверка гипотез, методы коррекции. Беггинг. '''Тест:''' основы математической статистики. ||
|-
| 3 || 22 сентября || '''Параметрическое оценивание''' Метод максимального правдоподобия и его свойства. Дельта-метод. Случай векторного параметра. Доверительное оценивание. Достаточная статистика. ||
|-
| 4 || 29 сентября || '''Параметрическое оценивание(продолжение)'''||
|}

==Домашние задания==

==Новости курса==

'''[08.09.18]''' - Первая лекция и семинар объединены и проводятся в 205 аудитории с 13:40 до 16:30.

(В этом разделе публикуется текущая информация по курсу: переносы, изменения в запланированной программе, ...)

==Полезные материалы==

1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

2. [https://www.dropbox.com/s/nrempaxwtf0hbqg/Wasserman%20L.%20All%20of%20Nonparametric%20Statistics.pdf?dl=0 Wasserman L. All of Nonparametric Statistics. Springer, 2006.]

3. [https://www.dropbox.com/s/fwat2tikn9wkqre/Bishop%20C.M.%20Pattern%20recognition%20and%20machine%20learning.pdf?dl=0 Bishop C.M. Pattern recognition and machine learning. Springer, 2006.]

4. [https://www.dropbox.com/s/h0kaiix6y3g3yzl/David%20Mackay%20J.C.%20Information%20theory%2C%20inference%2C%20and%20learning%20algorithms..pdf?dl=0 David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.]

5. [https://www.dropbox.com/s/3dyw3c4bv5bl2xw/Grimmett%20G.%2C%20Stirzaker%20D.%20Probability%20and%20Random%20Processes.djvu?dl=0 Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.]

6. [https://www.dropbox.com/s/r8wcms7vszqd8tv/Forrester%20A.%2C%20Sobester%20A.%2C%20Keane%20A.%20Engineering%20Design%20via%20Surrogate%20Modelling.pdf?dl=0 Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.]

7. [https://www.dropbox.com/s/f07k3k9ak8b4wbq/Lee%20J.A.%2C%20Verleysen%20M.%20Nonlinear%20Dimensionality%20Reduction.pdf?dl=0 Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.]

8. [https://www.dropbox.com/s/izx6kbyd3jcz162/Wang%20G.G.%2C%20Shan%20S.%20Review%20of%20Metamodeling%20Techniques%20in%20Support%20of%20Engineering%20Design%20Optimization.pdf?dl=0 Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.]

9. [https://www.dropbox.com/s/13vgwzjhfygcui3/Deconinck%2C%20Periaux%2C%20Giannakoglou%20%28eds.%29.%20Optimization%20method%20and%20tools%20for%20multicriteria%20multidisciplinary%20design.pdf?dl=0 Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.]

10. [https://www.dropbox.com/s/f8hl8iliswk2fgv/%D0%9B%D0%B0%D0%B3%D1%83%D1%82%D0%B8%D0%BD%20%D0%9C.%D0%91.%20%D0%9D%D0%B0%D0%B3%D0%BB%D1%8F%D0%B4%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.djvu?dl=0 Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.]

11. [https://www.dropbox.com/s/hjv1olagi1smkll/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F%20%D0%B8%20%D0%BF%D0%B5%D1%80%D0%B2%D0%B8%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.]

12. [https://www.dropbox.com/s/46aw6dnnf9ec7ko/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B5%D0%B9.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.]

13. [https://www.dropbox.com/s/e7gx4womlbtasic/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%91%D1%83%D1%85%D1%88%D1%82%D0%B0%D0%B1%D0%B5%D1%80%20%D0%92.%D0%9C.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%A1.%D0%90.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8.djvu?dl=0 Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.]

Дополнительные главы прикладной статистики (2020/21)

2018-09-08T08:27:14Z

Artonson: /* Лекции */

Дополнительные главы прикладной статистики (2020/21)

2018-09-08T08:26:36Z

Artonson: /* Лекции */

Дополнительные главы прикладной статистики (2020/21)

2018-09-07T16:34:19Z

Artonson: /* Лекции */

Дополнительные главы прикладной статистики (2020/21)

2018-09-07T16:33:52Z

Artonson: /* Лекции */

О факультете

2018-09-07T16:27:43Z

Artonson: /* Курсы за 2018/19 учебный год */

__NOTOC__

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

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

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

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

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

[[Discrete Mathematics DSBA |Discrete Mathematics DSBA]]

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

||

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

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

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

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

||

[[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]

[[PDC | Параллельные и распределенные вычисления]]

[[Theory_of_Computing_2018_2019 | Theory of Computing, AMI]]

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

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

||

[[Statistical_learning_theory_2018_2019 | Introduction to statistical learning theory]]

[[Анализ_неструктурированных_данных-2018 |Анализ неструктурированных данных ]]

[[Байесовские_методы_машинного_обучения_2018|Байесовские методы машинного обучения]]

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

[[Теория_информации_2018/2019 | Теория информации]]
||

|}

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

=== 1 семестр ===

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

|-
|

[[Основы анализа данных в международных отношениях 2018/2019|Основы анализа данных в международных отношениях]]

[[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]]

[[Цифровая грамотность(востоковедение)|Цифровая грамотность]]

[[Разработка управленческих решений в маркетинге | Разработка управленческих решений в маркетинге]]

[[Информационные технологии в деятельности юриста_2018-2019| Информационные технологии в деятельности юриста]]

[[Машинное обучение на матфаке 2018/2019| Машинное обучение]]

[[ПМСАР-2| Методы анализа больших данных в исследованиях поведения покупателей]]

[[Анализ данных в Python (Политологи 1 семестр 1-2 модули)|Анализ данных в Python]]

[[Основы анализа и визуализации данных для медиа (Журналисты 1 семестр 1 модуль)|Основы анализа и визуализации данных для медиа]]

[[Программирование_(python)_для_лингвистов|Программирование (Python) для лингвистов]]

[[Введение в анализ текстов на Python для ФГН 2018|Введение в анализ текстов на Python для ФГН 2018]]

[[Машинное обучение (ФЭН)]]

[[Программирование_(python)_для_экономистов|Программирование (Python) для экономистов]]

[[Цифровая грамотность(философия)|Цифровая грамотность]]

[[Цифровая_грамотность_(историки)|Цифровая грамотность]]

[[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]]

||

Международные отношения

Фундаментальная и компьютерная лингвистика

Востоковедение

Маркетинг и рыночная аналитика

Юриспруденция

Факультет математики

Прикладные методы социального анализа рынков

Политология

Журналистика

Фундаментальная и компьютерная лингвистика

Фундаментальная и компьютерная лингвистика

Факультет экономических наук

Факультет экономических наук

Философия

История

Факультет Физики

||

2 курс

1 курс

1 курс

2 курс

1 курс

2-4 курсы

2 г.о.

4 курс

4 курс

4 курс

3 курс

3-4 курсы

2 курс

1 курс

1 курс

2 курс

||

1-2 модули

1-4 модули

1 модуль

1-2 модули

2 модуль

1-2 модули

1-2 модули

1-2 модули

1 модуль

1-3 модули

1, 2, 4 модули

1-2 модули

1-2 модули

1-2 модули

1-2 модули

1-2 модули
|}

= Архив =

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

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

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

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

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

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

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

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

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

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

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

[[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]

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

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

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

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

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

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

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

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

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

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

[[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]

[[Численные_методы_2017 | Численные методы]]

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

[[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]

[[Theory_of_Computing | Theory of Computing, AMI]]

[[Statistical_learning_theory | Introduction to statistical learning theory]]

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

[[Параллельные и распределенные вычисления 2017 | Параллельные и распределенные вычисления]]

[[Анализ неструктурированных данных]]

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

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

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

[[Непрерывная_оптимизация | Непрерывная оптимизация]]

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

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

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

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

[[Дискретная_оптимизация | Дискретная оптимизация]]

||

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

[[Философия_науки_2017 | Философия науки]]

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

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

[[Анализ неструктурированных данных]]

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

[[Функциональное программирование 2018 | Функциональное программирование]]

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

||

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

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

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

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

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

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

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

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

[[Цифровые технологии в гуманитарных науках]]

|}

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

=== 2 семестр ===

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

=== 1 семестр ===

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

== Курсы магистратуры Финансовые технологии и анализ данных ==

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

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

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

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

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

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

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

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

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

[[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]

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

||

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

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

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

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

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

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

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

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

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

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

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

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

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

||

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

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

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

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

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

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

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

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

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

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

[[Программирование_на_графических_процессорах | Программирование на графических процессорах]]

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

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

[[Базы данных 2 | Базы данных 2 ]]

[[Компьютерные сети 2 | Компьютерные сети 2]]

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

||

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

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

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

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

|}

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



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

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



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

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


|}

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

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

Вероятностные модели и прикладная статистика в финансовой математике

2018-04-12T09:14:53Z

Artonson: /* Лекции */

'''Преподаватели:''' Алексей Артемов, Аршак Минасян 
'''Контакты:''' чат курса в телеграмме https://t.me/joinchat/BO1RzU2IuATGiwlk4_9n-A

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Алексей || 1, 2 || || ||
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Аршак || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Графические модели || Аршак || 9, 10 || || ||
|-
| MCMC || Алексей || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/276. Инвайт: '''9h2ZQoA'''.

О способе сдаче каждой домашней работы будет сообщено при её выдаче.

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

== Лекции ==

'''Лекция 1''' (17 января). Введение в теорию случайных процессов. Случайный процесс, его основные характеристики. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Расширенный конспект]

'''Лекция 2''' (24 января). Пуассоновский и винеровский процессы. Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_02_gaussian_poisson.pdf Расширенный конспект]

'''Лекция 3''' (1 февраля). Стохастические задачи о разладке для случайных процессов. Основные статистики в задачах скорейшего обнаружения разладки. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_03_changepoint.pdf Расширенный конспект] [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_03_changepoint.pdf Слайды]

'''Лекция 4''' (8 февраля). Математические модели аномалий и методы их обнаружения в данных высокой размерности. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_04_anomaly.pdf Слайды]

'''Лекция 5''' (15 февраля). Линейные гауссовские модели с дискретным временем. Модели авторегрессии-скользящего среднего. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_05_arima.pdf Расширенный конспект]

'''Лекция 6''' (1 марта). Нелинейные стохастические условно-гауссовские модели [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_06_garch.pdf Расширенный конспект]

'''Лекция 7''' (15 марта). Stylized facts on financial time series [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_07_facts.pdf Расширенный конспект]

'''Лекция 8''' (5 апреля). Основные критерии в задачах проверки статистических гипотез [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_08_hypothesis_tests.pdf Расширенный конспект]

'''Лекция 9''' (12 апреля). Марковские цепи с дискретным временем [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_09_mc.pdf Расширенный конспект]

''Дополнительные материалы:''

* [https://www.dropbox.com/s/1m3rnhvgcmuz0oi/Dan.Nick-OneClassSVM.pdf?dl=0 Слайды по One-class SVM]
* [https://www.dropbox.com/s/dwtmunydryj4tuy/1723-support-vector-method-for-novelty-detection.pdf?dl=0 Статья про обнаружение аномалий на основе One-class SVM]
* [https://www.dropbox.com/s/43nt0kiesc4ej76/A%20novel%20anomaly%20detection%20scheme%20based%20on%20principal%20component%20classifier.pdf?dl=0 Статья про обнаружение аномалий на основе PCA]
* [https://www.dropbox.com/s/1a38m12v7nh8ess/Anomaly_detection_A_survey.pdf?dl=0 Обзор методов обнаружения аномалий]

== Семинары ==
'''Семинар 2''' (24 января). Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-02-theory-simulation Ноутбуки для семостоятельного изучения]

'''Семинар 3''' (31 января). Обнаружение разладок временных рядов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-03-changepoints Ноутбуки для семостоятельного изучения]

'''Семинар 4''' (7 февраля). Детектирование аномалий многомерных данных. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-04-anomalies Ноутбуки для семостоятельного изучения]

'''Семинар 5''' (15 февраля). Моделирование временных рядов с помощью моделей ARIMA. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/seminars/seminar-05-arima/seminar_05_arima_tsa.ipynb Ноутбук для семостоятельного изучения]

'''Семинар 6''' (1 марта). Моделирование волатильности доходности на основе модели ARCH/GARCH. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/seminars/seminar-06-garch/GARCHModel.ipynb Ноутбук для семостоятельного изучения]

'''Семинар 7''' (15 марта). Stylized facts on financial time series.

Statistics of Stochastic Processes

2018-03-30T10:28:50Z

Artonson:

Преподаватели: Алексей Артемов, Евгений Егоров 
Контакты: чат курса в телеграмме https://t.me/joinchat/A6_aGBKpCDjEFi7HQDednw

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Евгений || 1, 2 || [https://www.sharelatex.com/read/hhdsmwtspzsv Задачи 1] [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Лекция 1] || Марковский момент, процесс Пуассона, Винеровский процесс || Выдана 29.01, система AnyTask
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Евгений || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Байесовская фильтрация || Евгений || 9, 10 || || ||
|-
| Large-Scale MCMC || Евгений || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/двести-семьдесят-пять 
'''Инвайт:''' 0LhiZhE 
О способе сдаче каждой домашней работы будет сообщено при её выдаче. 

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

== Лекции ==

'''Лекция 1''' (20 января). Введение в теорию случайных процессов. Случайный процесс, его основные характеристики.

[https://www.dropbox.com/s/n1nu2v6q40e25r2/stoch_lecture_notes_one.pdf?dl=0 Конспект лекции и семинара]
[https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Расширенный конспект]

'''Лекция 2''' (27 января). Пуассоновский и винеровский процессы. Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_02_gaussian_poisson.pdf Расширенный конспект]

'''Лекция 3''' (03 февраля). Стохастические задачи о разладке для случайных процессов. Основные статистики в задачах скорейшего обнаружения разладки. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_03_changepoint.pdf Расширенный конспект] [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-slides/lecture_03_changepoint.pdf Слайды]

'''Лекция 4''' (10 февраля). Математические модели аномалий и методы их обнаружения в данных высокой размерности. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-slides/lecture_04_anomaly.pdf Слайды]

'''Лекция 5''' (17 февраля). Линейные гауссовские модели с дискретным временем. Модели авторегрессии-скользящего среднего. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_05_arima.pdf Расширенный конспект]

'''Лекция 6''' (24 марта). Нелинейные стохастические условно-гауссовские модели [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_06_garch.pdf Расширенный конспект]

''Дополнительные материалы:''

* [https://www.dropbox.com/s/1m3rnhvgcmuz0oi/Dan.Nick-OneClassSVM.pdf?dl=0 Слайды по One-class SVM]
* [https://www.dropbox.com/s/dwtmunydryj4tuy/1723-support-vector-method-for-novelty-detection.pdf?dl=0 Статья про обнаружение аномалий на основе One-class SVM]
* [https://www.dropbox.com/s/43nt0kiesc4ej76/A%20novel%20anomaly%20detection%20scheme%20based%20on%20principal%20component%20classifier.pdf?dl=0 Статья про обнаружение аномалий на основе PCA]
* [https://www.dropbox.com/s/1a38m12v7nh8ess/Anomaly_detection_A_survey.pdf?dl=0 Обзор методов обнаружения аномалий]

== Семинары ==
'''Семинар 2''' (27 января). Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-ml/tree/master/2018-spring/seminars/seminar-02-theory-simulation Ноутбуки для семостоятельного изучения]

'''Семинар 3''' (03 января). Обнаружение разладок временных рядов. [https://github.com/artonson/ssp-course-ml/tree/master/2018-spring/seminars/seminar-03-changepoints Ноутбуки для семостоятельного изучения]

'''Семинар 4''' (10 февраля). Детектирование аномалий многомерных данных. [https://github.com/artonson/ssp-course-ml/tree/master/2018-spring/seminars/seminar-04-anomalies Ноутбуки для семостоятельного изучения]

'''Семинар 5''' (17 февраля). Моделирование временных рядов с помощью моделей ARIMA. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/seminars/seminar-05-arima/seminar_05_arima_tsa.ipynb Ноутбук для семостоятельного изучения]

'''Семинар 6''' (24 февраля). Моделирование волатильности доходности на основе модели ARCH/GARCH. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/seminars/seminar-06-garch/GARCHModel.ipynb Ноутбук для семостоятельного изучения]

== Экзамен ==
[https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/exam/exam.pdf Список вопросов к экзамену]

Вероятностные модели и прикладная статистика в финансовой математике

2018-03-25T18:11:02Z

Artonson: /* Семинары */

'''Преподаватели:''' Алексей Артемов, Аршак Минасян 
'''Контакты:''' чат курса в телеграмме https://t.me/joinchat/BO1RzU2IuATGiwlk4_9n-A

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Алексей || 1, 2 || || ||
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Аршак || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Графические модели || Аршак || 9, 10 || || ||
|-
| MCMC || Алексей || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/276. Инвайт: '''9h2ZQoA'''.

О способе сдаче каждой домашней работы будет сообщено при её выдаче.

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

== Лекции ==

'''Лекция 1''' (17 января). Введение в теорию случайных процессов. Случайный процесс, его основные характеристики. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Расширенный конспект]

'''Лекция 2''' (24 января). Пуассоновский и винеровский процессы. Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_02_gaussian_poisson.pdf Расширенный конспект]

'''Лекция 3''' (1 февраля). Стохастические задачи о разладке для случайных процессов. Основные статистики в задачах скорейшего обнаружения разладки. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_03_changepoint.pdf Расширенный конспект] [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_03_changepoint.pdf Слайды]

'''Лекция 4''' (8 февраля). Математические модели аномалий и методы их обнаружения в данных высокой размерности. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_04_anomaly.pdf Слайды]

'''Лекция 5''' (15 февраля). Линейные гауссовские модели с дискретным временем. Модели авторегрессии-скользящего среднего. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_05_arima.pdf Расширенный конспект]

'''Лекция 6''' (1 марта). Нелинейные стохастические условно-гауссовские модели [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_06_garch.pdf Расширенный конспект]

'''Лекция 7''' (15 марта). Stylized facts on financial time series [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_07_facts.pdf Расширенный конспект]

''Дополнительные материалы:''

* [https://www.dropbox.com/s/1m3rnhvgcmuz0oi/Dan.Nick-OneClassSVM.pdf?dl=0 Слайды по One-class SVM]
* [https://www.dropbox.com/s/dwtmunydryj4tuy/1723-support-vector-method-for-novelty-detection.pdf?dl=0 Статья про обнаружение аномалий на основе One-class SVM]
* [https://www.dropbox.com/s/43nt0kiesc4ej76/A%20novel%20anomaly%20detection%20scheme%20based%20on%20principal%20component%20classifier.pdf?dl=0 Статья про обнаружение аномалий на основе PCA]
* [https://www.dropbox.com/s/1a38m12v7nh8ess/Anomaly_detection_A_survey.pdf?dl=0 Обзор методов обнаружения аномалий]

== Семинары ==
'''Семинар 2''' (24 января). Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-02-theory-simulation Ноутбуки для семостоятельного изучения]

'''Семинар 3''' (31 января). Обнаружение разладок временных рядов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-03-changepoints Ноутбуки для семостоятельного изучения]

'''Семинар 4''' (7 февраля). Детектирование аномалий многомерных данных. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-04-anomalies Ноутбуки для семостоятельного изучения]

'''Семинар 5''' (15 февраля). Моделирование временных рядов с помощью моделей ARIMA. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/seminars/seminar-05-arima/seminar_05_arima_tsa.ipynb Ноутбук для семостоятельного изучения]

'''Семинар 6''' (1 марта). Моделирование волатильности доходности на основе модели ARCH/GARCH. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/seminars/seminar-06-garch/GARCHModel.ipynb Ноутбук для семостоятельного изучения]

'''Семинар 7''' (15 марта). Stylized facts on financial time series.

Вероятностные модели и прикладная статистика в финансовой математике

2018-03-15T10:51:19Z

Artonson: /* Лекции */

'''Преподаватели:''' Алексей Артемов, Аршак Минасян 
'''Контакты:''' чат курса в телеграмме https://t.me/joinchat/BO1RzU2IuATGiwlk4_9n-A

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Алексей || 1, 2 || || ||
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Аршак || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Графические модели || Аршак || 9, 10 || || ||
|-
| MCMC || Алексей || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/276. Инвайт: '''9h2ZQoA'''.

О способе сдаче каждой домашней работы будет сообщено при её выдаче.

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

== Лекции ==

'''Лекция 1''' (17 января). Введение в теорию случайных процессов. Случайный процесс, его основные характеристики. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Расширенный конспект]

'''Лекция 2''' (24 января). Пуассоновский и винеровский процессы. Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_02_gaussian_poisson.pdf Расширенный конспект]

'''Лекция 3''' (1 февраля). Стохастические задачи о разладке для случайных процессов. Основные статистики в задачах скорейшего обнаружения разладки. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_03_changepoint.pdf Расширенный конспект] [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_03_changepoint.pdf Слайды]

'''Лекция 4''' (8 февраля). Математические модели аномалий и методы их обнаружения в данных высокой размерности. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_04_anomaly.pdf Слайды]

'''Лекция 5''' (15 февраля). Линейные гауссовские модели с дискретным временем. Модели авторегрессии-скользящего среднего. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_05_arima.pdf Расширенный конспект]

'''Лекция 6''' (1 марта). Нелинейные стохастические условно-гауссовские модели [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_06_garch.pdf Расширенный конспект]

'''Лекция 7''' (15 марта). Stylized facts on financial time series [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_07_facts.pdf Расширенный конспект]

''Дополнительные материалы:''

* [https://www.dropbox.com/s/1m3rnhvgcmuz0oi/Dan.Nick-OneClassSVM.pdf?dl=0 Слайды по One-class SVM]
* [https://www.dropbox.com/s/dwtmunydryj4tuy/1723-support-vector-method-for-novelty-detection.pdf?dl=0 Статья про обнаружение аномалий на основе One-class SVM]
* [https://www.dropbox.com/s/43nt0kiesc4ej76/A%20novel%20anomaly%20detection%20scheme%20based%20on%20principal%20component%20classifier.pdf?dl=0 Статья про обнаружение аномалий на основе PCA]
* [https://www.dropbox.com/s/1a38m12v7nh8ess/Anomaly_detection_A_survey.pdf?dl=0 Обзор методов обнаружения аномалий]

== Семинары ==
'''Семинар 2''' (24 января). Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-02-theory-simulation Ноутбуки для семостоятельного изучения]

'''Семинар 3''' (31 января). Обнаружение разладок временных рядов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-03-changepoints Ноутбуки для семостоятельного изучения]

'''Семинар 4''' (7 февраля). Детектирование аномалий многомерных данных. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-04-anomalies Ноутбуки для семостоятельного изучения]

'''Семинар 5''' (15 февраля). Моделирование временных рядов с помощью моделей ARIMA. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/seminars/seminar-05-arima/seminar_05_arima_tsa.ipynb Ноутбук для семостоятельного изучения]

'''Семинар 6''' (1 марта). Моделирование волатильности доходности на основе модели ARCH/GARCH. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/seminars/seminar-06-garch/GARCHModel.ipynb Ноутбук для семостоятельного изучения]

Statistics of Stochastic Processes

2018-02-26T17:49:13Z

Artonson: /* Семинары */

Вероятностные модели и прикладная статистика в финансовой математике

2018-02-26T17:48:59Z

Artonson: /* Семинары */

'''Преподаватели:''' Алексей Артемов, Аршак Минасян 
'''Контакты:''' чат курса в телеграмме https://t.me/joinchat/BO1RzU2IuATGiwlk4_9n-A

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Алексей || 1, 2 || || ||
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Аршак || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Графические модели || Аршак || 9, 10 || || ||
|-
| MCMC || Алексей || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/276. Инвайт: '''9h2ZQoA'''.

О способе сдаче каждой домашней работы будет сообщено при её выдаче.

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

== Лекции ==

'''Лекция 1''' (17 января). Введение в теорию случайных процессов. Случайный процесс, его основные характеристики. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Расширенный конспект]

'''Лекция 2''' (24 января). Пуассоновский и винеровский процессы. Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_02_gaussian_poisson.pdf Расширенный конспект]

'''Лекция 3''' (1 февраля). Стохастические задачи о разладке для случайных процессов. Основные статистики в задачах скорейшего обнаружения разладки. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_03_changepoint.pdf Расширенный конспект] [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_03_changepoint.pdf Слайды]

'''Лекция 4''' (8 февраля). Математические модели аномалий и методы их обнаружения в данных высокой размерности. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_04_anomaly.pdf Слайды]

'''Лекция 5''' (15 февраля). Линейные гауссовские модели с дискретным временем. Модели авторегрессии-скользящего среднего. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_05_arima.pdf Расширенный конспект]

'''Лекция 6''' (1 марта). Нелинейные стохастические условно-гауссовские модели [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_06_garch.pdf Расширенный конспект]

''Дополнительные материалы:''

* [https://www.dropbox.com/s/1m3rnhvgcmuz0oi/Dan.Nick-OneClassSVM.pdf?dl=0 Слайды по One-class SVM]
* [https://www.dropbox.com/s/dwtmunydryj4tuy/1723-support-vector-method-for-novelty-detection.pdf?dl=0 Статья про обнаружение аномалий на основе One-class SVM]
* [https://www.dropbox.com/s/43nt0kiesc4ej76/A%20novel%20anomaly%20detection%20scheme%20based%20on%20principal%20component%20classifier.pdf?dl=0 Статья про обнаружение аномалий на основе PCA]
* [https://www.dropbox.com/s/1a38m12v7nh8ess/Anomaly_detection_A_survey.pdf?dl=0 Обзор методов обнаружения аномалий]

== Семинары ==
'''Семинар 2''' (24 января). Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-02-theory-simulation Ноутбуки для семостоятельного изучения]

'''Семинар 3''' (31 января). Обнаружение разладок временных рядов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-03-changepoints Ноутбуки для семостоятельного изучения]

'''Семинар 4''' (7 февраля). Детектирование аномалий многомерных данных. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-04-anomalies Ноутбуки для семостоятельного изучения]

'''Семинар 5''' (15 февраля). Моделирование временных рядов с помощью моделей ARIMA. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/seminars/seminar-05-arima/seminar_05_arima_tsa.ipynb Ноутбук для семостоятельного изучения]

'''Семинар 6''' (1 марта). Моделирование волатильности доходности на основе модели ARCH/GARCH. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/seminars/seminar-06-garch/GARCHModel.ipynb Ноутбук для семостоятельного изучения]

Statistics of Stochastic Processes

2018-02-26T17:48:07Z

Artonson: /* Семинары */

Преподаватели: Алексей Артемов, Евгений Егоров 
Контакты: чат курса в телеграмме https://t.me/joinchat/A6_aGBKpCDjEFi7HQDednw

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Евгений || 1, 2 || [https://www.sharelatex.com/read/hhdsmwtspzsv Задачи 1] [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Лекция 1] || Марковский момент, процесс Пуассона, Винеровский процесс || Выдана 29.01, система AnyTask
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Евгений || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Байесовская фильтрация || Евгений || 9, 10 || || ||
|-
| Large-Scale MCMC || Евгений || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/двести-семьдесят-пять 
'''Инвайт:''' 0LhiZhE 
О способе сдаче каждой домашней работы будет сообщено при её выдаче. 

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

== Лекции ==

'''Лекция 1''' (20 января). Введение в теорию случайных процессов. Случайный процесс, его основные характеристики.

[https://www.dropbox.com/s/n1nu2v6q40e25r2/stoch_lecture_notes_one.pdf?dl=0 Конспект лекции и семинара]
[https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Расширенный конспект]

'''Лекция 2''' (27 января). Пуассоновский и винеровский процессы. Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_02_gaussian_poisson.pdf Расширенный конспект]

'''Лекция 3''' (03 февраля). Стохастические задачи о разладке для случайных процессов. Основные статистики в задачах скорейшего обнаружения разладки. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_03_changepoint.pdf Расширенный конспект] [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-slides/lecture_03_changepoint.pdf Слайды]

'''Лекция 4''' (10 февраля). Математические модели аномалий и методы их обнаружения в данных высокой размерности. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-slides/lecture_04_anomaly.pdf Слайды]

'''Лекция 5''' (17 февраля). Линейные гауссовские модели с дискретным временем. Модели авторегрессии-скользящего среднего. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_05_arima.pdf Расширенный конспект]

'''Лекция 6''' (24 марта). Нелинейные стохастические условно-гауссовские модели [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_06_garch.pdf Расширенный конспект]

''Дополнительные материалы:''

* [https://www.dropbox.com/s/1m3rnhvgcmuz0oi/Dan.Nick-OneClassSVM.pdf?dl=0 Слайды по One-class SVM]
* [https://www.dropbox.com/s/dwtmunydryj4tuy/1723-support-vector-method-for-novelty-detection.pdf?dl=0 Статья про обнаружение аномалий на основе One-class SVM]
* [https://www.dropbox.com/s/43nt0kiesc4ej76/A%20novel%20anomaly%20detection%20scheme%20based%20on%20principal%20component%20classifier.pdf?dl=0 Статья про обнаружение аномалий на основе PCA]
* [https://www.dropbox.com/s/1a38m12v7nh8ess/Anomaly_detection_A_survey.pdf?dl=0 Обзор методов обнаружения аномалий]

== Семинары ==
'''Семинар 2''' (27 января). Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-ml/tree/master/2018-spring/seminars/seminar-02-theory-simulation Ноутбуки для семостоятельного изучения]

'''Семинар 3''' (03 января). Обнаружение разладок временных рядов. [https://github.com/artonson/ssp-course-ml/tree/master/2018-spring/seminars/seminar-03-changepoints Ноутбуки для семостоятельного изучения]

'''Семинар 4''' (10 февраля). Детектирование аномалий многомерных данных. [https://github.com/artonson/ssp-course-ml/tree/master/2018-spring/seminars/seminar-04-anomalies Ноутбуки для семостоятельного изучения]

'''Семинар 5''' (17 февраля). Моделирование временных рядов с помощью моделей ARIMA. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/seminars/seminar-05-arima/seminar_05_arima_tsa.ipynb Ноутбук для семостоятельного изучения]

'''Семинар 6''' (24 февраля). Моделирование волатильности доходности на основе модели ARCH/GARCH. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/seminars/seminar-06-garch/GARCHModel.ipynb Ноутбук для семостоятельного изучения]

Statistics of Stochastic Processes

2018-02-21T21:51:56Z

Artonson: /* Семинары */

Statistics of Stochastic Processes

2018-02-21T21:51:23Z

Artonson: /* Лекции */

Вероятностные модели и прикладная статистика в финансовой математике

2018-02-21T21:05:13Z

Artonson: /* Семинары */

'''Преподаватели:''' Алексей Артемов, Аршак Минасян 
'''Контакты:''' чат курса в телеграмме https://t.me/joinchat/BO1RzU2IuATGiwlk4_9n-A

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Алексей || 1, 2 || || ||
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Аршак || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Графические модели || Аршак || 9, 10 || || ||
|-
| MCMC || Алексей || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/276. Инвайт: '''9h2ZQoA'''.

О способе сдаче каждой домашней работы будет сообщено при её выдаче.

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

== Лекции ==

'''Лекция 1''' (17 января). Введение в теорию случайных процессов. Случайный процесс, его основные характеристики. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Расширенный конспект]

'''Лекция 2''' (24 января). Пуассоновский и винеровский процессы. Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_02_gaussian_poisson.pdf Расширенный конспект]

'''Лекция 3''' (1 февраля). Стохастические задачи о разладке для случайных процессов. Основные статистики в задачах скорейшего обнаружения разладки. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_03_changepoint.pdf Расширенный конспект] [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_03_changepoint.pdf Слайды]

'''Лекция 4''' (8 февраля). Математические модели аномалий и методы их обнаружения в данных высокой размерности. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_04_anomaly.pdf Слайды]

'''Лекция 5''' (15 февраля). Линейные гауссовские модели с дискретным временем. Модели авторегрессии-скользящего среднего. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_05_arima.pdf Расширенный конспект]

'''Лекция 6''' (1 марта). Нелинейные стохастические условно-гауссовские модели [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_06_garch.pdf Расширенный конспект]

''Дополнительные материалы:''

* [https://www.dropbox.com/s/1m3rnhvgcmuz0oi/Dan.Nick-OneClassSVM.pdf?dl=0 Слайды по One-class SVM]
* [https://www.dropbox.com/s/dwtmunydryj4tuy/1723-support-vector-method-for-novelty-detection.pdf?dl=0 Статья про обнаружение аномалий на основе One-class SVM]
* [https://www.dropbox.com/s/43nt0kiesc4ej76/A%20novel%20anomaly%20detection%20scheme%20based%20on%20principal%20component%20classifier.pdf?dl=0 Статья про обнаружение аномалий на основе PCA]
* [https://www.dropbox.com/s/1a38m12v7nh8ess/Anomaly_detection_A_survey.pdf?dl=0 Обзор методов обнаружения аномалий]

== Семинары ==
'''Семинар 2''' (24 января). Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-02-theory-simulation Ноутбуки для семостоятельного изучения]

'''Семинар 3''' (31 января). Обнаружение разладок временных рядов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-03-changepoints Ноутбуки для семостоятельного изучения]

'''Семинар 4''' (7 февраля). Детектирование аномалий многомерных данных. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-04-anomalies Ноутбуки для семостоятельного изучения]

'''Семинар 5''' (15 февраля). Моделирование временных рядов с помощью моделей ARIMA. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/seminars/seminar-05-arima/seminar_05_arima_tsa.ipynb Ноутбук для семостоятельного изучения]

Вероятностные модели и прикладная статистика в финансовой математике

2018-02-21T21:00:53Z

Artonson: /* Лекции */

'''Преподаватели:''' Алексей Артемов, Аршак Минасян 
'''Контакты:''' чат курса в телеграмме https://t.me/joinchat/BO1RzU2IuATGiwlk4_9n-A

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Алексей || 1, 2 || || ||
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Аршак || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Графические модели || Аршак || 9, 10 || || ||
|-
| MCMC || Алексей || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/276. Инвайт: '''9h2ZQoA'''.

О способе сдаче каждой домашней работы будет сообщено при её выдаче.

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

== Лекции ==

'''Лекция 1''' (17 января). Введение в теорию случайных процессов. Случайный процесс, его основные характеристики. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Расширенный конспект]

'''Лекция 2''' (24 января). Пуассоновский и винеровский процессы. Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_02_gaussian_poisson.pdf Расширенный конспект]

'''Лекция 3''' (1 февраля). Стохастические задачи о разладке для случайных процессов. Основные статистики в задачах скорейшего обнаружения разладки. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_03_changepoint.pdf Расширенный конспект] [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_03_changepoint.pdf Слайды]

'''Лекция 4''' (8 февраля). Математические модели аномалий и методы их обнаружения в данных высокой размерности. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_04_anomaly.pdf Слайды]

'''Лекция 5''' (15 февраля). Линейные гауссовские модели с дискретным временем. Модели авторегрессии-скользящего среднего. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_05_arima.pdf Расширенный конспект]

'''Лекция 6''' (1 марта). Нелинейные стохастические условно-гауссовские модели [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_06_garch.pdf Расширенный конспект]

''Дополнительные материалы:''

* [https://www.dropbox.com/s/1m3rnhvgcmuz0oi/Dan.Nick-OneClassSVM.pdf?dl=0 Слайды по One-class SVM]
* [https://www.dropbox.com/s/dwtmunydryj4tuy/1723-support-vector-method-for-novelty-detection.pdf?dl=0 Статья про обнаружение аномалий на основе One-class SVM]
* [https://www.dropbox.com/s/43nt0kiesc4ej76/A%20novel%20anomaly%20detection%20scheme%20based%20on%20principal%20component%20classifier.pdf?dl=0 Статья про обнаружение аномалий на основе PCA]
* [https://www.dropbox.com/s/1a38m12v7nh8ess/Anomaly_detection_A_survey.pdf?dl=0 Обзор методов обнаружения аномалий]

== Семинары ==
'''Семинар 2''' (24 января). Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-02-theory-simulation Ноутбуки для семостоятельного изучения]

'''Семинар 3''' (31 января). Обнаружение разладок временных рядов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-03-changepoints Ноутбуки для семостоятельного изучения]

'''Семинар 4''' (7 февраля). Детектирование аномалий многомерных данных. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-04-anomalies Ноутбуки для семостоятельного изучения]

Statistics of Stochastic Processes

2018-02-13T22:48:40Z

Artonson: /* Семинары */

Преподаватели: Алексей Артемов, Евгений Егоров 
Контакты: чат курса в телеграмме https://t.me/joinchat/A6_aGBKpCDjEFi7HQDednw

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Евгений || 1, 2 || [https://www.sharelatex.com/read/hhdsmwtspzsv Задачи 1] || Марковский момент, процесс Пуассона, Винеровский процесс || Выдана 29.01, система AnyTask
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Евгений || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Байесовская фильтрация || Евгений || 9, 10 || || ||
|-
| Large-Scale MCMC || Евгений || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/двести-семьдесят-пять 
'''Инвайт:''' 0LhiZhE 
О способе сдаче каждой домашней работы будет сообщено при её выдаче. 

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

== Лекции ==

'''Лекция 1''' (20 января). Введение в теорию случайных процессов. Случайный процесс, его основные характеристики. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Расширенный конспект]

'''Лекция 2''' (27 января). Пуассоновский и винеровский процессы. Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_02_gaussian_poisson.pdf Расширенный конспект]

'''Лекция 3''' (03 февраля). Стохастические задачи о разладке для случайных процессов. Основные статистики в задачах скорейшего обнаружения разладки. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_03_changepoint.pdf Расширенный конспект] [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-slides/lecture_03_changepoint.pdf Слайды]

'''Лекция 4''' (10 февраля). Математические модели аномалий и методы их обнаружения в данных высокой размерности. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-slides/lecture_04_anomaly.pdf Слайды]

''Дополнительные материалы:''

* [https://www.dropbox.com/s/1m3rnhvgcmuz0oi/Dan.Nick-OneClassSVM.pdf?dl=0 Слайды по One-class SVM]
* [https://www.dropbox.com/s/dwtmunydryj4tuy/1723-support-vector-method-for-novelty-detection.pdf?dl=0 Статья про обнаружение аномалий на основе One-class SVM]
* [https://www.dropbox.com/s/43nt0kiesc4ej76/A%20novel%20anomaly%20detection%20scheme%20based%20on%20principal%20component%20classifier.pdf?dl=0 Статья про обнаружение аномалий на основе PCA]
* [https://www.dropbox.com/s/1a38m12v7nh8ess/Anomaly_detection_A_survey.pdf?dl=0 Обзор методов обнаружения аномалий]

== Семинары ==
'''Семинар 2''' (27 января). Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-ml/tree/master/2018-spring/seminars/seminar-02-theory-simulation Ноутбуки для семостоятельного изучения]

'''Семинар 3''' (03 января). Обнаружение разладок временных рядов. [https://github.com/artonson/ssp-course-ml/tree/master/2018-spring/seminars/seminar-03-changepoints Ноутбуки для семостоятельного изучения]

'''Семинар 4''' (10 февраля). Детектирование аномалий многомерных данных. [https://github.com/artonson/ssp-course-ml/tree/master/2018-spring/seminars/seminar-04-anomalies Ноутбуки для семостоятельного изучения]

Statistics of Stochastic Processes

2018-02-13T22:48:15Z

Artonson: /* Лекции */

Преподаватели: Алексей Артемов, Евгений Егоров 
Контакты: чат курса в телеграмме https://t.me/joinchat/A6_aGBKpCDjEFi7HQDednw

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Евгений || 1, 2 || [https://www.sharelatex.com/read/hhdsmwtspzsv Задачи 1] || Марковский момент, процесс Пуассона, Винеровский процесс || Выдана 29.01, система AnyTask
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Евгений || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Байесовская фильтрация || Евгений || 9, 10 || || ||
|-
| Large-Scale MCMC || Евгений || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/двести-семьдесят-пять 
'''Инвайт:''' 0LhiZhE 
О способе сдаче каждой домашней работы будет сообщено при её выдаче. 

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

== Лекции ==

'''Лекция 1''' (20 января). Введение в теорию случайных процессов. Случайный процесс, его основные характеристики. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Расширенный конспект]

'''Лекция 2''' (27 января). Пуассоновский и винеровский процессы. Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_02_gaussian_poisson.pdf Расширенный конспект]

'''Лекция 3''' (03 февраля). Стохастические задачи о разладке для случайных процессов. Основные статистики в задачах скорейшего обнаружения разладки. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-notes/lecture_03_changepoint.pdf Расширенный конспект] [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-slides/lecture_03_changepoint.pdf Слайды]

'''Лекция 4''' (10 февраля). Математические модели аномалий и методы их обнаружения в данных высокой размерности. [https://github.com/artonson/ssp-course-ml/blob/master/2018-spring/lecture-slides/lecture_04_anomaly.pdf Слайды]

''Дополнительные материалы:''

* [https://www.dropbox.com/s/1m3rnhvgcmuz0oi/Dan.Nick-OneClassSVM.pdf?dl=0 Слайды по One-class SVM]
* [https://www.dropbox.com/s/dwtmunydryj4tuy/1723-support-vector-method-for-novelty-detection.pdf?dl=0 Статья про обнаружение аномалий на основе One-class SVM]
* [https://www.dropbox.com/s/43nt0kiesc4ej76/A%20novel%20anomaly%20detection%20scheme%20based%20on%20principal%20component%20classifier.pdf?dl=0 Статья про обнаружение аномалий на основе PCA]
* [https://www.dropbox.com/s/1a38m12v7nh8ess/Anomaly_detection_A_survey.pdf?dl=0 Обзор методов обнаружения аномалий]

== Семинары ==
'''Семинар 2''' (27 января). Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-02-theory-simulation Ноутбуки для семостоятельного изучения]

'''Семинар 3''' (03 января). Обнаружение разладок временных рядов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-03-changepoints Ноутбуки для семостоятельного изучения]

'''Семинар 4''' (10 февраля). Детектирование аномалий многомерных данных. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-04-anomalies Ноутбуки для семостоятельного изучения]

Statistics of Stochastic Processes

2018-02-13T22:34:15Z

Artonson:

Преподаватели: Алексей Артемов, Евгений Егоров 
Контакты: чат курса в телеграмме https://t.me/joinchat/A6_aGBKpCDjEFi7HQDednw

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Евгений || 1, 2 || [https://www.sharelatex.com/read/hhdsmwtspzsv Задачи 1] || Марковский момент, процесс Пуассона, Винеровский процесс || Выдана 29.01, система AnyTask
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Евгений || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Байесовская фильтрация || Евгений || 9, 10 || || ||
|-
| Large-Scale MCMC || Евгений || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/двести-семьдесят-пять 
'''Инвайт:''' 0LhiZhE 
О способе сдаче каждой домашней работы будет сообщено при её выдаче. 

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

== Лекции ==

'''Лекция 1''' (20 января). Введение в теорию случайных процессов. Случайный процесс, его основные характеристики. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Расширенный конспект]

'''Лекция 2''' (27 января). Пуассоновский и винеровский процессы. Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_02_gaussian_poisson.pdf Расширенный конспект]

'''Лекция 3''' (03 февраля). Стохастические задачи о разладке для случайных процессов. Основные статистики в задачах скорейшего обнаружения разладки. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_03_changepoint.pdf Расширенный конспект] [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_03_changepoint.pdf Слайды]

'''Лекция 4''' (10 февраля). Математические модели аномалий и методы их обнаружения в данных высокой размерности. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_04_anomaly.pdf Слайды]

''Дополнительные материалы:''

* [https://www.dropbox.com/s/1m3rnhvgcmuz0oi/Dan.Nick-OneClassSVM.pdf?dl=0 Слайды по One-class SVM]
* [https://www.dropbox.com/s/dwtmunydryj4tuy/1723-support-vector-method-for-novelty-detection.pdf?dl=0 Статья про обнаружение аномалий на основе One-class SVM]
* [https://www.dropbox.com/s/43nt0kiesc4ej76/A%20novel%20anomaly%20detection%20scheme%20based%20on%20principal%20component%20classifier.pdf?dl=0 Статья про обнаружение аномалий на основе PCA]
* [https://www.dropbox.com/s/1a38m12v7nh8ess/Anomaly_detection_A_survey.pdf?dl=0 Обзор методов обнаружения аномалий]

== Семинары ==
'''Семинар 2''' (27 января). Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-02-theory-simulation Ноутбуки для семостоятельного изучения]

'''Семинар 3''' (03 января). Обнаружение разладок временных рядов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-03-changepoints Ноутбуки для семостоятельного изучения]

'''Семинар 4''' (10 февраля). Детектирование аномалий многомерных данных. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-04-anomalies Ноутбуки для семостоятельного изучения]

Вероятностные модели и прикладная статистика в финансовой математике

2018-02-13T22:32:19Z

Artonson: /* Семинары */

'''Преподаватели:''' Алексей Артемов, Аршак Минасян 
'''Контакты:''' чат курса в телеграмме https://t.me/joinchat/BO1RzU2IuATGiwlk4_9n-A

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Алексей || 1, 2 || || ||
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Аршак || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Графические модели || Аршак || 9, 10 || || ||
|-
| MCMC || Алексей || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/276. Инвайт: '''9h2ZQoA'''.

О способе сдаче каждой домашней работы будет сообщено при её выдаче.

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

== Лекции ==

'''Лекция 1''' (17 января). Введение в теорию случайных процессов. Случайный процесс, его основные характеристики. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Расширенный конспект]

'''Лекция 2''' (24 января). Пуассоновский и винеровский процессы. Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_02_gaussian_poisson.pdf Расширенный конспект]

'''Лекция 3''' (1 февраля). Стохастические задачи о разладке для случайных процессов. Основные статистики в задачах скорейшего обнаружения разладки. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_03_changepoint.pdf Расширенный конспект] [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_03_changepoint.pdf Слайды]

'''Лекция 4''' (8 февраля). Математические модели аномалий и методы их обнаружения в данных высокой размерности. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-slides/lecture_04_anomaly.pdf Слайды]

''Дополнительные материалы:''

* [https://www.dropbox.com/s/1m3rnhvgcmuz0oi/Dan.Nick-OneClassSVM.pdf?dl=0 Слайды по One-class SVM]
* [https://www.dropbox.com/s/dwtmunydryj4tuy/1723-support-vector-method-for-novelty-detection.pdf?dl=0 Статья про обнаружение аномалий на основе One-class SVM]
* [https://www.dropbox.com/s/43nt0kiesc4ej76/A%20novel%20anomaly%20detection%20scheme%20based%20on%20principal%20component%20classifier.pdf?dl=0 Статья про обнаружение аномалий на основе PCA]
* [https://www.dropbox.com/s/1a38m12v7nh8ess/Anomaly_detection_A_survey.pdf?dl=0 Обзор методов обнаружения аномалий]

== Семинары ==
'''Семинар 2''' (24 января). Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-02-theory-simulation Ноутбуки для семостоятельного изучения]

'''Семинар 3''' (31 января). Обнаружение разладок временных рядов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-03-changepoints Ноутбуки для семостоятельного изучения]

'''Семинар 4''' (7 февраля). Детектирование аномалий многомерных данных. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-04-anomalies Ноутбуки для семостоятельного изучения]

Statistics of Stochastic Processes

2018-02-10T16:55:54Z

Artonson: /* Домашние работы */

Вероятностные модели и прикладная статистика в финансовой математике

2018-02-10T11:35:31Z

Artonson: /* Лекции */

Вероятностные модели и прикладная статистика в финансовой математике

2018-02-10T11:23:29Z

Artonson: /* Лекции */

Вероятностные модели и прикладная статистика в финансовой математике

2018-01-31T14:01:07Z

Artonson:

Вероятностные модели и прикладная статистика в финансовой математике

2018-01-31T13:57:57Z

Artonson: /* Почти наверное план курса */

Преподаватели: Алексей Артемов, Аршак Минасян 
Контакты: чат курса в телеграмме https://t.me/joinchat/BO1RzU2IuATGiwlk4_9n-A

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Алексей || 1, 2 || || ||
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Аршак || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Графические модели || Аршак || 9, 10 || || ||
|-
| MCMC || Алексей || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/276. Инвайт: '''9h2ZQoA'''.

О способе сдаче каждой домашней работы будет сообщено при её выдаче.

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

== Лекции ==

'''Лекция 1''' (17 января). Введение в теорию случайных процессов. Случайный процесс, его основные характеристики. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Расширенный конспект]

'''Лекция 2''' (24 января). Пуассоновский и винеровский процессы. Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_02_gaussian_poisson.pdf Расширенный конспект]

== Семинары ==
'''Семинар 2''' (24 января). Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-02-theory-simulation Ноутбуки для семостоятельного изучения]

Вероятностные модели и прикладная статистика в финансовой математике

2018-01-31T13:57:38Z

Artonson:

Преподаватели: Алексей Артемов, Аршак Минасян 
Контакты: чат курса в телеграмме https://t.me/joinchat/BO1RzU2IuATGiwlk4_9n-A

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Алексей || 1, 2 || || Марковский момент, процесс Пуассона, GP ||
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Аршак || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Графические модели || Аршак || 9, 10 || || ||
|-
| MCMC || Алексей || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/276. Инвайт: '''9h2ZQoA'''.

О способе сдаче каждой домашней работы будет сообщено при её выдаче.

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

== Лекции ==

'''Лекция 1''' (17 января). Введение в теорию случайных процессов. Случайный процесс, его основные характеристики. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_01_theory_intro.pdf Расширенный конспект]

'''Лекция 2''' (24 января). Пуассоновский и винеровский процессы. Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/blob/master/2018-spring/lecture-notes/lecture_02_gaussian_poisson.pdf Расширенный конспект]

== Семинары ==
'''Семинар 2''' (24 января). Генерирование реализаций случайных процессов. [https://github.com/artonson/ssp-course-fintech/tree/master/2018-spring/seminars/seminar-02-theory-simulation Ноутбуки для семостоятельного изучения]

Вероятностные модели и прикладная статистика в финансовой математике

2018-01-31T11:37:00Z

Artonson: /* Домашние работы */

Преподаватели: Алексей Артемов, Аршак Минасян 
Контакты: чат курса в телеграмме https://t.me/joinchat/BO1RzU2IuATGiwlk4_9n-A

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Алексей || 1, 2 || || Марковский момент, процесс Пуассона, GP ||
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Аршак || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Графические модели || Аршак || 9, 10 || || ||
|-
| MCMC || Алексей || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/276. Инвайт: '''9h2ZQoA'''.

О способе сдаче каждой домашней работы будет сообщено при её выдаче.

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

О факультете

2018-01-26T22:53:38Z

Artonson:

__NOTOC__

== Учебные курсы факультета компьютерных наук==

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

||
[[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]

[[Численные_методы_2017 | Численные методы]]

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

[[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]

[[Theory_of_Computing | Theory of Computing, AMI]]

[[Statistical_learning_theory | Introduction to statistical learning theory]]

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

[[Параллельные и распределенные вычисления 2017 | Параллельные и распределенные вычисления]]

[[Анализ неструктурированных данных]]

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

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

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

[[Непрерывная_оптимизация | Непрерывная оптимизация]]

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

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

||

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

[[Философия_науки_2017 | Философия науки]]

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

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

[[Анализ неструктурированных данных]]

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

[[Функциональное программирование 2018 | Функциональное программирование]]

||

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

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

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

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

[[Факультативы "Дополнительные главы линейной алгебры" и "Практическая линейная алгебра"_2017/2018 | Дополнительные главы линейной алгебры на ПМИ (факультатив)]]

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

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

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

[[Цифровые технологии в гуманитарных науках]]

|}

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

=== 2 семестр ===

[[Цифровая_грамотность_2018_(2_семестр)|Цифровая грамотность (факультет гуманитарных наук — 2 семестр: ИЯМК, Филология, История искусств, Культурология, 1 курс)]] 
[[Научно-исследовательский семинар (ФСН) |Научно-исследовательский семинар (ОП "Политология", 1 курс)]] 
[[Introduction_to_Data_Culture|Introduction to Data Culture (HSE and University of London Parallel Degree Programme in International Relations, 1 year)]] 
[[ИИ_и_БД|Искусственный интеллект и большие данные (ОП "Дизайн", "Мода", 1 курс)]] 
[[Программирование_(python)_для_лингвистов|Компьютерная лингвистика и информационные технологии (ОП "Фундаментальная и компьютерная лингвистика", 4 курс, 2 семестр)]] 

=== 1 семестр ===

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

== Курсы магистратуры Финансовые технологии и анализ данных ==

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

== Архив ==

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

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

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

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

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

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

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

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

[[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]

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

||

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

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

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

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

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

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

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

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

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

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

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

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

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

||

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

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

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

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

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

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

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

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

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

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

[[Программирование_на_графических_процессорах | Программирование на графических процессорах]]

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

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

[[Базы данных 2 | Базы данных 2 ]]

[[Компьютерные сети 2 | Компьютерные сети 2]]

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

||

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

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

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

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

|}

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



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

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



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

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


|}

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

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

Вероятностные модели и прикладная статистика в финансовой математике

2018-01-26T22:50:10Z

Artonson: Новая страница: «Преподаватели: Алексей Артемов, Аршак Минасян Контакты: чат курса в телеграмме https://t.m…»

Преподаватели: Алексей Артемов, Аршак Минасян 
Контакты: чат курса в телеграмме https://t.me/joinchat/BO1RzU2IuATGiwlk4_9n-A

===== Почти наверное план курса =====
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключи !! Домашняя работа
|-
| Введение в случайные процессы || Алексей || 1, 2 || || Марковский момент, процесс Пуассона, GP ||
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || || ||
|-
| Линейные модели: ARIMA, GARCH || Аршак || 5, 6 || || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || || ||
|-
| Графические модели || Аршак || 9, 10 || || ||
|-
| MCMC || Алексей || 11 || || ||
|}

===== Домашние работы =====
Оценки и обсуждение работ в анитаске, http://anytask.org/course/276 Позже здесь будут инвайты.
О способе сдаче каждой домашней работы будет сообщено при её выдаче.

===== Система оценок =====
Блокирующие условия (суммируются):
* оценка "отлично" может быть получена при условии посещения студентом не менее 60% лекций
* оценка "отлично" может быть получена автоматом при условии "отличной" накопленной оценки и не менее 6 дополнительных баллов

Результирующая оценка по дисциплине рассчитывается по формуле: 
'''O_итог=0.8 * O_ накопл + 0.2 * O_экз''' 
Накопленная и итоговая оценки, участвующие в этой формуле, округляются арифметически. 
Накопленная оценка рассчитывается по формуле: 
'''O_накопл=0.75 * O_дз + 0.25 * O_самост''' 

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания. Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях. В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.

Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

Прикладная статистика в машинном обучении

2017-12-19T21:39:15Z

Artonson: /* Система оценок */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.

'''Лектор:''' Артемов Алексей Валерьевич

Лекции проходят по субботам (9, 23 сентября, 7, 21 октября, 11, 25 ноября, 9, 16 декабря), 13:40 - 16:30, ауд. 509.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/205514489.html Карточка курса и программа]

Репозиторий с материалами на GitHub: TBD

Сдача домашних заданий через систему AnyTask: http://anytask.org , в профиле вводите инвайт, соотвествующей вашей группе и курс появится в списке ваших курсов.

Чат в telegram для обсуждений: https://t.me/joinchat/A6_aGA2TPu-XFv45Ac4zlw

Таблица с оценками: http://anytask.org/course/234

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 12:10 - 13:30, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw || 1NMqJTw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 || || o81nn7v
|}

=== Дата выдачи/сдачи дз ===

* Задание #1 25/09 - 08/10 (см. AnyTask)
* Задание #2 09/10 - 23/10 (см. AnyTask)
* Задание #3 13/11 - 27/11 (см. AnyTask, по 6 баллов за задачу, максимальный балл 18)

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

'''O_накопл=0.2 O_самост + 0.6 O_дз + 0.2 O_коллоквиум'''

Накопленная и итоговая оценки округляются арифметически.

'''Расчет O_дз'''

# За каждую выполенную задачу в задании студент получает соответствующее число баллов, максимум указан в тексте задания. Они суммируются и получается общее число баллов за конкретное домашнее задание.
# Рассчитывается взвешенное средние из баллов за все домашние задания. Веса пропорциональны числу баллов за задания.
# Полученный результат отобржается в [0;10] делением

'''Бонусные баллы'''

Бонус: при верном решении всех задач в домашнем задании, студент получает два бонусных балла. Бонусные баллы можно будет конвертировать как плюс-баллы на экзамене. Бонусные баллы суммируются.

'''Расчет O_коллоквиум'''

* Оценка за коллоквиум -- это (приведенная в [0; 10]) оценка за первую контрольную работу, проведенную 11.11.2017

'''Расчет O_самост'''

* Оценка за самостоятельную работу -- это (приведенная в [0; 10]) оценка за вторую контрольную работу, проведенную 19.12.2017

'''Студенту, получившему отличную накопленную оценку, данная оценка может быть выставлена в качестве итоговой при условии, что им набрано не менее 2 бонусных баллов.'''

=== Коллоквиум ===
Коллоквиум в письменной форме будет проведен '''в субботу 11.11.2017 в аудитории 509 четвертой парой 15.10-16.30''' и будет включать темы:
* Основные задачи и методы теории статистических выводов;
* Параметрическое оценивание;
* Проверка гипотез.

== Программа курса ==
[https://www.dropbox.com/s/ztykp2c7nle4r2n/intro.pdf?dl=0 Презентация со введением в курс]

1. '''Введение. Основные задачи и методы теории статистических выводов''' (1 лекция, 1 семинар) ''(проведена 09.09.2017)''

Параметрические и непараметрические модели. Основные задачи: точечное оценивание, доверительные множества, тестирование гипотез, исследование зависимостей. Эмпирическая функция распределения. Статистические функционалы.

[https://www.dropbox.com/s/00agifix9p2ddfv/lecture1-1.pdf?dl=0 Слайды к лекции 1, часть 1 (основы теории)]

[https://www.dropbox.com/s/v6l1ahvags2gtyw/lecture1-2.pdf?dl=0 Слайды к лекции 1, часть 2 (статистические функционалы)]

2. '''Параметрическое оценивание''' (2 лекции, 2 семинара) ''(первая часть проведена 09.09.2017)''

Метод моментов. Метод максимального правдоподобия и его свойства. Дельта-метод. Случай векторного параметра. Параметрический бутстреп. Доверительное оценивание. Достаточная статистика. Экспоненциальное семейство распределений. EM-алгоритм.

[https://www.dropbox.com/s/o8gc6fo1s9zkp1z/lecture2.pdf?dl=0 Слайды к лекции 2 (параметрическое оценивание)]

3. '''Бутстреп''' (1 лекция, 1 семинар)

Моделирование Монте-Карло, бутстреп. Оценка дисперсии на основе бутстрепа. Оценка доверительных интервалов на основе бутстрепа. Метод складного ножа.

[https://www.dropbox.com/s/tu7c9teqb0nhzan/lecture3-1.pdf?dl=0 Слайды к лекции 3, часть 1 (бутстреп)]

4. '''Проверка гипотез''' (2 лекции, 2 семинара)

Основные понятия теории проверки гипотез. Критерий Вальда. P-значение. Распределение хи-квадрат и критерий Пирсона. Критерий перестановок. Критерий на основе отношения правдоподобия. Множественные тесты. Критерий согласия. Критерий Неймана-Пирсона для случая двух простых гипотез, t-критерий.

[https://www.dropbox.com/s/sazco9ha2flty5r/lecture3-2.pdf?dl=0 Слайды к лекции 3, часть 2 (проверка гипотез)]

5. '''Линейная и логистическая регрессия''' (2 лекции, 2 семинара)

Стандартная линейная регрессия. Метод оценивания на основе минимизации невязок/максимизации правдоподобия. Свойства оценок метода наименьших квадратов. Прогнозирование. Множественная регрессия. Выбор модели. AIC, BIC. Логистическая регрессия.

[https://www.dropbox.com/s/c62e9sjbx6dj2rs/lecture3-3.pdf?dl=0 Слайды к лекции 3, часть 3 (регрессия)]

6. '''Непараметрическое оценивание сигналов''' (1 лекция, 1 семинар) ''(проведена 21.10.2017)''

Выбор оптимального соотношения между смещением и дисперсией. Гистограммы. Ядерная оценка плотности. Непараметрическая регрессия.

[https://www.dropbox.com/s/0rqqom8u68kadwc/lecture4.pdf?dl=0 Слайды к лекции 4]

7. '''Нелинейные методы построения регрессионных зависимостей''' (1 лекция, 1 семинар) ''(проведена 11.11.2017)''

Аддитивные модели. Аппроксимационные модели на основе параметрических словарей (сигмоидальные функции, гауссоподобные функции, и т.д.). Построение аппроксимационных моделей на основе параметрических словарей: методы инициализации структуры; методы оценки параметров, учитывающие структуру модели; методы адаптивной регуляризации в процесс оценки параметров модели.

[https://www.dropbox.com/s/dg273ueqqnkw5wi/lecture5.pdf?dl=0 Слайды к лекции 5]

8. '''Регрессионные модели на основе гауссовских процессов''' (1 лекция, 1 семинар) ''(проведена 25.11.2017)''

Гауссовские процессы. Прогноз и оценка точности прогноза на основе гауссовских процессов. Оценка параметров ковариационной функции. Регуляризация логарифма правдоподобия. Модель нестационарной ковариационной функции. Регрессия на основе гауссовских процессов как ядерная гребневая регрессия. Глобальная оптимизация на основе гауссовских процессов. Планирование экспериментов на основе гауссовских процессов.

[https://www.dropbox.com/s/eudus0hqzkf5tg0/lecture6_gp.pdf?dl=0 Слайды к лекции 6]

[https://www.dropbox.com/s/kz8vpai8h4hufmb/lecture6_gp_seminar.zip?dl=0 Материалы к семинару после лекции 6]

9. '''Оценка чувствительности модели''' (1 лекция, 1 семинар)

Введение, начальные условия, области применения. Постановка задачи оценки глобальной чувствительности модели. Обзор методов оценки чувствительности модели в случае выборки данных. Обзор методов оценки чувствительности модели в случае черного ящика. Выделение параметров, которые сильнее всего влияют на уровень радиоактивных изотопов в воде (Level E test case). Обзор теоретических основ метода оценки чувствительности модели на основе индексов Соболя.

10. '''Методы планирования экспериментов (Design of Experiments)''' (1 лекция, 1 семинар) ''(проведена 16.12.2017)''

Space-filling DoE. Планирование экспериментов для линейных регрессионных моделей.

[https://www.dropbox.com/s/p7jq1iuwcr1sast/lecture7.pdf?dl=0 Слайды к лекции 7]

[https://www.dropbox.com/s/kz8vpai8h4hufmb/lecture6_gp_seminar.zip?dl=0 Материалы к семинару после лекции 6]

11. '''Снижение размерности многомерных данных''' (1 лекция, 1 семинар)

Снижение размерности в суррогатном моделировании. Постановка задачи снижения размерности. Обзор линейных методов снижения размерности (метод главных компонент, целенаправленное проектирование и т.п.). Обзор локальных и нелинейных методов снижения размерности (метод нелинейных главных компонент, метод локального линейного вложения и т.п.). Новые постановки задач снижения размерности. Аппроксимация многомерных зависимостей как решение задачи снижения размерности.

== Материалы ==

1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

2. [https://www.dropbox.com/s/nrempaxwtf0hbqg/Wasserman%20L.%20All%20of%20Nonparametric%20Statistics.pdf?dl=0 Wasserman L. All of Nonparametric Statistics. Springer, 2006.]

3. [https://www.dropbox.com/s/fwat2tikn9wkqre/Bishop%20C.M.%20Pattern%20recognition%20and%20machine%20learning.pdf?dl=0 Bishop C.M. Pattern recognition and machine learning. Springer, 2006.]

4. [https://www.dropbox.com/s/h0kaiix6y3g3yzl/David%20Mackay%20J.C.%20Information%20theory%2C%20inference%2C%20and%20learning%20algorithms..pdf?dl=0 David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.]

5. [https://www.dropbox.com/s/3dyw3c4bv5bl2xw/Grimmett%20G.%2C%20Stirzaker%20D.%20Probability%20and%20Random%20Processes.djvu?dl=0 Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.]

6. [https://www.dropbox.com/s/r8wcms7vszqd8tv/Forrester%20A.%2C%20Sobester%20A.%2C%20Keane%20A.%20Engineering%20Design%20via%20Surrogate%20Modelling.pdf?dl=0 Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.]

7. [https://www.dropbox.com/s/f07k3k9ak8b4wbq/Lee%20J.A.%2C%20Verleysen%20M.%20Nonlinear%20Dimensionality%20Reduction.pdf?dl=0 Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.]

8. [https://www.dropbox.com/s/izx6kbyd3jcz162/Wang%20G.G.%2C%20Shan%20S.%20Review%20of%20Metamodeling%20Techniques%20in%20Support%20of%20Engineering%20Design%20Optimization.pdf?dl=0 Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.]

9. [https://www.dropbox.com/s/13vgwzjhfygcui3/Deconinck%2C%20Periaux%2C%20Giannakoglou%20%28eds.%29.%20Optimization%20method%20and%20tools%20for%20multicriteria%20multidisciplinary%20design.pdf?dl=0 Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.]

10. [https://www.dropbox.com/s/f8hl8iliswk2fgv/%D0%9B%D0%B0%D0%B3%D1%83%D1%82%D0%B8%D0%BD%20%D0%9C.%D0%91.%20%D0%9D%D0%B0%D0%B3%D0%BB%D1%8F%D0%B4%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.djvu?dl=0 Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.]

11. [https://www.dropbox.com/s/hjv1olagi1smkll/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F%20%D0%B8%20%D0%BF%D0%B5%D1%80%D0%B2%D0%B8%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.]

12. [https://www.dropbox.com/s/46aw6dnnf9ec7ko/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B5%D0%B9.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.]

13. [https://www.dropbox.com/s/e7gx4womlbtasic/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%91%D1%83%D1%85%D1%88%D1%82%D0%B0%D0%B1%D0%B5%D1%80%20%D0%92.%D0%9C.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%A1.%D0%90.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8.djvu?dl=0 Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.]

Прикладная статистика в машинном обучении

2017-12-19T20:57:50Z

Artonson: /* Программа курса */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.

'''Лектор:''' Артемов Алексей Валерьевич

Лекции проходят по субботам (9, 23 сентября, 7, 21 октября, 11, 25 ноября, 9, 16 декабря), 13:40 - 16:30, ауд. 509.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/205514489.html Карточка курса и программа]

Репозиторий с материалами на GitHub: TBD

Сдача домашних заданий через систему AnyTask: http://anytask.org , в профиле вводите инвайт, соотвествующей вашей группе и курс появится в списке ваших курсов.

Чат в telegram для обсуждений: https://t.me/joinchat/A6_aGA2TPu-XFv45Ac4zlw

Таблица с оценками: http://anytask.org/course/234

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 12:10 - 13:30, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw || 1NMqJTw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 || || o81nn7v
|}

=== Дата выдачи/сдачи дз ===

* Задание #1 25/09 - 08/10 (см. AnyTask)
* Задание #2 09/10 - 23/10 (см. AnyTask)
* Задание #3 13/11 - 27/11 (см. AnyTask, по 6 баллов за задачу, максимальный балл 18)

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

'''O_накопл=0.2 O_самост + 0.6 O_дз + 0.2 O_коллоквиум'''

Накопленная и итоговая оценки округляются арифметически.

'''Рассчет O_дз'''

# За каждую выполенную задачу в задании студент получает соответсвующее число баллов, максимум указан в тексте задания. Они суммируются и получается общее число баллов за конкретное домашнее задание.
# Рассчитывается взвешенное средние из баллов за все домашние задания. Веса пропорциональны числу баллов за задания.
# Полученный результат отобржается в [0;10] делением

Бонус: при верном решении всех задач в домашнем задании, студент получает два бонусных балла. Бонусные баллы можно будет конвертировать как плюс-баллы на экзамене. Бонусные баллы суммируются.

* Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания.
* Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.
* В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.
* Студенту, получившему отличную накопленную оценку, данная оценка может быть выставлена в качестве итоговой при условии, что им набрано не менее 10 дополнительных баллов.
* Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

=== Коллоквиум ===
Коллоквиум в письменной форме будет проведен '''в субботу 11.11.2017 в аудитории 509 четвертой парой 15.10-16.30''' и будет включать темы:
* Основные задачи и методы теории статистических выводов;
* Параметрическое оценивание;
* Проверка гипотез.

== Программа курса ==
[https://www.dropbox.com/s/ztykp2c7nle4r2n/intro.pdf?dl=0 Презентация со введением в курс]

1. '''Введение. Основные задачи и методы теории статистических выводов''' (1 лекция, 1 семинар) ''(проведена 09.09.2017)''

Параметрические и непараметрические модели. Основные задачи: точечное оценивание, доверительные множества, тестирование гипотез, исследование зависимостей. Эмпирическая функция распределения. Статистические функционалы.

[https://www.dropbox.com/s/00agifix9p2ddfv/lecture1-1.pdf?dl=0 Слайды к лекции 1, часть 1 (основы теории)]

[https://www.dropbox.com/s/v6l1ahvags2gtyw/lecture1-2.pdf?dl=0 Слайды к лекции 1, часть 2 (статистические функционалы)]

2. '''Параметрическое оценивание''' (2 лекции, 2 семинара) ''(первая часть проведена 09.09.2017)''

Метод моментов. Метод максимального правдоподобия и его свойства. Дельта-метод. Случай векторного параметра. Параметрический бутстреп. Доверительное оценивание. Достаточная статистика. Экспоненциальное семейство распределений. EM-алгоритм.

[https://www.dropbox.com/s/o8gc6fo1s9zkp1z/lecture2.pdf?dl=0 Слайды к лекции 2 (параметрическое оценивание)]

3. '''Бутстреп''' (1 лекция, 1 семинар)

Моделирование Монте-Карло, бутстреп. Оценка дисперсии на основе бутстрепа. Оценка доверительных интервалов на основе бутстрепа. Метод складного ножа.

[https://www.dropbox.com/s/tu7c9teqb0nhzan/lecture3-1.pdf?dl=0 Слайды к лекции 3, часть 1 (бутстреп)]

4. '''Проверка гипотез''' (2 лекции, 2 семинара)

Основные понятия теории проверки гипотез. Критерий Вальда. P-значение. Распределение хи-квадрат и критерий Пирсона. Критерий перестановок. Критерий на основе отношения правдоподобия. Множественные тесты. Критерий согласия. Критерий Неймана-Пирсона для случая двух простых гипотез, t-критерий.

[https://www.dropbox.com/s/sazco9ha2flty5r/lecture3-2.pdf?dl=0 Слайды к лекции 3, часть 2 (проверка гипотез)]

5. '''Линейная и логистическая регрессия''' (2 лекции, 2 семинара)

Стандартная линейная регрессия. Метод оценивания на основе минимизации невязок/максимизации правдоподобия. Свойства оценок метода наименьших квадратов. Прогнозирование. Множественная регрессия. Выбор модели. AIC, BIC. Логистическая регрессия.

[https://www.dropbox.com/s/c62e9sjbx6dj2rs/lecture3-3.pdf?dl=0 Слайды к лекции 3, часть 3 (регрессия)]

6. '''Непараметрическое оценивание сигналов''' (1 лекция, 1 семинар) ''(проведена 21.10.2017)''

Выбор оптимального соотношения между смещением и дисперсией. Гистограммы. Ядерная оценка плотности. Непараметрическая регрессия.

[https://www.dropbox.com/s/0rqqom8u68kadwc/lecture4.pdf?dl=0 Слайды к лекции 4]

7. '''Нелинейные методы построения регрессионных зависимостей''' (1 лекция, 1 семинар) ''(проведена 11.11.2017)''

Аддитивные модели. Аппроксимационные модели на основе параметрических словарей (сигмоидальные функции, гауссоподобные функции, и т.д.). Построение аппроксимационных моделей на основе параметрических словарей: методы инициализации структуры; методы оценки параметров, учитывающие структуру модели; методы адаптивной регуляризации в процесс оценки параметров модели.

[https://www.dropbox.com/s/dg273ueqqnkw5wi/lecture5.pdf?dl=0 Слайды к лекции 5]

8. '''Регрессионные модели на основе гауссовских процессов''' (1 лекция, 1 семинар) ''(проведена 25.11.2017)''

Гауссовские процессы. Прогноз и оценка точности прогноза на основе гауссовских процессов. Оценка параметров ковариационной функции. Регуляризация логарифма правдоподобия. Модель нестационарной ковариационной функции. Регрессия на основе гауссовских процессов как ядерная гребневая регрессия. Глобальная оптимизация на основе гауссовских процессов. Планирование экспериментов на основе гауссовских процессов.

[https://www.dropbox.com/s/eudus0hqzkf5tg0/lecture6_gp.pdf?dl=0 Слайды к лекции 6]

[https://www.dropbox.com/s/kz8vpai8h4hufmb/lecture6_gp_seminar.zip?dl=0 Материалы к семинару после лекции 6]

9. '''Оценка чувствительности модели''' (1 лекция, 1 семинар)

Введение, начальные условия, области применения. Постановка задачи оценки глобальной чувствительности модели. Обзор методов оценки чувствительности модели в случае выборки данных. Обзор методов оценки чувствительности модели в случае черного ящика. Выделение параметров, которые сильнее всего влияют на уровень радиоактивных изотопов в воде (Level E test case). Обзор теоретических основ метода оценки чувствительности модели на основе индексов Соболя.

10. '''Методы планирования экспериментов (Design of Experiments)''' (1 лекция, 1 семинар) ''(проведена 16.12.2017)''

Space-filling DoE. Планирование экспериментов для линейных регрессионных моделей.

[https://www.dropbox.com/s/p7jq1iuwcr1sast/lecture7.pdf?dl=0 Слайды к лекции 7]

[https://www.dropbox.com/s/kz8vpai8h4hufmb/lecture6_gp_seminar.zip?dl=0 Материалы к семинару после лекции 6]

11. '''Снижение размерности многомерных данных''' (1 лекция, 1 семинар)

Снижение размерности в суррогатном моделировании. Постановка задачи снижения размерности. Обзор линейных методов снижения размерности (метод главных компонент, целенаправленное проектирование и т.п.). Обзор локальных и нелинейных методов снижения размерности (метод нелинейных главных компонент, метод локального линейного вложения и т.п.). Новые постановки задач снижения размерности. Аппроксимация многомерных зависимостей как решение задачи снижения размерности.

== Материалы ==

1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

2. [https://www.dropbox.com/s/nrempaxwtf0hbqg/Wasserman%20L.%20All%20of%20Nonparametric%20Statistics.pdf?dl=0 Wasserman L. All of Nonparametric Statistics. Springer, 2006.]

3. [https://www.dropbox.com/s/fwat2tikn9wkqre/Bishop%20C.M.%20Pattern%20recognition%20and%20machine%20learning.pdf?dl=0 Bishop C.M. Pattern recognition and machine learning. Springer, 2006.]

4. [https://www.dropbox.com/s/h0kaiix6y3g3yzl/David%20Mackay%20J.C.%20Information%20theory%2C%20inference%2C%20and%20learning%20algorithms..pdf?dl=0 David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.]

5. [https://www.dropbox.com/s/3dyw3c4bv5bl2xw/Grimmett%20G.%2C%20Stirzaker%20D.%20Probability%20and%20Random%20Processes.djvu?dl=0 Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.]

6. [https://www.dropbox.com/s/r8wcms7vszqd8tv/Forrester%20A.%2C%20Sobester%20A.%2C%20Keane%20A.%20Engineering%20Design%20via%20Surrogate%20Modelling.pdf?dl=0 Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.]

7. [https://www.dropbox.com/s/f07k3k9ak8b4wbq/Lee%20J.A.%2C%20Verleysen%20M.%20Nonlinear%20Dimensionality%20Reduction.pdf?dl=0 Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.]

8. [https://www.dropbox.com/s/izx6kbyd3jcz162/Wang%20G.G.%2C%20Shan%20S.%20Review%20of%20Metamodeling%20Techniques%20in%20Support%20of%20Engineering%20Design%20Optimization.pdf?dl=0 Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.]

9. [https://www.dropbox.com/s/13vgwzjhfygcui3/Deconinck%2C%20Periaux%2C%20Giannakoglou%20%28eds.%29.%20Optimization%20method%20and%20tools%20for%20multicriteria%20multidisciplinary%20design.pdf?dl=0 Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.]

10. [https://www.dropbox.com/s/f8hl8iliswk2fgv/%D0%9B%D0%B0%D0%B3%D1%83%D1%82%D0%B8%D0%BD%20%D0%9C.%D0%91.%20%D0%9D%D0%B0%D0%B3%D0%BB%D1%8F%D0%B4%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.djvu?dl=0 Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.]

11. [https://www.dropbox.com/s/hjv1olagi1smkll/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F%20%D0%B8%20%D0%BF%D0%B5%D1%80%D0%B2%D0%B8%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.]

12. [https://www.dropbox.com/s/46aw6dnnf9ec7ko/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B5%D0%B9.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.]

13. [https://www.dropbox.com/s/e7gx4womlbtasic/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%91%D1%83%D1%85%D1%88%D1%82%D0%B0%D0%B1%D0%B5%D1%80%20%D0%92.%D0%9C.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%A1.%D0%90.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8.djvu?dl=0 Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.]

Прикладная статистика в машинном обучении

2017-12-08T10:58:16Z

Artonson: /* Программа курса */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.

'''Лектор:''' Артемов Алексей Валерьевич

Лекции проходят по субботам (9, 23 сентября, 7, 21 октября, 11, 25 ноября, 9, 16 декабря), 13:40 - 16:30, ауд. 509.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/205514489.html Карточка курса и программа]

Репозиторий с материалами на GitHub: TBD

Сдача домашних заданий через систему AnyTask: http://anytask.org , в профиле вводите инвайт, соотвествующей вашей группе и курс появится в списке ваших курсов.

Чат в telegram для обсуждений: https://t.me/joinchat/A6_aGA2TPu-XFv45Ac4zlw

Таблица с оценками: http://anytask.org/course/234

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 12:10 - 13:30, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw || 1NMqJTw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 || || o81nn7v
|}

=== Дата выдачи/сдачи дз ===

* Задание #1 25/09 - 08/10 (см. AnyTask)
* Задание #2 09/10 - 23/10 (см. AnyTask)
* Задание #3 13/11 - 27/11 (см. AnyTask, по 6 баллов за задачу, максимальный балл 18)

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

'''O_накопл=0.2 O_самост + 0.6 O_дз + 0.2 O_коллоквиум'''

Накопленная и итоговая оценки округляются арифметически.

'''Рассчет O_дз'''

# За каждую выполенную задачу в задании студент получает соответсвующее число баллов, максимум указан в тексте задания. Они суммируются и получается общее число баллов за конкретное домашнее задание.
# Рассчитывается взвешенное средние из баллов за все домашние задания. Веса пропорциональны числу баллов за задания.
# Полученный результат отобржается в [0;10] делением

Бонус: при верном решении всех задач в домашнем задании, студент получает два бонусных балла. Бонусные баллы можно будет конвертировать как плюс-баллы на экзамене. Бонусные баллы суммируются.

* Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания.
* Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.
* В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.
* Студенту, получившему отличную накопленную оценку, данная оценка может быть выставлена в качестве итоговой при условии, что им набрано не менее 10 дополнительных баллов.
* Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

=== Коллоквиум ===
Коллоквиум в письменной форме будет проведен '''в субботу 11.11.2017 в аудитории 509 четвертой парой 15.10-16.30''' и будет включать темы:
* Основные задачи и методы теории статистических выводов;
* Параметрическое оценивание;
* Проверка гипотез.

== Программа курса ==
[https://www.dropbox.com/s/ztykp2c7nle4r2n/intro.pdf?dl=0 Презентация со введением в курс]

1. '''Введение. Основные задачи и методы теории статистических выводов''' (1 лекция, 1 семинар) ''(проведена 09.09.2017)''

Параметрические и непараметрические модели. Основные задачи: точечное оценивание, доверительные множества, тестирование гипотез, исследование зависимостей. Эмпирическая функция распределения. Статистические функционалы.

[https://www.dropbox.com/s/00agifix9p2ddfv/lecture1-1.pdf?dl=0 Слайды к лекции 1, часть 1 (основы теории)]

[https://www.dropbox.com/s/v6l1ahvags2gtyw/lecture1-2.pdf?dl=0 Слайды к лекции 1, часть 2 (статистические функционалы)]

2. '''Параметрическое оценивание''' (2 лекции, 2 семинара) ''(первая часть проведена 09.09.2017)''

Метод моментов. Метод максимального правдоподобия и его свойства. Дельта-метод. Случай векторного параметра. Параметрический бутстреп. Доверительное оценивание. Достаточная статистика. Экспоненциальное семейство распределений. EM-алгоритм.

[https://www.dropbox.com/s/o8gc6fo1s9zkp1z/lecture2.pdf?dl=0 Слайды к лекции 2 (параметрическое оценивание)]

3. '''Бутстреп''' (1 лекция, 1 семинар)

Моделирование Монте-Карло, бутстреп. Оценка дисперсии на основе бутстрепа. Оценка доверительных интервалов на основе бутстрепа. Метод складного ножа.

[https://www.dropbox.com/s/tu7c9teqb0nhzan/lecture3-1.pdf?dl=0 Слайды к лекции 3, часть 1 (бутстреп)]

4. '''Проверка гипотез''' (2 лекции, 2 семинара)

Основные понятия теории проверки гипотез. Критерий Вальда. P-значение. Распределение хи-квадрат и критерий Пирсона. Критерий перестановок. Критерий на основе отношения правдоподобия. Множественные тесты. Критерий согласия. Критерий Неймана-Пирсона для случая двух простых гипотез, t-критерий.

[https://www.dropbox.com/s/sazco9ha2flty5r/lecture3-2.pdf?dl=0 Слайды к лекции 3, часть 2 (проверка гипотез)]

5. '''Линейная и логистическая регрессия''' (2 лекции, 2 семинара)

Стандартная линейная регрессия. Метод оценивания на основе минимизации невязок/максимизации правдоподобия. Свойства оценок метода наименьших квадратов. Прогнозирование. Множественная регрессия. Выбор модели. AIC, BIC. Логистическая регрессия.

[https://www.dropbox.com/s/c62e9sjbx6dj2rs/lecture3-3.pdf?dl=0 Слайды к лекции 3, часть 3 (регрессия)]

6. '''Непараметрическое оценивание сигналов''' (1 лекция, 1 семинар) ''(проведена 21.10.2017)''

Выбор оптимального соотношения между смещением и дисперсией. Гистограммы. Ядерная оценка плотности. Непараметрическая регрессия.

[https://www.dropbox.com/s/0rqqom8u68kadwc/lecture4.pdf?dl=0 Слайды к лекции 4]

7. '''Нелинейные методы построения регрессионных зависимостей''' (1 лекция, 1 семинар) ''(проведена 11.11.2017)''

Аддитивные модели. Аппроксимационные модели на основе параметрических словарей (сигмоидальные функции, гауссоподобные функции, и т.д.). Построение аппроксимационных моделей на основе параметрических словарей: методы инициализации структуры; методы оценки параметров, учитывающие структуру модели; методы адаптивной регуляризации в процесс оценки параметров модели.

[https://www.dropbox.com/s/dg273ueqqnkw5wi/lecture5.pdf?dl=0 Слайды к лекции 5]

8. '''Регрессионные модели на основе гауссовских процессов''' (1 лекция, 1 семинар)

Гауссовские процессы. Прогноз и оценка точности прогноза на основе гауссовских процессов. Оценка параметров ковариационной функции. Регуляризация логарифма правдоподобия. Модель нестационарной ковариационной функции. Регрессия на основе гауссовских процессов как ядерная гребневая регрессия. Глобальная оптимизация на основе гауссовских процессов. Планирование экспериментов на основе гауссовских процессов.

[https://www.dropbox.com/s/eudus0hqzkf5tg0/lecture6_gp.pdf?dl=0 Слайды к лекции 6]

[https://www.dropbox.com/s/kz8vpai8h4hufmb/lecture6_gp_seminar.zip?dl=0 Материалы к семинару после лекции 6]

9. '''Оценка чувствительности модели''' (1 лекция, 1 семинар)

Введение, начальные условия, области применения. Постановка задачи оценки глобальной чувствительности модели. Обзор методов оценки чувствительности модели в случае выборки данных. Обзор методов оценки чувствительности модели в случае черного ящика. Выделение параметров, которые сильнее всего влияют на уровень радиоактивных изотопов в воде (Level E test case). Обзор теоретических основ метода оценки чувствительности модели на основе индексов Соболя.

10. '''Методы планирования экспериментов (Design of Experiments)''' (1 лекция, 1 семинар)

Space-filling DoE. Планирование экспериментов для линейных регрессионных моделей.

11. '''Снижение размерности многомерных данных''' (1 лекция, 1 семинар)

Снижение размерности в суррогатном моделировании. Постановка задачи снижения размерности. Обзор линейных методов снижения размерности (метод главных компонент, целенаправленное проектирование и т.п.). Обзор локальных и нелинейных методов снижения размерности (метод нелинейных главных компонент, метод локального линейного вложения и т.п.). Новые постановки задач снижения размерности. Аппроксимация многомерных зависимостей как решение задачи снижения размерности.

== Материалы ==

1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

2. [https://www.dropbox.com/s/nrempaxwtf0hbqg/Wasserman%20L.%20All%20of%20Nonparametric%20Statistics.pdf?dl=0 Wasserman L. All of Nonparametric Statistics. Springer, 2006.]

3. [https://www.dropbox.com/s/fwat2tikn9wkqre/Bishop%20C.M.%20Pattern%20recognition%20and%20machine%20learning.pdf?dl=0 Bishop C.M. Pattern recognition and machine learning. Springer, 2006.]

4. [https://www.dropbox.com/s/h0kaiix6y3g3yzl/David%20Mackay%20J.C.%20Information%20theory%2C%20inference%2C%20and%20learning%20algorithms..pdf?dl=0 David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.]

5. [https://www.dropbox.com/s/3dyw3c4bv5bl2xw/Grimmett%20G.%2C%20Stirzaker%20D.%20Probability%20and%20Random%20Processes.djvu?dl=0 Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.]

6. [https://www.dropbox.com/s/r8wcms7vszqd8tv/Forrester%20A.%2C%20Sobester%20A.%2C%20Keane%20A.%20Engineering%20Design%20via%20Surrogate%20Modelling.pdf?dl=0 Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.]

7. [https://www.dropbox.com/s/f07k3k9ak8b4wbq/Lee%20J.A.%2C%20Verleysen%20M.%20Nonlinear%20Dimensionality%20Reduction.pdf?dl=0 Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.]

8. [https://www.dropbox.com/s/izx6kbyd3jcz162/Wang%20G.G.%2C%20Shan%20S.%20Review%20of%20Metamodeling%20Techniques%20in%20Support%20of%20Engineering%20Design%20Optimization.pdf?dl=0 Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.]

9. [https://www.dropbox.com/s/13vgwzjhfygcui3/Deconinck%2C%20Periaux%2C%20Giannakoglou%20%28eds.%29.%20Optimization%20method%20and%20tools%20for%20multicriteria%20multidisciplinary%20design.pdf?dl=0 Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.]

10. [https://www.dropbox.com/s/f8hl8iliswk2fgv/%D0%9B%D0%B0%D0%B3%D1%83%D1%82%D0%B8%D0%BD%20%D0%9C.%D0%91.%20%D0%9D%D0%B0%D0%B3%D0%BB%D1%8F%D0%B4%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.djvu?dl=0 Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.]

11. [https://www.dropbox.com/s/hjv1olagi1smkll/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F%20%D0%B8%20%D0%BF%D0%B5%D1%80%D0%B2%D0%B8%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.]

12. [https://www.dropbox.com/s/46aw6dnnf9ec7ko/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B5%D0%B9.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.]

13. [https://www.dropbox.com/s/e7gx4womlbtasic/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%91%D1%83%D1%85%D1%88%D1%82%D0%B0%D0%B1%D0%B5%D1%80%20%D0%92.%D0%9C.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%A1.%D0%90.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8.djvu?dl=0 Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.]

Прикладная статистика в машинном обучении

2017-11-23T15:23:22Z

Artonson: /* Программа курса */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.

'''Лектор:''' Артемов Алексей Валерьевич

Лекции проходят по субботам (9, 23 сентября, 7, 21 октября, 11, 25 ноября, 9, 16 декабря), 13:40 - 16:30, ауд. 509.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/205514489.html Карточка курса и программа]

Репозиторий с материалами на GitHub: TBD

Сдача домашних заданий через систему AnyTask: http://anytask.org , в профиле вводите инвайт, соотвествующей вашей группе и курс появится в списке ваших курсов.

Чат в telegram для обсуждений: https://t.me/joinchat/A6_aGA2TPu-XFv45Ac4zlw

Таблица с оценками: http://anytask.org/course/234

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 12:10 - 13:30, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw || 1NMqJTw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 || || o81nn7v
|}

=== Дата выдачи/сдачи дз ===

* Задание #1 25/09 - 08/10 (см. AnyTask)
* Задание #2 09/10 - 23/10 (см. AnyTask)
* Задание #3 13/11 - 27/11 (см. AnyTask, по 6 баллов за задачу, максимальный балл 18)

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

'''O_накопл=0.2 O_самост + 0.6 O_дз + 0.2 O_коллоквиум'''

Накопленная и итоговая оценки округляются арифметически.

'''Рассчет O_дз'''

# За каждую выполенную задачу в задании студент получает соответсвующее число баллов, максимум указан в тексте задания. Они суммируются и получается общее число баллов за конкретное домашнее задание.
# Рассчитывается взвешенное средние из баллов за все домашние задания. Веса пропорциональны числу баллов за задания.
# Полученный результат отобржается в [0;10] делением

Бонус: при верном решении всех задач в домашнем задании, студент получает два бонусных балла. Бонусные баллы можно будет конвертировать как плюс-баллы на экзамене. Бонусные баллы суммируются.

* Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания.
* Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.
* В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.
* Студенту, получившему отличную накопленную оценку, данная оценка может быть выставлена в качестве итоговой при условии, что им набрано не менее 10 дополнительных баллов.
* Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

=== Коллоквиум ===
Коллоквиум в письменной форме будет проведен '''в субботу 11.11.2017 в аудитории 509 четвертой парой 15.10-16.30''' и будет включать темы:
* Основные задачи и методы теории статистических выводов;
* Параметрическое оценивание;
* Проверка гипотез.

== Программа курса ==
[https://www.dropbox.com/s/ztykp2c7nle4r2n/intro.pdf?dl=0 Презентация со введением в курс]

1. '''Введение. Основные задачи и методы теории статистических выводов''' (1 лекция, 1 семинар) ''(проведена 09.09.2017)''

Параметрические и непараметрические модели. Основные задачи: точечное оценивание, доверительные множества, тестирование гипотез, исследование зависимостей. Эмпирическая функция распределения. Статистические функционалы.

[https://www.dropbox.com/s/00agifix9p2ddfv/lecture1-1.pdf?dl=0 Слайды к лекции 1, часть 1 (основы теории)]

[https://www.dropbox.com/s/v6l1ahvags2gtyw/lecture1-2.pdf?dl=0 Слайды к лекции 1, часть 2 (статистические функционалы)]

2. '''Параметрическое оценивание''' (2 лекции, 2 семинара) ''(первая часть проведена 09.09.2017)''

Метод моментов. Метод максимального правдоподобия и его свойства. Дельта-метод. Случай векторного параметра. Параметрический бутстреп. Доверительное оценивание. Достаточная статистика. Экспоненциальное семейство распределений. EM-алгоритм.

[https://www.dropbox.com/s/o8gc6fo1s9zkp1z/lecture2.pdf?dl=0 Слайды к лекции 2 (параметрическое оценивание)]

3. '''Бутстреп''' (1 лекция, 1 семинар)

Моделирование Монте-Карло, бутстреп. Оценка дисперсии на основе бутстрепа. Оценка доверительных интервалов на основе бутстрепа. Метод складного ножа.

[https://www.dropbox.com/s/tu7c9teqb0nhzan/lecture3-1.pdf?dl=0 Слайды к лекции 3, часть 1 (бутстреп)]

4. '''Проверка гипотез''' (2 лекции, 2 семинара)

Основные понятия теории проверки гипотез. Критерий Вальда. P-значение. Распределение хи-квадрат и критерий Пирсона. Критерий перестановок. Критерий на основе отношения правдоподобия. Множественные тесты. Критерий согласия. Критерий Неймана-Пирсона для случая двух простых гипотез, t-критерий.

[https://www.dropbox.com/s/sazco9ha2flty5r/lecture3-2.pdf?dl=0 Слайды к лекции 3, часть 2 (проверка гипотез)]

5. '''Линейная и логистическая регрессия''' (2 лекции, 2 семинара)

Стандартная линейная регрессия. Метод оценивания на основе минимизации невязок/максимизации правдоподобия. Свойства оценок метода наименьших квадратов. Прогнозирование. Множественная регрессия. Выбор модели. AIC, BIC. Логистическая регрессия.

[https://www.dropbox.com/s/c62e9sjbx6dj2rs/lecture3-3.pdf?dl=0 Слайды к лекции 3, часть 3 (регрессия)]

6. '''Непараметрическое оценивание сигналов''' (1 лекция, 1 семинар) ''(проведена 21.10.2017)''

Выбор оптимального соотношения между смещением и дисперсией. Гистограммы. Ядерная оценка плотности. Непараметрическая регрессия.

[https://www.dropbox.com/s/0rqqom8u68kadwc/lecture4.pdf?dl=0 Слайды к лекции 4]

7. '''Нелинейные методы построения регрессионных зависимостей''' (1 лекция, 1 семинар) ''(проведена 11.11.2017)''

Аддитивные модели. Аппроксимационные модели на основе параметрических словарей (сигмоидальные функции, гауссоподобные функции, и т.д.). Построение аппроксимационных моделей на основе параметрических словарей: методы инициализации структуры; методы оценки параметров, учитывающие структуру модели; методы адаптивной регуляризации в процесс оценки параметров модели.

[https://www.dropbox.com/s/dg273ueqqnkw5wi/lecture5.pdf?dl=0 Слайды к лекции 5]

8. '''Регрессионные модели на основе гауссовских процессов''' (1 лекция, 1 семинар)

Гауссовские процессы. Прогноз и оценка точности прогноза на основе гауссовских процессов. Оценка параметров ковариационной функции. Регуляризация логарифма правдоподобия. Модель нестационарной ковариационной функции. Регрессия на основе гауссовских процессов как ядерная гребневая регрессия. Глобальная оптимизация на основе гауссовских процессов. Планирование экспериментов на основе гауссовских процессов.

9. '''Оценка чувствительности модели''' (1 лекция, 1 семинар)

Введение, начальные условия, области применения. Постановка задачи оценки глобальной чувствительности модели. Обзор методов оценки чувствительности модели в случае выборки данных. Обзор методов оценки чувствительности модели в случае черного ящика. Выделение параметров, которые сильнее всего влияют на уровень радиоактивных изотопов в воде (Level E test case). Обзор теоретических основ метода оценки чувствительности модели на основе индексов Соболя.

10. '''Методы планирования экспериментов (Design of Experiments)''' (1 лекция, 1 семинар)

Space-filling DoE. Планирование экспериментов для линейных регрессионных моделей.

11. '''Снижение размерности многомерных данных''' (1 лекция, 1 семинар)

Снижение размерности в суррогатном моделировании. Постановка задачи снижения размерности. Обзор линейных методов снижения размерности (метод главных компонент, целенаправленное проектирование и т.п.). Обзор локальных и нелинейных методов снижения размерности (метод нелинейных главных компонент, метод локального линейного вложения и т.п.). Новые постановки задач снижения размерности. Аппроксимация многомерных зависимостей как решение задачи снижения размерности.

== Материалы ==

1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

2. [https://www.dropbox.com/s/nrempaxwtf0hbqg/Wasserman%20L.%20All%20of%20Nonparametric%20Statistics.pdf?dl=0 Wasserman L. All of Nonparametric Statistics. Springer, 2006.]

3. [https://www.dropbox.com/s/fwat2tikn9wkqre/Bishop%20C.M.%20Pattern%20recognition%20and%20machine%20learning.pdf?dl=0 Bishop C.M. Pattern recognition and machine learning. Springer, 2006.]

4. [https://www.dropbox.com/s/h0kaiix6y3g3yzl/David%20Mackay%20J.C.%20Information%20theory%2C%20inference%2C%20and%20learning%20algorithms..pdf?dl=0 David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.]

5. [https://www.dropbox.com/s/3dyw3c4bv5bl2xw/Grimmett%20G.%2C%20Stirzaker%20D.%20Probability%20and%20Random%20Processes.djvu?dl=0 Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.]

6. [https://www.dropbox.com/s/r8wcms7vszqd8tv/Forrester%20A.%2C%20Sobester%20A.%2C%20Keane%20A.%20Engineering%20Design%20via%20Surrogate%20Modelling.pdf?dl=0 Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.]

7. [https://www.dropbox.com/s/f07k3k9ak8b4wbq/Lee%20J.A.%2C%20Verleysen%20M.%20Nonlinear%20Dimensionality%20Reduction.pdf?dl=0 Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.]

8. [https://www.dropbox.com/s/izx6kbyd3jcz162/Wang%20G.G.%2C%20Shan%20S.%20Review%20of%20Metamodeling%20Techniques%20in%20Support%20of%20Engineering%20Design%20Optimization.pdf?dl=0 Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.]

9. [https://www.dropbox.com/s/13vgwzjhfygcui3/Deconinck%2C%20Periaux%2C%20Giannakoglou%20%28eds.%29.%20Optimization%20method%20and%20tools%20for%20multicriteria%20multidisciplinary%20design.pdf?dl=0 Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.]

10. [https://www.dropbox.com/s/f8hl8iliswk2fgv/%D0%9B%D0%B0%D0%B3%D1%83%D1%82%D0%B8%D0%BD%20%D0%9C.%D0%91.%20%D0%9D%D0%B0%D0%B3%D0%BB%D1%8F%D0%B4%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.djvu?dl=0 Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.]

11. [https://www.dropbox.com/s/hjv1olagi1smkll/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F%20%D0%B8%20%D0%BF%D0%B5%D1%80%D0%B2%D0%B8%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.]

12. [https://www.dropbox.com/s/46aw6dnnf9ec7ko/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B5%D0%B9.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.]

13. [https://www.dropbox.com/s/e7gx4womlbtasic/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%91%D1%83%D1%85%D1%88%D1%82%D0%B0%D0%B1%D0%B5%D1%80%20%D0%92.%D0%9C.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%A1.%D0%90.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8.djvu?dl=0 Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.]

Прикладная статистика в машинном обучении

2017-11-23T12:19:05Z

Artonson: /* Дата выдачи/сдачи дз */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.

'''Лектор:''' Артемов Алексей Валерьевич

Лекции проходят по субботам (9, 23 сентября, 7, 21 октября, 11, 25 ноября, 9, 16 декабря), 13:40 - 16:30, ауд. 509.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/205514489.html Карточка курса и программа]

Репозиторий с материалами на GitHub: TBD

Сдача домашних заданий через систему AnyTask: http://anytask.org , в профиле вводите инвайт, соотвествующей вашей группе и курс появится в списке ваших курсов.

Чат в telegram для обсуждений: https://t.me/joinchat/A6_aGA2TPu-XFv45Ac4zlw

Таблица с оценками: http://anytask.org/course/234

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 12:10 - 13:30, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw || 1NMqJTw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 || || o81nn7v
|}

=== Дата выдачи/сдачи дз ===

* Задание #1 25/09 - 08/10 (см. AnyTask)
* Задание #2 09/10 - 23/10 (см. AnyTask)
* Задание #3 13/11 - 27/11 (см. AnyTask, по 6 баллов за задачу, максимальный балл 18)

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

'''O_накопл=0.2 O_самост + 0.6 O_дз + 0.2 O_коллоквиум'''

Накопленная и итоговая оценки округляются арифметически.

'''Рассчет O_дз'''

# За каждую выполенную задачу в задании студент получает соответсвующее число баллов, максимум указан в тексте задания. Они суммируются и получается общее число баллов за конкретное домашнее задание.
# Рассчитывается взвешенное средние из баллов за все домашние задания. Веса пропорциональны числу баллов за задания.
# Полученный результат отобржается в [0;10] делением

Бонус: при верном решении всех задач в домашнем задании, студент получает два бонусных балла. Бонусные баллы можно будет конвертировать как плюс-баллы на экзамене. Бонусные баллы суммируются.

* Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания.
* Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.
* В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.
* Студенту, получившему отличную накопленную оценку, данная оценка может быть выставлена в качестве итоговой при условии, что им набрано не менее 10 дополнительных баллов.
* Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

=== Коллоквиум ===
Коллоквиум в письменной форме будет проведен '''в субботу 11.11.2017 в аудитории 509 четвертой парой 15.10-16.30''' и будет включать темы:
* Основные задачи и методы теории статистических выводов;
* Параметрическое оценивание;
* Проверка гипотез.

== Программа курса ==
[https://www.dropbox.com/s/ztykp2c7nle4r2n/intro.pdf?dl=0 Презентация со введением в курс]

1. '''Введение. Основные задачи и методы теории статистических выводов''' (1 лекция, 1 семинар) ''(проведена 09.09.2017)''

Параметрические и непараметрические модели. Основные задачи: точечное оценивание, доверительные множества, тестирование гипотез, исследование зависимостей. Эмпирическая функция распределения. Статистические функционалы.

[https://www.dropbox.com/s/00agifix9p2ddfv/lecture1-1.pdf?dl=0 Слайды к лекции 1, часть 1 (основы теории)]

[https://www.dropbox.com/s/v6l1ahvags2gtyw/lecture1-2.pdf?dl=0 Слайды к лекции 1, часть 2 (статистические функционалы)]

2. '''Параметрическое оценивание''' (2 лекции, 2 семинара) ''(первая часть проведена 09.09.2017)''

Метод моментов. Метод максимального правдоподобия и его свойства. Дельта-метод. Случай векторного параметра. Параметрический бутстреп. Доверительное оценивание. Достаточная статистика. Экспоненциальное семейство распределений. EM-алгоритм.

[https://www.dropbox.com/s/o8gc6fo1s9zkp1z/lecture2.pdf?dl=0 Слайды к лекции 2 (параметрическое оценивание)]

3. '''Бутстреп''' (1 лекция, 1 семинар)

Моделирование Монте-Карло, бутстреп. Оценка дисперсии на основе бутстрепа. Оценка доверительных интервалов на основе бутстрепа. Метод складного ножа.

[https://www.dropbox.com/s/tu7c9teqb0nhzan/lecture3-1.pdf?dl=0 Слайды к лекции 3, часть 1 (бутстреп)]

4. '''Проверка гипотез''' (2 лекции, 2 семинара)

Основные понятия теории проверки гипотез. Критерий Вальда. P-значение. Распределение хи-квадрат и критерий Пирсона. Критерий перестановок. Критерий на основе отношения правдоподобия. Множественные тесты. Критерий согласия. Критерий Неймана-Пирсона для случая двух простых гипотез, t-критерий.

[https://www.dropbox.com/s/sazco9ha2flty5r/lecture3-2.pdf?dl=0 Слайды к лекции 3, часть 2 (проверка гипотез)]

5. '''Линейная и логистическая регрессия''' (2 лекции, 2 семинара)

Стандартная линейная регрессия. Метод оценивания на основе минимизации невязок/максимизации правдоподобия. Свойства оценок метода наименьших квадратов. Прогнозирование. Множественная регрессия. Выбор модели. AIC, BIC. Логистическая регрессия.

[https://www.dropbox.com/s/c62e9sjbx6dj2rs/lecture3-3.pdf?dl=0 Слайды к лекции 3, часть 3 (регрессия)]

6. '''Непараметрическое оценивание сигналов''' (1 лекция, 1 семинар) ''(проведена 21.10.2017)''

Выбор оптимального соотношения между смещением и дисперсией. Гистограммы. Ядерная оценка плотности. Непараметрическая регрессия.

[https://www.dropbox.com/s/0rqqom8u68kadwc/lecture4.pdf?dl=0 Слайды к лекции 4]

7. '''Нелинейные методы построения регрессионных зависимостей''' (1 лекция, 1 семинар)

Аддитивные модели. Аппроксимационные модели на основе параметрических словарей (сигмоидальные функции, гауссоподобные функции, и т.д.). Построение аппроксимационных моделей на основе параметрических словарей: методы инициализации структуры; методы оценки параметров, учитывающие структуру модели; методы адаптивной регуляризации в процесс оценки параметров модели.

8. '''Регрессионные модели на основе гауссовских процессов''' (1 лекция, 1 семинар)

Гауссовские процессы. Прогноз и оценка точности прогноза на основе гауссовских процессов. Оценка параметров ковариационной функции. Регуляризация логарифма правдоподобия. Модель нестационарной ковариационной функции. Регрессия на основе гауссовских процессов как ядерная гребневая регрессия. Глобальная оптимизация на основе гауссовских процессов. Планирование экспериментов на основе гауссовских процессов.

9. '''Оценка чувствительности модели''' (1 лекция, 1 семинар)

Введение, начальные условия, области применения. Постановка задачи оценки глобальной чувствительности модели. Обзор методов оценки чувствительности модели в случае выборки данных. Обзор методов оценки чувствительности модели в случае черного ящика. Выделение параметров, которые сильнее всего влияют на уровень радиоактивных изотопов в воде (Level E test case). Обзор теоретических основ метода оценки чувствительности модели на основе индексов Соболя.

10. '''Методы планирования экспериментов (Design of Experiments)''' (1 лекция, 1 семинар)

Space-filling DoE. Планирование экспериментов для линейных регрессионных моделей.

11. '''Снижение размерности многомерных данных''' (1 лекция, 1 семинар)

Снижение размерности в суррогатном моделировании. Постановка задачи снижения размерности. Обзор линейных методов снижения размерности (метод главных компонент, целенаправленное проектирование и т.п.). Обзор локальных и нелинейных методов снижения размерности (метод нелинейных главных компонент, метод локального линейного вложения и т.п.). Новые постановки задач снижения размерности. Аппроксимация многомерных зависимостей как решение задачи снижения размерности.

== Материалы ==

1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

2. [https://www.dropbox.com/s/nrempaxwtf0hbqg/Wasserman%20L.%20All%20of%20Nonparametric%20Statistics.pdf?dl=0 Wasserman L. All of Nonparametric Statistics. Springer, 2006.]

3. [https://www.dropbox.com/s/fwat2tikn9wkqre/Bishop%20C.M.%20Pattern%20recognition%20and%20machine%20learning.pdf?dl=0 Bishop C.M. Pattern recognition and machine learning. Springer, 2006.]

4. [https://www.dropbox.com/s/h0kaiix6y3g3yzl/David%20Mackay%20J.C.%20Information%20theory%2C%20inference%2C%20and%20learning%20algorithms..pdf?dl=0 David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.]

5. [https://www.dropbox.com/s/3dyw3c4bv5bl2xw/Grimmett%20G.%2C%20Stirzaker%20D.%20Probability%20and%20Random%20Processes.djvu?dl=0 Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.]

6. [https://www.dropbox.com/s/r8wcms7vszqd8tv/Forrester%20A.%2C%20Sobester%20A.%2C%20Keane%20A.%20Engineering%20Design%20via%20Surrogate%20Modelling.pdf?dl=0 Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.]

7. [https://www.dropbox.com/s/f07k3k9ak8b4wbq/Lee%20J.A.%2C%20Verleysen%20M.%20Nonlinear%20Dimensionality%20Reduction.pdf?dl=0 Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.]

8. [https://www.dropbox.com/s/izx6kbyd3jcz162/Wang%20G.G.%2C%20Shan%20S.%20Review%20of%20Metamodeling%20Techniques%20in%20Support%20of%20Engineering%20Design%20Optimization.pdf?dl=0 Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.]

9. [https://www.dropbox.com/s/13vgwzjhfygcui3/Deconinck%2C%20Periaux%2C%20Giannakoglou%20%28eds.%29.%20Optimization%20method%20and%20tools%20for%20multicriteria%20multidisciplinary%20design.pdf?dl=0 Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.]

10. [https://www.dropbox.com/s/f8hl8iliswk2fgv/%D0%9B%D0%B0%D0%B3%D1%83%D1%82%D0%B8%D0%BD%20%D0%9C.%D0%91.%20%D0%9D%D0%B0%D0%B3%D0%BB%D1%8F%D0%B4%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.djvu?dl=0 Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.]

11. [https://www.dropbox.com/s/hjv1olagi1smkll/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F%20%D0%B8%20%D0%BF%D0%B5%D1%80%D0%B2%D0%B8%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.]

12. [https://www.dropbox.com/s/46aw6dnnf9ec7ko/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B5%D0%B9.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.]

13. [https://www.dropbox.com/s/e7gx4womlbtasic/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%91%D1%83%D1%85%D1%88%D1%82%D0%B0%D0%B1%D0%B5%D1%80%20%D0%92.%D0%9C.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%A1.%D0%90.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8.djvu?dl=0 Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.]

Прикладная статистика в машинном обучении

2017-11-09T08:19:03Z

Artonson: /* О курсе */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.

'''Лектор:''' Артемов Алексей Валерьевич

Лекции проходят по субботам (9, 23 сентября, 7, 21 октября, 11, 25 ноября, 9, 16 декабря), 13:40 - 16:30, ауд. 509.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/205514489.html Карточка курса и программа]

Репозиторий с материалами на GitHub: TBD

Сдача домашних заданий через систему AnyTask: http://anytask.org , в профиле вводите инвайт, соотвествующей вашей группе и курс появится в списке ваших курсов.

Чат в telegram для обсуждений: https://t.me/joinchat/A6_aGA2TPu-XFv45Ac4zlw

Таблица с оценками: http://anytask.org/course/234

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 12:10 - 13:30, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw || 1NMqJTw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 || || o81nn7v
|}

=== Дата выдачи/сдачи дз ===

* Задание #1 25/09 - 08/10 (см. AnyTask)
* Задание #2 09/10 - 23/10 (см. AnyTask)

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

'''O_накопл=0.2 O_самост + 0.6 O_дз + 0.2 O_коллоквиум'''

Накопленная и итоговая оценки округляются арифметически.

'''Рассчет O_дз'''

# За каждую выполенную задачу в задании студент получает соответсвующее число баллов, максимум указан в тексте задания. Они суммируются и получается общее число баллов за конкретное домашнее задание.
# Рассчитывается взвешенное средние из баллов за все домашние задания. Веса пропорциональны числу баллов за задания.
# Полученный результат отобржается в [0;10] делением

Бонус: при верном решении всех задач в домашнем задании, студент получает два бонусных балла. Бонусные баллы можно будет конвертировать как плюс-баллы на экзамене. Бонусные баллы суммируются.

* Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания.
* Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.
* В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.
* Студенту, получившему отличную накопленную оценку, данная оценка может быть выставлена в качестве итоговой при условии, что им набрано не менее 10 дополнительных баллов.
* Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

=== Коллоквиум ===
Коллоквиум в письменной форме будет проведен '''в субботу 11.11.2017 в аудитории 509 четвертой парой 15.10-16.30''' и будет включать темы:
* Основные задачи и методы теории статистических выводов;
* Параметрическое оценивание;
* Проверка гипотез.

== Программа курса ==
[https://www.dropbox.com/s/ztykp2c7nle4r2n/intro.pdf?dl=0 Презентация со введением в курс]

1. '''Введение. Основные задачи и методы теории статистических выводов''' (1 лекция, 1 семинар) ''(проведена 09.09.2017)''

Параметрические и непараметрические модели. Основные задачи: точечное оценивание, доверительные множества, тестирование гипотез, исследование зависимостей. Эмпирическая функция распределения. Статистические функционалы.

[https://www.dropbox.com/s/00agifix9p2ddfv/lecture1-1.pdf?dl=0 Слайды к лекции 1, часть 1 (основы теории)]

[https://www.dropbox.com/s/v6l1ahvags2gtyw/lecture1-2.pdf?dl=0 Слайды к лекции 1, часть 2 (статистические функционалы)]

2. '''Параметрическое оценивание''' (2 лекции, 2 семинара) ''(первая часть проведена 09.09.2017)''

Метод моментов. Метод максимального правдоподобия и его свойства. Дельта-метод. Случай векторного параметра. Параметрический бутстреп. Доверительное оценивание. Достаточная статистика. Экспоненциальное семейство распределений. EM-алгоритм.

[https://www.dropbox.com/s/o8gc6fo1s9zkp1z/lecture2.pdf?dl=0 Слайды к лекции 2 (параметрическое оценивание)]

3. '''Бутстреп''' (1 лекция, 1 семинар)

Моделирование Монте-Карло, бутстреп. Оценка дисперсии на основе бутстрепа. Оценка доверительных интервалов на основе бутстрепа. Метод складного ножа.

[https://www.dropbox.com/s/tu7c9teqb0nhzan/lecture3-1.pdf?dl=0 Слайды к лекции 3, часть 1 (бутстреп)]

4. '''Проверка гипотез''' (2 лекции, 2 семинара)

Основные понятия теории проверки гипотез. Критерий Вальда. P-значение. Распределение хи-квадрат и критерий Пирсона. Критерий перестановок. Критерий на основе отношения правдоподобия. Множественные тесты. Критерий согласия. Критерий Неймана-Пирсона для случая двух простых гипотез, t-критерий.

[https://www.dropbox.com/s/sazco9ha2flty5r/lecture3-2.pdf?dl=0 Слайды к лекции 3, часть 2 (проверка гипотез)]

5. '''Линейная и логистическая регрессия''' (2 лекции, 2 семинара)

Стандартная линейная регрессия. Метод оценивания на основе минимизации невязок/максимизации правдоподобия. Свойства оценок метода наименьших квадратов. Прогнозирование. Множественная регрессия. Выбор модели. AIC, BIC. Логистическая регрессия.

[https://www.dropbox.com/s/c62e9sjbx6dj2rs/lecture3-3.pdf?dl=0 Слайды к лекции 3, часть 3 (регрессия)]

6. '''Непараметрическое оценивание сигналов''' (1 лекция, 1 семинар) ''(проведена 21.10.2017)''

Выбор оптимального соотношения между смещением и дисперсией. Гистограммы. Ядерная оценка плотности. Непараметрическая регрессия.

[https://www.dropbox.com/s/0rqqom8u68kadwc/lecture4.pdf?dl=0 Слайды к лекции 4]

7. '''Нелинейные методы построения регрессионных зависимостей''' (1 лекция, 1 семинар)

Аддитивные модели. Аппроксимационные модели на основе параметрических словарей (сигмоидальные функции, гауссоподобные функции, и т.д.). Построение аппроксимационных моделей на основе параметрических словарей: методы инициализации структуры; методы оценки параметров, учитывающие структуру модели; методы адаптивной регуляризации в процесс оценки параметров модели.

8. '''Регрессионные модели на основе гауссовских процессов''' (1 лекция, 1 семинар)

Гауссовские процессы. Прогноз и оценка точности прогноза на основе гауссовских процессов. Оценка параметров ковариационной функции. Регуляризация логарифма правдоподобия. Модель нестационарной ковариационной функции. Регрессия на основе гауссовских процессов как ядерная гребневая регрессия. Глобальная оптимизация на основе гауссовских процессов. Планирование экспериментов на основе гауссовских процессов.

9. '''Оценка чувствительности модели''' (1 лекция, 1 семинар)

Введение, начальные условия, области применения. Постановка задачи оценки глобальной чувствительности модели. Обзор методов оценки чувствительности модели в случае выборки данных. Обзор методов оценки чувствительности модели в случае черного ящика. Выделение параметров, которые сильнее всего влияют на уровень радиоактивных изотопов в воде (Level E test case). Обзор теоретических основ метода оценки чувствительности модели на основе индексов Соболя.

10. '''Методы планирования экспериментов (Design of Experiments)''' (1 лекция, 1 семинар)

Space-filling DoE. Планирование экспериментов для линейных регрессионных моделей.

11. '''Снижение размерности многомерных данных''' (1 лекция, 1 семинар)

Снижение размерности в суррогатном моделировании. Постановка задачи снижения размерности. Обзор линейных методов снижения размерности (метод главных компонент, целенаправленное проектирование и т.п.). Обзор локальных и нелинейных методов снижения размерности (метод нелинейных главных компонент, метод локального линейного вложения и т.п.). Новые постановки задач снижения размерности. Аппроксимация многомерных зависимостей как решение задачи снижения размерности.

== Материалы ==

1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

2. [https://www.dropbox.com/s/nrempaxwtf0hbqg/Wasserman%20L.%20All%20of%20Nonparametric%20Statistics.pdf?dl=0 Wasserman L. All of Nonparametric Statistics. Springer, 2006.]

3. [https://www.dropbox.com/s/fwat2tikn9wkqre/Bishop%20C.M.%20Pattern%20recognition%20and%20machine%20learning.pdf?dl=0 Bishop C.M. Pattern recognition and machine learning. Springer, 2006.]

4. [https://www.dropbox.com/s/h0kaiix6y3g3yzl/David%20Mackay%20J.C.%20Information%20theory%2C%20inference%2C%20and%20learning%20algorithms..pdf?dl=0 David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.]

5. [https://www.dropbox.com/s/3dyw3c4bv5bl2xw/Grimmett%20G.%2C%20Stirzaker%20D.%20Probability%20and%20Random%20Processes.djvu?dl=0 Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.]

6. [https://www.dropbox.com/s/r8wcms7vszqd8tv/Forrester%20A.%2C%20Sobester%20A.%2C%20Keane%20A.%20Engineering%20Design%20via%20Surrogate%20Modelling.pdf?dl=0 Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.]

7. [https://www.dropbox.com/s/f07k3k9ak8b4wbq/Lee%20J.A.%2C%20Verleysen%20M.%20Nonlinear%20Dimensionality%20Reduction.pdf?dl=0 Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.]

8. [https://www.dropbox.com/s/izx6kbyd3jcz162/Wang%20G.G.%2C%20Shan%20S.%20Review%20of%20Metamodeling%20Techniques%20in%20Support%20of%20Engineering%20Design%20Optimization.pdf?dl=0 Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.]

9. [https://www.dropbox.com/s/13vgwzjhfygcui3/Deconinck%2C%20Periaux%2C%20Giannakoglou%20%28eds.%29.%20Optimization%20method%20and%20tools%20for%20multicriteria%20multidisciplinary%20design.pdf?dl=0 Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.]

10. [https://www.dropbox.com/s/f8hl8iliswk2fgv/%D0%9B%D0%B0%D0%B3%D1%83%D1%82%D0%B8%D0%BD%20%D0%9C.%D0%91.%20%D0%9D%D0%B0%D0%B3%D0%BB%D1%8F%D0%B4%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.djvu?dl=0 Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.]

11. [https://www.dropbox.com/s/hjv1olagi1smkll/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F%20%D0%B8%20%D0%BF%D0%B5%D1%80%D0%B2%D0%B8%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.]

12. [https://www.dropbox.com/s/46aw6dnnf9ec7ko/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B5%D0%B9.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.]

13. [https://www.dropbox.com/s/e7gx4womlbtasic/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%91%D1%83%D1%85%D1%88%D1%82%D0%B0%D0%B1%D0%B5%D1%80%20%D0%92.%D0%9C.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%A1.%D0%90.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8.djvu?dl=0 Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.]

Прикладная статистика в машинном обучении

2017-11-09T07:46:33Z

Artonson:

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.

'''Лектор:''' Артемов Алексей Валерьевич

Лекции проходят по субботам (9, 23 сентября, 7, 21 октября, 11, 25 ноября, 9, 16 декабря), 13:40 - 16:30, ауд. 509.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/205514489.html Карточка курса и программа]

Репозиторий с материалами на GitHub: TBD

Сдача домашних заданий через систему AnyTask: http://anytask.org , в профиле вводите инвайт, соотвествующей вашей группе и курс появится в списке ваших курсов.

Чат в telegram для обсуждений: https://t.me/joinchat/A6_aGA2TPu-XFv45Ac4zlw

Таблица с оценками: TBD

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 12:10 - 13:30, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw || 1NMqJTw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 || || o81nn7v
|}

=== Дата выдачи/сдачи дз ===

* Задание #1 25/09 - 08/10 (см. AnyTask)
* Задание #2 09/10 - 23/10 (см. AnyTask)

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

'''O_накопл=0.2 O_самост + 0.6 O_дз + 0.2 O_коллоквиум'''

Накопленная и итоговая оценки округляются арифметически.

'''Рассчет O_дз'''

# За каждую выполенную задачу в задании студент получает соответсвующее число баллов, максимум указан в тексте задания. Они суммируются и получается общее число баллов за конкретное домашнее задание.
# Рассчитывается взвешенное средние из баллов за все домашние задания. Веса пропорциональны числу баллов за задания.
# Полученный результат отобржается в [0;10] делением

Бонус: при верном решении всех задач в домашнем задании, студент получает два бонусных балла. Бонусные баллы можно будет конвертировать как плюс-баллы на экзамене. Бонусные баллы суммируются.

* Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания.
* Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.
* В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.
* Студенту, получившему отличную накопленную оценку, данная оценка может быть выставлена в качестве итоговой при условии, что им набрано не менее 10 дополнительных баллов.
* Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

== Программа курса ==
[https://www.dropbox.com/s/ztykp2c7nle4r2n/intro.pdf?dl=0 Презентация со введением в курс]

1. '''Введение. Основные задачи и методы теории статистических выводов''' (1 лекция, 1 семинар) ''(проведена 09.09.2017)''

Параметрические и непараметрические модели. Основные задачи: точечное оценивание, доверительные множества, тестирование гипотез, исследование зависимостей. Эмпирическая функция распределения. Статистические функционалы.

[https://www.dropbox.com/s/00agifix9p2ddfv/lecture1-1.pdf?dl=0 Слайды к лекции 1, часть 1 (основы теории)]

[https://www.dropbox.com/s/v6l1ahvags2gtyw/lecture1-2.pdf?dl=0 Слайды к лекции 1, часть 2 (статистические функционалы)]

2. '''Параметрическое оценивание''' (2 лекции, 2 семинара) ''(первая часть проведена 09.09.2017)''

Метод моментов. Метод максимального правдоподобия и его свойства. Дельта-метод. Случай векторного параметра. Параметрический бутстреп. Доверительное оценивание. Достаточная статистика. Экспоненциальное семейство распределений. EM-алгоритм.

[https://www.dropbox.com/s/o8gc6fo1s9zkp1z/lecture2.pdf?dl=0 Слайды к лекции 2 (параметрическое оценивание)]

3. '''Бутстреп''' (1 лекция, 1 семинар)

Моделирование Монте-Карло, бутстреп. Оценка дисперсии на основе бутстрепа. Оценка доверительных интервалов на основе бутстрепа. Метод складного ножа.

[https://www.dropbox.com/s/tu7c9teqb0nhzan/lecture3-1.pdf?dl=0 Слайды к лекции 3, часть 1 (бутстреп)]

4. '''Проверка гипотез''' (2 лекции, 2 семинара)

Основные понятия теории проверки гипотез. Критерий Вальда. P-значение. Распределение хи-квадрат и критерий Пирсона. Критерий перестановок. Критерий на основе отношения правдоподобия. Множественные тесты. Критерий согласия. Критерий Неймана-Пирсона для случая двух простых гипотез, t-критерий.

[https://www.dropbox.com/s/sazco9ha2flty5r/lecture3-2.pdf?dl=0 Слайды к лекции 3, часть 2 (проверка гипотез)]

5. '''Линейная и логистическая регрессия''' (2 лекции, 2 семинара)

Стандартная линейная регрессия. Метод оценивания на основе минимизации невязок/максимизации правдоподобия. Свойства оценок метода наименьших квадратов. Прогнозирование. Множественная регрессия. Выбор модели. AIC, BIC. Логистическая регрессия.

[https://www.dropbox.com/s/c62e9sjbx6dj2rs/lecture3-3.pdf?dl=0 Слайды к лекции 3, часть 3 (регрессия)]

6. '''Непараметрическое оценивание сигналов''' (1 лекция, 1 семинар) ''(проведена 21.10.2017)''

Выбор оптимального соотношения между смещением и дисперсией. Гистограммы. Ядерная оценка плотности. Непараметрическая регрессия.

[https://www.dropbox.com/s/0rqqom8u68kadwc/lecture4.pdf?dl=0 Слайды к лекции 4]

7. '''Нелинейные методы построения регрессионных зависимостей''' (1 лекция, 1 семинар)

Аддитивные модели. Аппроксимационные модели на основе параметрических словарей (сигмоидальные функции, гауссоподобные функции, и т.д.). Построение аппроксимационных моделей на основе параметрических словарей: методы инициализации структуры; методы оценки параметров, учитывающие структуру модели; методы адаптивной регуляризации в процесс оценки параметров модели.

8. '''Регрессионные модели на основе гауссовских процессов''' (1 лекция, 1 семинар)

Гауссовские процессы. Прогноз и оценка точности прогноза на основе гауссовских процессов. Оценка параметров ковариационной функции. Регуляризация логарифма правдоподобия. Модель нестационарной ковариационной функции. Регрессия на основе гауссовских процессов как ядерная гребневая регрессия. Глобальная оптимизация на основе гауссовских процессов. Планирование экспериментов на основе гауссовских процессов.

9. '''Оценка чувствительности модели''' (1 лекция, 1 семинар)

Введение, начальные условия, области применения. Постановка задачи оценки глобальной чувствительности модели. Обзор методов оценки чувствительности модели в случае выборки данных. Обзор методов оценки чувствительности модели в случае черного ящика. Выделение параметров, которые сильнее всего влияют на уровень радиоактивных изотопов в воде (Level E test case). Обзор теоретических основ метода оценки чувствительности модели на основе индексов Соболя.

10. '''Методы планирования экспериментов (Design of Experiments)''' (1 лекция, 1 семинар)

Space-filling DoE. Планирование экспериментов для линейных регрессионных моделей.

11. '''Снижение размерности многомерных данных''' (1 лекция, 1 семинар)

Снижение размерности в суррогатном моделировании. Постановка задачи снижения размерности. Обзор линейных методов снижения размерности (метод главных компонент, целенаправленное проектирование и т.п.). Обзор локальных и нелинейных методов снижения размерности (метод нелинейных главных компонент, метод локального линейного вложения и т.п.). Новые постановки задач снижения размерности. Аппроксимация многомерных зависимостей как решение задачи снижения размерности.

== Материалы ==

1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

2. [https://www.dropbox.com/s/nrempaxwtf0hbqg/Wasserman%20L.%20All%20of%20Nonparametric%20Statistics.pdf?dl=0 Wasserman L. All of Nonparametric Statistics. Springer, 2006.]

3. [https://www.dropbox.com/s/fwat2tikn9wkqre/Bishop%20C.M.%20Pattern%20recognition%20and%20machine%20learning.pdf?dl=0 Bishop C.M. Pattern recognition and machine learning. Springer, 2006.]

4. [https://www.dropbox.com/s/h0kaiix6y3g3yzl/David%20Mackay%20J.C.%20Information%20theory%2C%20inference%2C%20and%20learning%20algorithms..pdf?dl=0 David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.]

5. [https://www.dropbox.com/s/3dyw3c4bv5bl2xw/Grimmett%20G.%2C%20Stirzaker%20D.%20Probability%20and%20Random%20Processes.djvu?dl=0 Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.]

6. [https://www.dropbox.com/s/r8wcms7vszqd8tv/Forrester%20A.%2C%20Sobester%20A.%2C%20Keane%20A.%20Engineering%20Design%20via%20Surrogate%20Modelling.pdf?dl=0 Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.]

7. [https://www.dropbox.com/s/f07k3k9ak8b4wbq/Lee%20J.A.%2C%20Verleysen%20M.%20Nonlinear%20Dimensionality%20Reduction.pdf?dl=0 Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.]

8. [https://www.dropbox.com/s/izx6kbyd3jcz162/Wang%20G.G.%2C%20Shan%20S.%20Review%20of%20Metamodeling%20Techniques%20in%20Support%20of%20Engineering%20Design%20Optimization.pdf?dl=0 Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.]

9. [https://www.dropbox.com/s/13vgwzjhfygcui3/Deconinck%2C%20Periaux%2C%20Giannakoglou%20%28eds.%29.%20Optimization%20method%20and%20tools%20for%20multicriteria%20multidisciplinary%20design.pdf?dl=0 Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.]

10. [https://www.dropbox.com/s/f8hl8iliswk2fgv/%D0%9B%D0%B0%D0%B3%D1%83%D1%82%D0%B8%D0%BD%20%D0%9C.%D0%91.%20%D0%9D%D0%B0%D0%B3%D0%BB%D1%8F%D0%B4%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.djvu?dl=0 Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.]

11. [https://www.dropbox.com/s/hjv1olagi1smkll/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F%20%D0%B8%20%D0%BF%D0%B5%D1%80%D0%B2%D0%B8%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.]

12. [https://www.dropbox.com/s/46aw6dnnf9ec7ko/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B5%D0%B9.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.]

13. [https://www.dropbox.com/s/e7gx4womlbtasic/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%91%D1%83%D1%85%D1%88%D1%82%D0%B0%D0%B1%D0%B5%D1%80%20%D0%92.%D0%9C.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%A1.%D0%90.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8.djvu?dl=0 Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.]

Прикладная статистика в машинном обучении

2017-11-01T15:34:00Z

Artonson: /* Программа курса */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.

'''Лектор:''' Артемов Алексей Валерьевич

Лекции проходят по субботам (9, 23 сентября, 7, 21 октября, 11, 25 ноября, 9, 16 декабря), 13:40 - 16:30, ауд. 509.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/205514489.html Карточка курса и программа]

Репозиторий с материалами на GitHub: TBD

Сдача домашних заданий через систему AnyTask: http://anytask.org , в профиле вводите инвайт, соотвествующей вашей группе и курс появится в списке ваших курсов.

Чат в telegram для обсуждений: https://t.me/joinchat/A6_aGA2TPu-XFv45Ac4zlw

Таблица с оценками: TBD

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 12:10 - 13:30, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw || 1NMqJTw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 || || o81nn7v
|}

=== Дата выдачи/сдачи дз ===

* Задание #1 25/09 - 08/10 (см. AnyTask)
* Задание #2 09/10 - 23/10 (см. AnyTask)

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

'''O_накопл=0.2 O_самост + 0.6 O_дз + 0.2 O_коллоквиум'''

Накопленная и итоговая оценки округляются арифметически.

'''Рассчет O_дз'''

# За каждую выполенную задачу в задании студент получает соответсвующее число баллов, максимум указан в тексте задания. Они суммируются и получается общее число баллов за конкретное домашнее задание.
# Рассчитывается взвешенное средние из баллов за все домашние задания. Веса пропорциональны числу баллов за задания.
# Полученный результат отобржается в [0;10] делением

Бонус: при верном решении всех задач в домашнем задании, студент получает два бонусных балла. Бонусные баллы можно будет конвертировать как плюс-баллы на экзамене. Бонусные баллы суммируются.

* Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания.
* Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.
* В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.
* Студенту, получившему отличную накопленную оценку, данная оценка может быть выставлена в качестве итоговой при условии, что им набрано не менее 10 дополнительных баллов.
* Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

=== Программа курса ===
[https://www.dropbox.com/s/ztykp2c7nle4r2n/intro.pdf?dl=0 Презентация со введением в курс]

1. '''Введение. Основные задачи и методы теории статистических выводов''' (1 лекция, 1 семинар) ''(проведена 09.09.2017)''

Параметрические и непараметрические модели. Основные задачи: точечное оценивание, доверительные множества, тестирование гипотез, исследование зависимостей. Эмпирическая функция распределения. Статистические функционалы.

[https://www.dropbox.com/s/00agifix9p2ddfv/lecture1-1.pdf?dl=0 Слайды к лекции 1, часть 1 (основы теории)]

[https://www.dropbox.com/s/v6l1ahvags2gtyw/lecture1-2.pdf?dl=0 Слайды к лекции 1, часть 2 (статистические функционалы)]

2. '''Параметрическое оценивание''' (2 лекции, 2 семинара) ''(первая часть проведена 09.09.2017)''

Метод моментов. Метод максимального правдоподобия и его свойства. Дельта-метод. Случай векторного параметра. Параметрический бутстреп. Доверительное оценивание. Достаточная статистика. Экспоненциальное семейство распределений. EM-алгоритм.

[https://www.dropbox.com/s/o8gc6fo1s9zkp1z/lecture2.pdf?dl=0 Слайды к лекции 2 (параметрическое оценивание)]

3. '''Бутстреп''' (1 лекция, 1 семинар)

Моделирование Монте-Карло, бутстреп. Оценка дисперсии на основе бутстрепа. Оценка доверительных интервалов на основе бутстрепа. Метод складного ножа.

[https://www.dropbox.com/s/tu7c9teqb0nhzan/lecture3-1.pdf?dl=0 Слайды к лекции 3, часть 1 (бутстреп)]

4. '''Проверка гипотез''' (2 лекции, 2 семинара)

Основные понятия теории проверки гипотез. Критерий Вальда. P-значение. Распределение хи-квадрат и критерий Пирсона. Критерий перестановок. Критерий на основе отношения правдоподобия. Множественные тесты. Критерий согласия. Критерий Неймана-Пирсона для случая двух простых гипотез, t-критерий.

[https://www.dropbox.com/s/sazco9ha2flty5r/lecture3-2.pdf?dl=0 Слайды к лекции 3, часть 2 (проверка гипотез)]

5. '''Линейная и логистическая регрессия''' (2 лекции, 2 семинара)

Стандартная линейная регрессия. Метод оценивания на основе минимизации невязок/максимизации правдоподобия. Свойства оценок метода наименьших квадратов. Прогнозирование. Множественная регрессия. Выбор модели. AIC, BIC. Логистическая регрессия.

[https://www.dropbox.com/s/c62e9sjbx6dj2rs/lecture3-3.pdf?dl=0 Слайды к лекции 3, часть 3 (регрессия)]

6. '''Непараметрическое оценивание сигналов''' (1 лекция, 1 семинар) ''(проведена 21.10.2017)''

Выбор оптимального соотношения между смещением и дисперсией. Гистограммы. Ядерная оценка плотности. Непараметрическая регрессия.

[https://www.dropbox.com/s/0rqqom8u68kadwc/lecture4.pdf?dl=0 Слайды к лекции 4]

7. '''Нелинейные методы построения регрессионных зависимостей''' (1 лекция, 1 семинар)

Аддитивные модели. Аппроксимационные модели на основе параметрических словарей (сигмоидальные функции, гауссоподобные функции, и т.д.). Построение аппроксимационных моделей на основе параметрических словарей: методы инициализации структуры; методы оценки параметров, учитывающие структуру модели; методы адаптивной регуляризации в процесс оценки параметров модели.

8. '''Регрессионные модели на основе гауссовских процессов''' (1 лекция, 1 семинар)

Гауссовские процессы. Прогноз и оценка точности прогноза на основе гауссовских процессов. Оценка параметров ковариационной функции. Регуляризация логарифма правдоподобия. Модель нестационарной ковариационной функции. Регрессия на основе гауссовских процессов как ядерная гребневая регрессия. Глобальная оптимизация на основе гауссовских процессов. Планирование экспериментов на основе гауссовских процессов.

9. '''Оценка чувствительности модели''' (1 лекция, 1 семинар)

Введение, начальные условия, области применения. Постановка задачи оценки глобальной чувствительности модели. Обзор методов оценки чувствительности модели в случае выборки данных. Обзор методов оценки чувствительности модели в случае черного ящика. Выделение параметров, которые сильнее всего влияют на уровень радиоактивных изотопов в воде (Level E test case). Обзор теоретических основ метода оценки чувствительности модели на основе индексов Соболя.

10. '''Методы планирования экспериментов (Design of Experiments)''' (1 лекция, 1 семинар)

Space-filling DoE. Планирование экспериментов для линейных регрессионных моделей.

11. '''Снижение размерности многомерных данных''' (1 лекция, 1 семинар)

Снижение размерности в суррогатном моделировании. Постановка задачи снижения размерности. Обзор линейных методов снижения размерности (метод главных компонент, целенаправленное проектирование и т.п.). Обзор локальных и нелинейных методов снижения размерности (метод нелинейных главных компонент, метод локального линейного вложения и т.п.). Новые постановки задач снижения размерности. Аппроксимация многомерных зависимостей как решение задачи снижения размерности.

=== Материалы ===

1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

2. [https://www.dropbox.com/s/nrempaxwtf0hbqg/Wasserman%20L.%20All%20of%20Nonparametric%20Statistics.pdf?dl=0 Wasserman L. All of Nonparametric Statistics. Springer, 2006.]

3. [https://www.dropbox.com/s/fwat2tikn9wkqre/Bishop%20C.M.%20Pattern%20recognition%20and%20machine%20learning.pdf?dl=0 Bishop C.M. Pattern recognition and machine learning. Springer, 2006.]

4. [https://www.dropbox.com/s/h0kaiix6y3g3yzl/David%20Mackay%20J.C.%20Information%20theory%2C%20inference%2C%20and%20learning%20algorithms..pdf?dl=0 David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.]

5. [https://www.dropbox.com/s/3dyw3c4bv5bl2xw/Grimmett%20G.%2C%20Stirzaker%20D.%20Probability%20and%20Random%20Processes.djvu?dl=0 Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.]

6. [https://www.dropbox.com/s/r8wcms7vszqd8tv/Forrester%20A.%2C%20Sobester%20A.%2C%20Keane%20A.%20Engineering%20Design%20via%20Surrogate%20Modelling.pdf?dl=0 Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.]

7. [https://www.dropbox.com/s/f07k3k9ak8b4wbq/Lee%20J.A.%2C%20Verleysen%20M.%20Nonlinear%20Dimensionality%20Reduction.pdf?dl=0 Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.]

8. [https://www.dropbox.com/s/izx6kbyd3jcz162/Wang%20G.G.%2C%20Shan%20S.%20Review%20of%20Metamodeling%20Techniques%20in%20Support%20of%20Engineering%20Design%20Optimization.pdf?dl=0 Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.]

9. [https://www.dropbox.com/s/13vgwzjhfygcui3/Deconinck%2C%20Periaux%2C%20Giannakoglou%20%28eds.%29.%20Optimization%20method%20and%20tools%20for%20multicriteria%20multidisciplinary%20design.pdf?dl=0 Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.]

10. [https://www.dropbox.com/s/f8hl8iliswk2fgv/%D0%9B%D0%B0%D0%B3%D1%83%D1%82%D0%B8%D0%BD%20%D0%9C.%D0%91.%20%D0%9D%D0%B0%D0%B3%D0%BB%D1%8F%D0%B4%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.djvu?dl=0 Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.]

11. [https://www.dropbox.com/s/hjv1olagi1smkll/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F%20%D0%B8%20%D0%BF%D0%B5%D1%80%D0%B2%D0%B8%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.]

12. [https://www.dropbox.com/s/46aw6dnnf9ec7ko/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B5%D0%B9.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.]

13. [https://www.dropbox.com/s/e7gx4womlbtasic/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%91%D1%83%D1%85%D1%88%D1%82%D0%B0%D0%B1%D0%B5%D1%80%20%D0%92.%D0%9C.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%A1.%D0%90.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8.djvu?dl=0 Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.]

Машинное обучение (факультет экономических наук)

2017-10-13T07:29:09Z

Artonson: /* Лекции */

== О курсе ==

'''Лекторы:''' [https://www.hse.ru/org/persons/131072080 Екатерина Лобачева], Алексей Артемов 
Лекции проходят по пятницам, 10:30 - 11:50, ауд. 5215. 

=== Полезные ссылки ===

[ Программа курса] 
[https://github.com/FilatovArtm/ML_Eco-NES_2017 Репозиторий на GitHub с материалами курса] 
[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

Почта курса: '''ml.econom.hse@gmail.com''' 
Формат темы письма (обязательно соблюдайте его, так как у нас стоят автоматические фильтры):
* '''Вопрос - номер группы по данному курсу - Фамилия Имя''' — для вопросов;
* '''Практика {номер задания} - номер группы по данному курсу - Фамилия Имя''' — для сдачи практических домашних заданий.

Возможные курсы по данному курсу: 4 простая, 4 сложная, 3 простая, 3 сложная, совбак простая, совбак сложная. 
Пример: Практика 1 - 4 простая - Иванов Иван

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAERI0duQMnhSawsR2A 
Чат в telegram для обсуждений: https://t.me/joinchat/ABAXWEIJR7rcclSWVZfFhg

[https://drive.google.com/open?id=1qWrFvaCEYGQPMf9NNSti0YACmpO4oOI8Z5lWkET0XAU Таблица с оценками]

Оставить анонимный отзыв на курс: [https://docs.google.com/forms/d/e/1FAIpQLSfqAdwstSuIwqeluCjVt-jCGmq4_Tur_4vBqCEXRcTgdiZlwg/viewform форма]

=== Семинары ===

3 курс, сложная группа, заполните форму: https://goo.gl/forms/GUom80x8zoiQ3ZyX2

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Чат !! Расписание
|-
| 4 курс эконома, простая || Артем Филатов || Анастасия Рогачевская || || пятница 12:10, ауд. 5215
|-
| 4 курс эконома, сложная || [https://www.hse.ru/staff/bbd Борис Демешев] || Никита Герман || || пятница 12:10, ауд. 2205
|-
| 3 курс эконома, простая || Елена Кантонистова || Елизавета Вахрамеева || [https://t.me/joinchat/DUaTB0ObBdXqjmUDrfd_BQ тут] || суббота 16:40, ауд. 2205
|-
| 3 курс эконома, сложная || Евгений Егоров || Мария Такташева || [https://t.me/joinchat/B8wjxQ6Ok7mCk15oG-GM-g обязательно] || понедельник 9:00, ауд. 3316
|-
| совбак, простая || [https://www.hse.ru/staff/is Илья Щуров] || Дмитрий Пчелкин || || вторник, 18:10, ауд. 3317
|-
| совбак, сложная || Артем Филатов || Ксения Вальчук || || среда 13:40, ауд. 4428
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
* Практические домашние работы на Python
* Соревнование по анализу данных
* Устный коллоквиум в конце 1-го модуля
* Устный экзамен

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

Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

Оценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности.

По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.

=== Правила сдачи заданий ===

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

При обнаружении плагиата оценки за домашнее задание 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 проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок).

== Коллоквиум ==

После первого модуля будет проведен устный коллоквиум. Вопросы к нему и правила проведения будут скоро объявлены.

Даты:
* для эконома --- 25 октября с 9:00 до 15:00, ауд. 5406 и 5407
* для совбака --- 2 ноября с 18:00 до 21:00б ауд. 5215

Общее правило по датам: на неделе после сессии коллоквиум могут сдавать только студенты совбака! Студенты эконома, посещающие занятия с группами совбака, должны прийти на коллоквиум 25 октября! Желающие студенты совбака могут также прийти 25 октября, мы вас даже к этому призываем, так как 2 ноября у нас будет мало времени.

== Лекции ==

'''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture01-intro.pdf Конспект]

'''Лекция 2''' (8 сентября). Линейная регрессия: обучение и разные функционалы ошибки. Градиентный спуск. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture02-linregr.pdf Конспект]

'''Лекция 3''' (15 сентября). Регуляризация. Методы оценивания обобщающей способности, кросс-валидация. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture03-linregr.pdf Конспект] [https://github.com/artonson/hse-data-culture-fall-2017/blob/master/lecture-slides/lecture03.pdf Слайды]

'''Лекция 4''' (22 сентября). Аппроксимация эмпирического риска. Задача оценивания вероятностей, логистическая регрессия. Идея калибровки вероятностей. Персептрон. Метрики качества в задачах классификации. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture04-linclass.pdf Конспект] [https://github.com/artonson/hse-data-culture-fall-2017/blob/master/lecture-slides/lecture04.pdf Слайды]

'''Лекция 5''' (29 сентября). Метод опорных векторов, его двойственная задача (без ядер). Обобщённые линейные модели. Постановки задач multiclass- и multilabel-классификации. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture05-linclass.pdf Конспект]

'''Лекция 6''' (6 октября). Пропущенные значения. Обработка текстов. Хеширование.
[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/lectures/lecture_6.pdf Слайды]

'''Лекция 7''' (13 октября). Методы отбора признаков. Метод главных компонент и singular spectrum analysis.
[https://github.com/artonson/hse-data-culture-fall-2017/blob/master/lecture-slides/lecture07_1.pdf Слайды1], [https://github.com/artonson/hse-data-culture-fall-2017/blob/master/lecture-slides/lecture07_2.pdf Слайды2]

'''Следующая лекция:'''

== Семинары ==

'''Семинар 1'''. Python, numpy, pandas, matplotlib и прочие страшные звери. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem01-tools.ipynb Notebook].

'''Семинар 2'''. Градиентный спуск и линейная регрессия [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem2/sem02.ipynb Notebook]

'''Семинар 3'''. Проверка обобщающей способности, переобучение. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem3/sem3.ipynb Notebook]

'''Семинар 4'''. Линейные классификаторы, персептрон, логистическая регрессия, метрики качества, [https://github.com/FilatovArtm/ML_Eco-NES_2017/raw/master/theory_problems/theory_pro.pdf задачки на семинар и дз]

'''Семинар 5'''. SVD и SVM

'''Семинар 6'''. Ядра и двойственная задача

== Практические задания ==

'''Задание 1.''' Numpy, pandas, matplotlib.

Дата выдачи: 05.09.2017

Дедлайн: 19.09.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/8ee8985202a5a137987085511a33b85e2f886d70/homeworks/hw01-python.ipynb Условие]

'''Задание 2.''' Numpy,linear regression, gradient descent.

Дата выдачи: 21.09.2017

Дедлайн: 08.10.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/homeworks/hw02-linregr.ipynb Условие]

== Теоретические задания ==

'''Задание 1.''' Круг первый. Дифференцирование.

Дата выдачи: 08.09.2017

Проверочные начнутся на семинарах с 15.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_1.pdf Условие]

'''Задание 2.''' Лёд тронулся. Квантильная регрессия и переобучение.

Дата выдачи: 15.09.2017

Проверочные начнутся на семинарах с 22.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_2.pdf Условие]

'''Задание 3'''. Помоги Бандерлогу! [https://github.com/FilatovArtm/ML_Eco-NES_2017/raw/master/theory_problems/theory_pro.pdf Задачки на семинар и дз]

'''Задание 4'''. SVD и SVM! [https://github.com/FilatovArtm/ML_Eco-NES_2017/raw/master/theory_problems/theory_pro.pdf Задачки на семинар и дз]

'''Задание 5'''. Тексты и обработка признаков [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_5.pdf Условие] [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem5/Seminar5.ipynb Тетрадка с примерами]

Дата выдачи: 06.10.2017

Проверочные начнутся на семинарах с 13.10.2017.

== 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===
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]
* [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]

Машинное обучение (факультет экономических наук)

2017-10-12T12:32:18Z

Artonson: /* Правила выставления оценок */

== О курсе ==

'''Лекторы:''' [https://www.hse.ru/org/persons/131072080 Екатерина Лобачева], Алексей Артемов 
Лекции проходят по пятницам, 10:30 - 11:50, ауд. 5215. 

=== Полезные ссылки ===

[ Программа курса] 
[https://github.com/FilatovArtm/ML_Eco-NES_2017 Репозиторий на GitHub с материалами курса] 
[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

Почта курса: '''ml.econom.hse@gmail.com''' 
Формат темы письма (обязательно соблюдайте его, так как у нас стоят автоматические фильтры):
* '''Вопрос - номер группы по данному курсу - Фамилия Имя''' — для вопросов;
* '''Практика {номер задания} - номер группы по данному курсу - Фамилия Имя''' — для сдачи практических домашних заданий.

Возможные курсы по данному курсу: 4 простая, 4 сложная, 3 простая, 3 сложная, совбак простая, совбак сложная. 
Пример: Практика 1 - 4 простая - Иванов Иван

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAERI0duQMnhSawsR2A 
Чат в telegram для обсуждений: https://t.me/joinchat/ABAXWEIJR7rcclSWVZfFhg

[https://drive.google.com/open?id=1qWrFvaCEYGQPMf9NNSti0YACmpO4oOI8Z5lWkET0XAU Таблица с оценками]

Оставить анонимный отзыв на курс: [https://docs.google.com/forms/d/e/1FAIpQLSfqAdwstSuIwqeluCjVt-jCGmq4_Tur_4vBqCEXRcTgdiZlwg/viewform форма]

=== Семинары ===

3 курс, сложная группа, заполните форму: https://goo.gl/forms/GUom80x8zoiQ3ZyX2

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Чат !! Расписание
|-
| 4 курс эконома, простая || Артем Филатов || Анастасия Рогачевская || || пятница 12:10, ауд. 5215
|-
| 4 курс эконома, сложная || [https://www.hse.ru/staff/bbd Борис Демешев] || Никита Герман || || пятница 12:10, ауд. 2205
|-
| 3 курс эконома, простая || Елена Кантонистова || Елизавета Вахрамеева || [https://t.me/joinchat/DUaTB0ObBdXqjmUDrfd_BQ тут] || суббота 16:40, ауд. 2205
|-
| 3 курс эконома, сложная || Евгений Егоров || Мария Такташева || [https://t.me/joinchat/B8wjxQ6Ok7mCk15oG-GM-g обязательно] || понедельник 9:00, ауд. 3316
|-
| совбак, простая || [https://www.hse.ru/staff/is Илья Щуров] || Дмитрий Пчелкин || || вторник, 18:10, ауд. 3317
|-
| совбак, сложная || Артем Филатов || Ксения Вальчук || || среда 13:40, ауд. 4428
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
* Практические домашние работы на Python
* Соревнование по анализу данных
* Устный коллоквиум в конце 1-го модуля
* Устный экзамен

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

Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

Оценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности.

По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.

=== Правила сдачи заданий ===

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

При обнаружении плагиата оценки за домашнее задание 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 проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок).

== Коллоквиум ==

После первого модуля будет проведен устный коллоквиум. Вопросы к нему и правила проведения будут скоро объявлены.

Даты:
* для эконома --- 25 октября с 9:00 до 15:00, ауд. 5406 и 5407
* для совбака --- на неделе после сессии (дата пока уточняется, скорее всего это будет вечер среды/четверга/пятницы)

Общее правило по датам: на неделе после сессии коллоквиум могут сдавать только студенты совбака! Студенты эконома, посещающие занятия с группами совбака, должны прийти на коллоквиум 25 октября! Желающие студенты совбака могут также прийти 25 октября.

== Лекции ==

'''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture01-intro.pdf Конспект]

'''Лекция 2''' (8 сентября). Линейная регрессия: обучение и разные функционалы ошибки. Градиентный спуск. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture02-linregr.pdf Конспект]

'''Лекция 3''' (15 сентября). Регуляризация. Методы оценивания обобщающей способности, кросс-валидация. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture03-linregr.pdf Конспект] [https://github.com/artonson/hse-data-culture-fall-2017/blob/master/lecture-slides/lecture03.pdf Слайды]

'''Лекция 4''' (22 сентября). Аппроксимация эмпирического риска. Задача оценивания вероятностей, логистическая регрессия. Идея калибровки вероятностей. Персептрон. Метрики качества в задачах классификации. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture04-linclass.pdf Конспект] [https://github.com/artonson/hse-data-culture-fall-2017/blob/master/lecture-slides/lecture04.pdf Слайды]

'''Лекция 5''' (29 сентября). Метод опорных векторов, его двойственная задача (без ядер). Обобщённые линейные модели. Постановки задач multiclass- и multilabel-классификации. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture05-linclass.pdf Конспект]

'''Лекция 6''' (6 октября). Пропущенные значения. Обработка текстов. Хеширование.
[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/lectures/lecture_6.pdf Слайды]

'''Следующая лекция:'''

== Семинары ==

'''Семинар 1'''. Python, numpy, pandas, matplotlib и прочие страшные звери. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem01-tools.ipynb Notebook].

'''Семинар 2'''. Градиентный спуск и линейная регрессия [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem2/sem02.ipynb Notebook]

'''Семинар 3'''. Проверка обобщающей способности, переобучение. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem3/sem3.ipynb Notebook]

'''Семинар 4'''. Линейные классификаторы, персептрон, логистическая регрессия, метрики качества, [https://github.com/FilatovArtm/ML_Eco-NES_2017/raw/master/theory_problems/theory_pro.pdf задачки на семинар и дз]

'''Семинар 5'''. SVD и SVM

'''Семинар 6'''. Ядра и двойственная задача

== Практические задания ==

'''Задание 1.''' Numpy, pandas, matplotlib.

Дата выдачи: 05.09.2017

Дедлайн: 19.09.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/8ee8985202a5a137987085511a33b85e2f886d70/homeworks/hw01-python.ipynb Условие]

'''Задание 2.''' Numpy,linear regression, gradient descent.

Дата выдачи: 21.09.2017

Дедлайн: 08.10.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/homeworks/hw02-linregr.ipynb Условие]

== Теоретические задания ==

'''Задание 1.''' Круг первый. Дифференцирование.

Дата выдачи: 08.09.2017

Проверочные начнутся на семинарах с 15.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_1.pdf Условие]

'''Задание 2.''' Лёд тронулся. Квантильная регрессия и переобучение.

Дата выдачи: 15.09.2017

Проверочные начнутся на семинарах с 22.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_2.pdf Условие]

'''Задание 3'''. Помоги Бандерлогу! [https://github.com/FilatovArtm/ML_Eco-NES_2017/raw/master/theory_problems/theory_pro.pdf Задачки на семинар и дз]

'''Задание 4'''. SVD и SVM! [https://github.com/FilatovArtm/ML_Eco-NES_2017/raw/master/theory_problems/theory_pro.pdf Задачки на семинар и дз]

'''Задание 5'''. Тексты и обработка признаков [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_5.pdf Условие] [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem5/Seminar5.ipynb Тетрадка с примерами]

Дата выдачи: 06.10.2017

Проверочные начнутся на семинарах с 13.10.2017.

== 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===
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]
* [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]

Прикладная статистика в машинном обучении

2017-10-08T18:49:59Z

Artonson: /* Программа курса */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.

'''Лектор:''' Артемов Алексей Валерьевич

Лекции проходят по субботам (9, 23 сентября, 7, 21 октября, 11, 25 ноября, 9, 16 декабря), 13:40 - 16:30, ауд. 509.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/205514489.html Карточка курса и программа]

Репозиторий с материалами на GitHub: TBD

Сдача домашних заданий через систему AnyTask: http://anytask.org , в профиле вводите инвайт, соотвествующей вашей группе и курс появится в списке ваших курсов.

Чат в telegram для обсуждений: https://t.me/joinchat/A6_aGA2TPu-XFv45Ac4zlw

Таблица с оценками: TBD

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 9 - 10:20, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw || 1NMqJTw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 || || o81nn7v
|}

=== Дата выдачи/сдачи дз ===

* Задание #1 25/09 - 08/10 (см. AnyTask)

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

'''O_накопл=0.2 O_самост + 0.6 O_дз + 0.2 O_коллоквиум'''

Накопленная и итоговая оценки округляются арифметически.

* Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания.
* Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.
* В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.
* Студенту, получившему отличную накопленную оценку, данная оценка может быть выставлена в качестве итоговой при условии, что им набрано не менее 10 дополнительных баллов.
* Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

=== Программа курса ===
[https://www.dropbox.com/s/ztykp2c7nle4r2n/intro.pdf?dl=0 Презентация со введением в курс]

1. '''Введение. Основные задачи и методы теории статистических выводов''' (1 лекция, 1 семинар) ''(проведена 09.09.2017)''

Параметрические и непараметрические модели. Основные задачи: точечное оценивание, доверительные множества, тестирование гипотез, исследование зависимостей. Эмпирическая функция распределения. Статистические функционалы.

[https://www.dropbox.com/s/00agifix9p2ddfv/lecture1-1.pdf?dl=0 Слайды к лекции 1, часть 1 (основы теории)]

[https://www.dropbox.com/s/v6l1ahvags2gtyw/lecture1-2.pdf?dl=0 Слайды к лекции 1, часть 2 (статистические функционалы)]

2. '''Параметрическое оценивание''' (2 лекции, 2 семинара) ''(первая часть проведена 09.09.2017)''

Метод моментов. Метод максимального правдоподобия и его свойства. Дельта-метод. Случай векторного параметра. Параметрический бутстреп. Доверительное оценивание. Достаточная статистика. Экспоненциальное семейство распределений. EM-алгоритм.

[https://www.dropbox.com/s/o8gc6fo1s9zkp1z/lecture2.pdf?dl=0 Слайды к лекции 2 (параметрическое оценивание)]

3. '''Бутстреп''' (1 лекция, 1 семинар)

Моделирование Монте-Карло, бутстреп. Оценка дисперсии на основе бутстрепа. Оценка доверительных интервалов на основе бутстрепа. Метод складного ножа.

[https://www.dropbox.com/s/tu7c9teqb0nhzan/lecture3-1.pdf?dl=0 Слайды к лекции 3, часть 1 (бутстреп)]

4. '''Проверка гипотез''' (2 лекции, 2 семинара)

Основные понятия теории проверки гипотез. Критерий Вальда. P-значение. Распределение хи-квадрат и критерий Пирсона. Критерий перестановок. Критерий на основе отношения правдоподобия. Множественные тесты. Критерий согласия. Критерий Неймана-Пирсона для случая двух простых гипотез, t-критерий.

[https://www.dropbox.com/s/sazco9ha2flty5r/lecture3-2.pdf?dl=0 Слайды к лекции 3, часть 2 (проверка гипотез)]

5. '''Линейная и логистическая регрессия''' (2 лекции, 2 семинара)

Стандартная линейная регрессия. Метод оценивания на основе минимизации невязок/максимизации правдоподобия. Свойства оценок метода наименьших квадратов. Прогнозирование. Множественная регрессия. Выбор модели. AIC, BIC. Логистическая регрессия.

[https://www.dropbox.com/s/c62e9sjbx6dj2rs/lecture3-3.pdf?dl=0 Слайды к лекции 3, часть 3 (регрессия)]

6. '''Непараметрическое оценивание сигналов''' (1 лекция, 1 семинар)

Выбор оптимального соотношения между смещением и дисперсией. Гистограммы. Ядерная оценка плотности. Непараметрическая регрессия.

7. '''Нелинейные методы построения регрессионных зависимостей''' (1 лекция, 1 семинар)

Аддитивные модели. Аппроксимационные модели на основе параметрических словарей (сигмоидальные функции, гауссоподобные функции, и т.д.). Построение аппроксимационных моделей на основе параметрических словарей: методы инициализации структуры; методы оценки параметров, учитывающие структуру модели; методы адаптивной регуляризации в процесс оценки параметров модели.

8. '''Регрессионные модели на основе гауссовских процессов''' (1 лекция, 1 семинар)

Гауссовские процессы. Прогноз и оценка точности прогноза на основе гауссовских процессов. Оценка параметров ковариационной функции. Регуляризация логарифма правдоподобия. Модель нестационарной ковариационной функции. Регрессия на основе гауссовских процессов как ядерная гребневая регрессия. Глобальная оптимизация на основе гауссовских процессов. Планирование экспериментов на основе гауссовских процессов.

9. '''Оценка чувствительности модели''' (1 лекция, 1 семинар)

Введение, начальные условия, области применения. Постановка задачи оценки глобальной чувствительности модели. Обзор методов оценки чувствительности модели в случае выборки данных. Обзор методов оценки чувствительности модели в случае черного ящика. Выделение параметров, которые сильнее всего влияют на уровень радиоактивных изотопов в воде (Level E test case). Обзор теоретических основ метода оценки чувствительности модели на основе индексов Соболя.

10. '''Методы планирования экспериментов (Design of Experiments)''' (1 лекция, 1 семинар)

Space-filling DoE. Планирование экспериментов для линейных регрессионных моделей.

11. '''Снижение размерности многомерных данных''' (1 лекция, 1 семинар)

Снижение размерности в суррогатном моделировании. Постановка задачи снижения размерности. Обзор линейных методов снижения размерности (метод главных компонент, целенаправленное проектирование и т.п.). Обзор локальных и нелинейных методов снижения размерности (метод нелинейных главных компонент, метод локального линейного вложения и т.п.). Новые постановки задач снижения размерности. Аппроксимация многомерных зависимостей как решение задачи снижения размерности.

=== Материалы ===

1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

2. [https://www.dropbox.com/s/nrempaxwtf0hbqg/Wasserman%20L.%20All%20of%20Nonparametric%20Statistics.pdf?dl=0 Wasserman L. All of Nonparametric Statistics. Springer, 2006.]

3. [https://www.dropbox.com/s/fwat2tikn9wkqre/Bishop%20C.M.%20Pattern%20recognition%20and%20machine%20learning.pdf?dl=0 Bishop C.M. Pattern recognition and machine learning. Springer, 2006.]

4. [https://www.dropbox.com/s/h0kaiix6y3g3yzl/David%20Mackay%20J.C.%20Information%20theory%2C%20inference%2C%20and%20learning%20algorithms..pdf?dl=0 David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.]

5. [https://www.dropbox.com/s/3dyw3c4bv5bl2xw/Grimmett%20G.%2C%20Stirzaker%20D.%20Probability%20and%20Random%20Processes.djvu?dl=0 Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.]

6. [https://www.dropbox.com/s/r8wcms7vszqd8tv/Forrester%20A.%2C%20Sobester%20A.%2C%20Keane%20A.%20Engineering%20Design%20via%20Surrogate%20Modelling.pdf?dl=0 Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.]

7. [https://www.dropbox.com/s/f07k3k9ak8b4wbq/Lee%20J.A.%2C%20Verleysen%20M.%20Nonlinear%20Dimensionality%20Reduction.pdf?dl=0 Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.]

8. [https://www.dropbox.com/s/izx6kbyd3jcz162/Wang%20G.G.%2C%20Shan%20S.%20Review%20of%20Metamodeling%20Techniques%20in%20Support%20of%20Engineering%20Design%20Optimization.pdf?dl=0 Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.]

9. [https://www.dropbox.com/s/13vgwzjhfygcui3/Deconinck%2C%20Periaux%2C%20Giannakoglou%20%28eds.%29.%20Optimization%20method%20and%20tools%20for%20multicriteria%20multidisciplinary%20design.pdf?dl=0 Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.]

10. [https://www.dropbox.com/s/f8hl8iliswk2fgv/%D0%9B%D0%B0%D0%B3%D1%83%D1%82%D0%B8%D0%BD%20%D0%9C.%D0%91.%20%D0%9D%D0%B0%D0%B3%D0%BB%D1%8F%D0%B4%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.djvu?dl=0 Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.]

11. [https://www.dropbox.com/s/hjv1olagi1smkll/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F%20%D0%B8%20%D0%BF%D0%B5%D1%80%D0%B2%D0%B8%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.]

12. [https://www.dropbox.com/s/46aw6dnnf9ec7ko/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B5%D0%B9.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.]

13. [https://www.dropbox.com/s/e7gx4womlbtasic/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%91%D1%83%D1%85%D1%88%D1%82%D0%B0%D0%B1%D0%B5%D1%80%20%D0%92.%D0%9C.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%A1.%D0%90.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8.djvu?dl=0 Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.]

Машинное обучение (факультет экономических наук)

2017-09-28T11:17:12Z

Artonson: /* Лекции */

== О курсе ==

'''Лекторы:''' [https://www.hse.ru/org/persons/131072080 Екатерина Лобачева], Алексей Артемов 
Лекции проходят по пятницам, 10:30 - 11:50, ауд. 5215. 

=== Полезные ссылки ===

[ Программа курса] 
[https://github.com/FilatovArtm/ML_Eco-NES_2017 Репозиторий на GitHub с материалами курса] 
[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

Почта курса: '''ml.econom.hse@gmail.com''' 
Формат темы письма (обязательно соблюдайте его, так как у нас стоят автоматические фильтры):
* '''Вопрос - номер группы по данному курсу - Фамилия Имя''' — для вопросов;
* '''Практика {номер задания} - номер группы по данному курсу - Фамилия Имя''' — для сдачи практических домашних заданий.

Возможные курсы по данному курсу: 4 простая, 4 сложная, 3 простая, 3 сложная, совбак простая, совбак сложная. 
Пример: Практика 1 - 4 простая - Иванов Иван

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAERI0duQMnhSawsR2A 
Чат в telegram для обсуждений: https://t.me/joinchat/ABAXWEIJR7rcclSWVZfFhg

[https://drive.google.com/open?id=1qWrFvaCEYGQPMf9NNSti0YACmpO4oOI8Z5lWkET0XAU Таблица с оценками]

Оставить анонимный отзыв на курс: [https://docs.google.com/forms/d/e/1FAIpQLSfqAdwstSuIwqeluCjVt-jCGmq4_Tur_4vBqCEXRcTgdiZlwg/viewform форма]

=== Семинары ===

3 курс, сложная группа, заполните форму: https://goo.gl/forms/GUom80x8zoiQ3ZyX2

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Чат !! Расписание
|-
| 4 курс эконома, простая || Артем Филатов || Анастасия Рогачевская || || пятница 12:10, ауд. 5215
|-
| 4 курс эконома, сложная || [https://www.hse.ru/staff/bbd Борис Демешев] || Никита Герман || || пятница 12:10, ауд. 2205
|-
| 3 курс эконома, простая || Георгий Звонка || Елизавета Вахрамеева || [https://t.me/joinchat/DUaTB0ObBdXqjmUDrfd_BQ тут] || суббота 16:40, ауд. 2205
|-
| 3 курс эконома, сложная || Евгений Егоров || Мария Такташева || [https://t.me/joinchat/B8wjxQ6Ok7mCk15oG-GM-g обязательно] || понедельник 9:00, ауд. 3316
|-
| совбак, простая || [https://www.hse.ru/staff/is Илья Щуров] || Дмитрий Пчелкин || || вторник, 18:10, ауд. 3317
|-
| совбак, сложная || Артем Филатов || Ксения Вальчук || || среда 13:40, ауд. 4428
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
* Практические домашние работы на Python
* Соревнование по анализу данных
* Устный коллоквиум в конце 1-го модуля
* Устный экзамен

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

Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности.

По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.

=== Правила сдачи заданий ===

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

При обнаружении плагиата оценки за домашнее задание 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 проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок).

== Лекции ==

'''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture01-intro.pdf Конспект]

'''Лекция 2''' (8 сентября). Линейная регрессия: обучение и разные функционалы ошибки. Градиентный спуск. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture02-linregr.pdf Конспект]

'''Лекция 3''' (15 сентября). Регуляризация. Методы оценивания обобщающей способности, кросс-валидация. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture03-linregr.pdf Конспект] [https://github.com/artonson/hse-data-culture-fall-2017/blob/master/lecture-slides/lecture03.pdf Слайды]

'''Лекция 4''' (22 сентября). Аппроксимация эмпирического риска. Задача оценивания вероятностей, логистическая регрессия. Идея калибровки вероятностей. Персептрон. Метрики качества в задачах классификации. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture04-linclass.pdf Конспект] [https://github.com/artonson/hse-data-culture-fall-2017/blob/master/lecture-slides/lecture04.pdf Слайды]

'''Следующая лекция:'''

'''Лекция 3''' (29 сентября). Метод опорных векторов, его двойственная задача (без ядер). Обобщённые линейные модели. Постановки задач multiclass- и multilabel-классификации. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture03-linregr.pdf Конспект]

== Семинары ==

'''Семинар 1'''. Python, numpy, pandas, matplotlib и прочие страшные звери. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem01-tools.ipynb Notebook].

'''Семинар 2'''. Градиентный спуск и линейная регрессия [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem2/sem02.ipynb Notebook]

'''Семинар 3'''. Проверка обобщающей способности, переобучение. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem3/sem3.ipynb Notebook]

'''Семинар 4'''. Линейные классификаторы, персептрон, логистическая регрессия, метрики качества, [https://github.com/FilatovArtm/ML_Eco-NES_2017/raw/master/theory_problems/theory_pro.pdf задачки на семинар и дз]

== Практические задания ==

'''Задание 1.''' Numpy, pandas, matplotlib.

Дата выдачи: 05.09.2017

Дедлайн: 19.09.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/8ee8985202a5a137987085511a33b85e2f886d70/homeworks/hw01-python.ipynb Условие]

'''Задание 2.''' Numpy,linear regression, gradient descent.

Дата выдачи: 21.09.2017

Дедлайн: 08.10.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/homeworks/hw02-linregr.ipynb Условие]

== Теоретические задания ==

'''Задание 1.''' Круг первый. Дифференцирование.

Дата выдачи: 08.09.2017

Проверочные начнутся на семинарах с 15.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_1.pdf Условие]

'''Задание 2.''' Лёд тронулся. Квантильная регрессия и переобучение.

Дата выдачи: 15.09.2017

Проверочные начнутся на семинарах с 22.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_2.pdf Условие]

'''Задание 3'''. Помоги Бандерлогу! [https://github.com/FilatovArtm/ML_Eco-NES_2017/raw/master/theory_problems/theory_pro.pdf Задачки на семинар и дз]

== 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===
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]
* [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]

Прикладная статистика в машинном обучении

2017-09-10T20:49:58Z

Artonson:

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.

'''Лектор:''' Артемов Алексей Валерьевич

Лекции проходят по субботам (9, 23 сентября, 7, 21 октября, 11, 25 ноября, 9, 16 декабря), 13:40 - 16:30, ауд. 509.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/205514489.html Карточка курса и программа]

Репозиторий с материалами на GitHub: TBD

Сдача домашних заданий через систему AnyTask: TBD

Чат в telegram для обсуждений: https://t.me/joinchat/A6_aGA2TPu-XFv45Ac4zlw

Таблица с оценками: TBD

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 9 - 10:20, ауд. 300
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503
|}

=== Дата выдачи/сдачи дз ===
TBD

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

'''O_накопл=0.2 O_самост + 0.6 O_дз + 0.2 O_коллоквиум'''

Накопленная и итоговая оценки округляются арифметически.

* Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания.
* Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.
* В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.
* Студенту, получившему отличную накопленную оценку, данная оценка может быть выставлена в качестве итоговой при условии, что им набрано не менее 10 дополнительных баллов.
* Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

=== Программа курса ===
[https://www.dropbox.com/s/ztykp2c7nle4r2n/intro.pdf?dl=0 Презентация со введением в курс]

1. '''Введение. Основные задачи и методы теории статистических выводов''' (1 лекция, 1 семинар) ''(проведена 09.09.2017)''

Параметрические и непараметрические модели. Основные задачи: точечное оценивание, доверительные множества, тестирование гипотез, исследование зависимостей. Эмпирическая функция распределения. Статистические функционалы.

[https://www.dropbox.com/s/00agifix9p2ddfv/lecture1-1.pdf?dl=0 Слайды к лекции 1, часть 1 (основы теории)]

[https://www.dropbox.com/s/v6l1ahvags2gtyw/lecture1-2.pdf?dl=0 Слайды к лекции 1, часть 2 (статистические функционалы)]

2. '''Параметрическое оценивание''' (2 лекции, 2 семинара) ''(первая часть проведена 09.09.2017)''

Метод моментов. Метод максимального правдоподобия и его свойства. Дельта-метод. Случай векторного параметра. Параметрический бутстреп. Доверительное оценивание. Достаточная статистика. Экспоненциальное семейство распределений. EM-алгоритм.

[https://www.dropbox.com/s/o8gc6fo1s9zkp1z/lecture2.pdf?dl=0 Слайды к лекции 2 (параметрическое оценивание)]

3. '''Бутстреп''' (1 лекция, 1 семинар)

Моделирование Монте-Карло, бутстреп. Оценка дисперсии на основе бутстрепа. Оценка доверительных интервалов на основе бутстрепа. Метод складного ножа.

4. '''Проверка гипотез''' (2 лекции, 2 семинара)

Основные понятия теории проверки гипотез. Критерий Вальда. P-значение. Распределение хи-квадрат и критерий Пирсона. Критерий перестановок. Критерий на основе отношения правдоподобия. Множественные тесты. Критерий согласия. Критерий Неймана-Пирсона для случая двух простых гипотез, t-критерий.

5. '''Линейная и логистическая регрессия''' (2 лекции, 2 семинара)

Стандартная линейная регрессия. Метод оценивания на основе минимизации невязок/максимизации правдоподобия. Свойства оценок метода наименьших квадратов. Прогнозирование. Множественная регрессия. Выбор модели. AIC, BIC. Логистическая регрессия.

6. '''Непараметрическое оценивание сигналов''' (1 лекция, 1 семинар)

Выбор оптимального соотношения между смещением и дисперсией. Гистограммы. Ядерная оценка плотности. Непараметрическая регрессия.

7. '''Нелинейные методы построения регрессионных зависимостей''' (1 лекция, 1 семинар)

Аддитивные модели. Аппроксимационные модели на основе параметрических словарей (сигмоидальные функции, гауссоподобные функции, и т.д.). Построение аппроксимационных моделей на основе параметрических словарей: методы инициализации структуры; методы оценки параметров, учитывающие структуру модели; методы адаптивной регуляризации в процесс оценки параметров модели.

8. '''Регрессионные модели на основе гауссовских процессов''' (1 лекция, 1 семинар)

Гауссовские процессы. Прогноз и оценка точности прогноза на основе гауссовских процессов. Оценка параметров ковариационной функции. Регуляризация логарифма правдоподобия. Модель нестационарной ковариационной функции. Регрессия на основе гауссовских процессов как ядерная гребневая регрессия. Глобальная оптимизация на основе гауссовских процессов. Планирование экспериментов на основе гауссовских процессов.

9. '''Оценка чувствительности модели''' (1 лекция, 1 семинар)

Введение, начальные условия, области применения. Постановка задачи оценки глобальной чувствительности модели. Обзор методов оценки чувствительности модели в случае выборки данных. Обзор методов оценки чувствительности модели в случае черного ящика. Выделение параметров, которые сильнее всего влияют на уровень радиоактивных изотопов в воде (Level E test case). Обзор теоретических основ метода оценки чувствительности модели на основе индексов Соболя.

10. '''Методы планирования экспериментов (Design of Experiments)''' (1 лекция, 1 семинар)

Space-filling DoE. Планирование экспериментов для линейных регрессионных моделей.

11. '''Снижение размерности многомерных данных''' (1 лекция, 1 семинар)

Снижение размерности в суррогатном моделировании. Постановка задачи снижения размерности. Обзор линейных методов снижения размерности (метод главных компонент, целенаправленное проектирование и т.п.). Обзор локальных и нелинейных методов снижения размерности (метод нелинейных главных компонент, метод локального линейного вложения и т.п.). Новые постановки задач снижения размерности. Аппроксимация многомерных зависимостей как решение задачи снижения размерности.

=== Материалы ===

1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

2. [https://www.dropbox.com/s/nrempaxwtf0hbqg/Wasserman%20L.%20All%20of%20Nonparametric%20Statistics.pdf?dl=0 Wasserman L. All of Nonparametric Statistics. Springer, 2006.]

3. [https://www.dropbox.com/s/fwat2tikn9wkqre/Bishop%20C.M.%20Pattern%20recognition%20and%20machine%20learning.pdf?dl=0 Bishop C.M. Pattern recognition and machine learning. Springer, 2006.]

4. [https://www.dropbox.com/s/h0kaiix6y3g3yzl/David%20Mackay%20J.C.%20Information%20theory%2C%20inference%2C%20and%20learning%20algorithms..pdf?dl=0 David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.]

5. [https://www.dropbox.com/s/3dyw3c4bv5bl2xw/Grimmett%20G.%2C%20Stirzaker%20D.%20Probability%20and%20Random%20Processes.djvu?dl=0 Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.]

6. [https://www.dropbox.com/s/r8wcms7vszqd8tv/Forrester%20A.%2C%20Sobester%20A.%2C%20Keane%20A.%20Engineering%20Design%20via%20Surrogate%20Modelling.pdf?dl=0 Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.]

7. [https://www.dropbox.com/s/f07k3k9ak8b4wbq/Lee%20J.A.%2C%20Verleysen%20M.%20Nonlinear%20Dimensionality%20Reduction.pdf?dl=0 Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.]

8. [https://www.dropbox.com/s/izx6kbyd3jcz162/Wang%20G.G.%2C%20Shan%20S.%20Review%20of%20Metamodeling%20Techniques%20in%20Support%20of%20Engineering%20Design%20Optimization.pdf?dl=0 Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.]

9. [https://www.dropbox.com/s/13vgwzjhfygcui3/Deconinck%2C%20Periaux%2C%20Giannakoglou%20%28eds.%29.%20Optimization%20method%20and%20tools%20for%20multicriteria%20multidisciplinary%20design.pdf?dl=0 Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.]

10. [https://www.dropbox.com/s/f8hl8iliswk2fgv/%D0%9B%D0%B0%D0%B3%D1%83%D1%82%D0%B8%D0%BD%20%D0%9C.%D0%91.%20%D0%9D%D0%B0%D0%B3%D0%BB%D1%8F%D0%B4%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.djvu?dl=0 Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.]

11. [https://www.dropbox.com/s/hjv1olagi1smkll/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F%20%D0%B8%20%D0%BF%D0%B5%D1%80%D0%B2%D0%B8%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B0%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.]

12. [https://www.dropbox.com/s/46aw6dnnf9ec7ko/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%98.%D0%A1.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B2%D0%B8%D1%81%D0%B8%D0%BC%D0%BE%D1%81%D1%82%D0%B5%D0%B9.djvu?dl=0 Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.]

13. [https://www.dropbox.com/s/e7gx4womlbtasic/%D0%90%D0%B9%D0%B2%D0%B0%D0%B7%D1%8F%D0%BD%20%D0%A1.%D0%90.%2C%20%D0%91%D1%83%D1%85%D1%88%D1%82%D0%B0%D0%B1%D0%B5%D1%80%20%D0%92.%D0%9C.%2C%20%D0%95%D0%BD%D1%8E%D0%BA%D0%BE%D0%B2%20%D0%A1.%D0%90.%2C%20%D0%9C%D0%B5%D1%88%D0%B0%D0%BB%D0%BA%D0%B8%D0%BD%20%D0%9B.%D0%94.%20%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F%20%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0.%20%D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8F%20%D0%B8%20%D1%81%D0%BD%D0%B8%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8.djvu?dl=0 Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.]

Прикладная статистика в машинном обучении

2017-09-10T20:17:27Z

Artonson: /* Программа курса */