Wiki - Факультет компьютерных наук - Вклад [ru]

Введение в анализ данных (майнор ИАД) 2019/2020

2020-05-29T11:25:21Z

Blackitten13: /* Соревнование 1: Определение категории товара */

== О курсе ==

Курс читается для студентов 2-го курса [https://electives.hse.ru/minor_intel/ майнора ИАД] в 3-4 модулях.

Проводится с 2015 года.

'''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]

Лекции проходят по средам в 10:30 (Покровский бульвар, 11).

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/316531794 Карточка курса и программа]

[https://github.com/hse-ds/iad-intro-ds Репозиторий с материалами на GitHub]

Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.minor.dm+<номер группы>@gmail.com (например, hse.minor.dm+3@gmail.com)

Канал в telegram для объявлений: https://t.me/hse_minor_intro_dm_2020

Чат в telegram для флуда: https://t.me/iad_flood

Ссылка на курс в Anytask: https://anytask.org/course/607

Таблица с оценками: https://docs.google.com/spreadsheets/d/1-6qKU3-5p-ZwujKqqp7QIwf1hKyagY00UyKzxZHwHq0/edit?usp=sharing

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Материалы семинаров !! Аудитория !! ДЗ
|-
| ИАД-1 || Кохтев Вадим || Ригвава Владимир || || ||
|-
| ИАД-2 || Филатов Артём, Анастасия Рогачевская || Дмитрий Торилов || || ||
|-
| ИАД-3 || Козловская Наталья || Юрий Саночкин || || D507 || [https://github.com/hse-ds/iad-intro-ds/blob/hw-01/homeworks/hw1.ipynb ДЗ-1 ]
|-
| ИАД-4 || Ковалев Евгений || Алвандян Нарек || [http://wiki.cs.hse.ru/%D0%9C%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%98%D0%90%D0%94-4-2020 Wiki] [https://github.com/blacKitten13/minor2020-iad4 GitHub] [https://t-do.ru/joinchat/Cci01RHtt3-8NZO02cbg5A Telegram] || ||
|-
| ИАД-5 || Чиркова Надежда || Левина Александра || [https://github.com/nadiinchi/iad2020/blob/master/materials/hw_sem1.ipynb GitHub] || ||
|-
| ИАД-6 || Чесаков Даниил || Ольга Быстрова || [https://github.com/Danyache/minor2020-iad2 GitHub], rd5CNrr - инвайт в anytask || ||
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров
* Практические домашние работы на Python
* Контрольная где-то в середине курса
* Письменный экзамен

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

Oитоговая = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

ПР — средняя оценка за письменные проверочные работы на семинарах

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

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. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

Лекция 1 (15.01.2020). Введение в машинное обучение и анализ данных. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture01-intro.pdf Слайды]]

Лекция 2 (22.01.2020). Основные постановки задач. Метод k ближайших соседей. Измерение ошибки в задачах классификации. Параметры и гиперпараметры. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture02-knn.pdf Слайды]]

Лекция 3 (05.02.2020). Оценка обобщающей способности моделей. Метод k ближайших соседей с весами. Метод k ближайших соседей для задач регрессии. Модель линейной регрессии. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture03-knn-linregr.pdf Слайды]]

Лекция 4 (12.02.2020). Применимость моделей линейной регрессии. Линейная регрессия в матричной форме. Обучение линейной регрессии через аналитическое решение. Регуляризация. Вычисление важности признаков в линейных моделях. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture04-linregr.pdf Слайды]]

Лекция 5 (19.02.2020). Градиент. Градиентный спуск. Стохастический градиентный спуск. Функции потерь в задачах регрессии. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture05-linregr.pdf Слайды]]

Лекция 6 (26.02.2020). Линейная классификация. Обучение через верхние оценки на функцию потерь. Метрики качества классификации: доля верных ответов, точность, полнота. Способы объединения точности и полноты. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture06-linclass.pdf Слайды]]

Лекция 7 (04.03.2020). Линейная классификация. Оценки качества ранжирования объектов, AUC-ROC и AUC-PRC. Оценивание вероятностей классов. Логистическая регрессия. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture07-linclass.pdf Слайды]]

Лекция 8 (11.03.2020). Линейная классификация. Метод опорных векторов. Калибровка вероятностей. Многоклассовая классификация. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture08-linclass.pdf Слайды]]

Лекция 9 (18.03.2020). Решающие деревья. Структура. Критерии информативности для регрессии и классификации. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture09-trees.pdf Слайды]] [[https://www.youtube.com/watch?v=9B4gpT_2tUk Запись вебинара]]

Лекция 10 (25.03.2020). Решающие деревья. Жадное построение. Счётчики для кодирования категориальных признаков. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture10-trees.pdf Слайды]] [[https://www.youtube.com/watch?v=7bjSTLKxHIU Запись вебинара]]

Лекция 11 (08.04.2020). Композиции моделей. Бэггинг. Смещение и разброс в бэггинге. Случайный лес. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture11-ensembles.pdf Слайды]] [[https://www.youtube.com/watch?v=4Q0CahrXIbw Запись вебинара]]

Лекция 12 (15.04.2020). Композиции моделей. Градиентный бустинг. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture12-ensembles.pdf Слайды]] [[https://www.youtube.com/watch?v=5-9m_2Clcgc Запись вебинара]]

Лекция 13 (29.04.2020). Отбор признаков. Одномерные методы. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture13-reduction.pdf Слайды]] [[https://www.youtube.com/watch?v=KyUTIsxr0hY Запись вебинара]]

Лекция 14 (06.05.2020). Градиентный бустинг для произвольной дифференцируемой функции потерь. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture14-ensembles.pdf Слайды]] [[https://www.youtube.com/watch?v=tb7PU8YDRH8 Запись вебинара]]

Лекция 15 (13.05.2020). Отбор признаков. Методы на основе моделей. Метод главных компонент. Визуализация. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture15-reduction.pdf Слайды]] [[https://www.youtube.com/watch?v=hvE3izOg9uQ Запись вебинара]]

Лекция 16 (20.05.2020). Кластеризация: постановки задачи, k-means, DBSCAN. Представления слов. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture16-clustering.pdf Слайды]] [[https://www.youtube.com/watch?v=o8m0dg91pyc Запись вебинара]]

Лекция 17 (27.05.2020). Рекомендательные системы. User-based рекомендации. Модели со скрытыми переменными. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture17-recommender.pdf Слайды]] [[https://www.youtube.com/watch?v=RSSalEA8OoI Запись вебинара]]

== Семинары ==

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна — в этом случае за каждый день просрочки продолжает вычитаться по одному баллу (если не оговорено иное).

В некоторых группах домашние задания могут отличаться. Уточняйте у семинариста.

== Соревнования ==

===Правила участия и оценивания===
В соревновании по анализу данных вам предлагается по имеющимся данным решить некоторую задачу, оптимизируя указанную метрику, и отправить ответы для заданного тестового множества. Максимальное количество посылок в сутки ограничено (как правило, разрешается сделать 2 посылки), ближе к концу соревнования вам будем необходимо выбрать 2 посылки, которые вы считаете лучшими. Тестовые данные делятся на публичные и приватные в некотором соотношении, на основе которых строятся публичный и приватный лидерборды соответственно, при этом публичный лидерборд доступен в течение всего соревнования, а приватный строится после его окончания для выбранных вами посылок.

Студент, занявший в соревновании место i, получает оценку

10 - 10 * (i - 1) / M,

где M — количество студентов, принявших участие в соревновании;

i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов.

Чтобы вас не пропустили при проверке решений соревнования, '''необходимо''' использовать следующий формат для имени команды (вкладка Team):

«Имя Фамилия номер_группы»

В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''. Под внешними данными понимаются размеченные данные, где разметка имеет прямое отношение к решаемой задаче. Грубо говоря, сборник текстов с википедии не считается внешними данными.

=== Соревнование 1: Определение категории товара ===

'''Соревнование на бонусные баллы, не входит в основную формулу оценки.''' Количество дополнительных баллов, полученных за соревнование, определяется индивидуально в каждой группе. Бонусные баллы можно прибавить к любой оценке за домашнее задание или за проверочную работу. Оценка за каждую из таких форм контроля не может превысить 10 баллов после прибавления бонусов.

Алгоритм расчёта бонусной оценки описан выше.

Дата выдачи: 08.04.2020

Срок окончания соревнования: 16.05.2020 02:59MSK

[https://www.kaggle.com/t/9f493c11e0b24931996e5a8aec870a49 Ссылка на участие в соревновании]

== Контрольная работа ==

Вопросы для подготовки: https://docs.google.com/document/d/1yuB17EoXyVSxqRslpFTKX97Kriuxn4lgFL5z4kQF9lU/edit?usp=sharing

На контрольной будет 4 вопроса. Два из них — по теории, где нужно будет объяснить одну из тем, разобранных на лекциях, или ответить на вопросы на понимание. Два вопроса — это задачи, примеры приведены ниже.

Примеры задач:
* Метрические методы, kNN [[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Примеры задач]]
* Линейные методы [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Примеры задач]]
* Решающие деревья [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Примеры задач]]
* Метрики качества [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Примеры задач]]

[https://www.youtube.com/watch?v=SVQ8mUff1V8 Видео с консультации]

[https://www.dropbox.com/s/molzmwklvepjl1k/notes-cons.pdf?dl=0 Конспект с консультации]

== Экзамен ==

Вопросы прошлого года: https://docs.google.com/document/d/1IrRO4kbzKieTWDgJ5UhfPECyU2tvq9CZi2mXgQPzf30/edit?usp=sharing

[https://github.com/esokolov/ml-minor-hse/blob/master/exam-2017/exam_problems_example.pdf Примеры задач прошлого года] (также могут войти задачи из коллоквиума)

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

===Статьи===
* [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]
* [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]

===Книги===
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.
* James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.

== Страницы прошлых лет ==

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных | 2018/19 учебный год ]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2017-2018 | 2017/18 учебный год ]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2016-2017 | 2016/17 учебный год ]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2015-2016 | 2015/16 учебный год ]]

[[Category:Майнор "Интеллектуальный анализ данных"]]

Введение в анализ данных (майнор ИАД) 2019/2020

2020-05-29T11:21:57Z

Blackitten13: /* Правила участия и оценивания */

== О курсе ==

Курс читается для студентов 2-го курса [https://electives.hse.ru/minor_intel/ майнора ИАД] в 3-4 модулях.

Проводится с 2015 года.

'''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]

Лекции проходят по средам в 10:30 (Покровский бульвар, 11).

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/316531794 Карточка курса и программа]

[https://github.com/hse-ds/iad-intro-ds Репозиторий с материалами на GitHub]

Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.minor.dm+<номер группы>@gmail.com (например, hse.minor.dm+3@gmail.com)

Канал в telegram для объявлений: https://t.me/hse_minor_intro_dm_2020

Чат в telegram для флуда: https://t.me/iad_flood

Ссылка на курс в Anytask: https://anytask.org/course/607

Таблица с оценками: https://docs.google.com/spreadsheets/d/1-6qKU3-5p-ZwujKqqp7QIwf1hKyagY00UyKzxZHwHq0/edit?usp=sharing

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Материалы семинаров !! Аудитория !! ДЗ
|-
| ИАД-1 || Кохтев Вадим || Ригвава Владимир || || ||
|-
| ИАД-2 || Филатов Артём, Анастасия Рогачевская || Дмитрий Торилов || || ||
|-
| ИАД-3 || Козловская Наталья || Юрий Саночкин || || D507 || [https://github.com/hse-ds/iad-intro-ds/blob/hw-01/homeworks/hw1.ipynb ДЗ-1 ]
|-
| ИАД-4 || Ковалев Евгений || Алвандян Нарек || [http://wiki.cs.hse.ru/%D0%9C%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%98%D0%90%D0%94-4-2020 Wiki] [https://github.com/blacKitten13/minor2020-iad4 GitHub] [https://t-do.ru/joinchat/Cci01RHtt3-8NZO02cbg5A Telegram] || ||
|-
| ИАД-5 || Чиркова Надежда || Левина Александра || [https://github.com/nadiinchi/iad2020/blob/master/materials/hw_sem1.ipynb GitHub] || ||
|-
| ИАД-6 || Чесаков Даниил || Ольга Быстрова || [https://github.com/Danyache/minor2020-iad2 GitHub], rd5CNrr - инвайт в anytask || ||
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров
* Практические домашние работы на Python
* Контрольная где-то в середине курса
* Письменный экзамен

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

Oитоговая = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

ПР — средняя оценка за письменные проверочные работы на семинарах

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

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. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

Лекция 1 (15.01.2020). Введение в машинное обучение и анализ данных. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture01-intro.pdf Слайды]]

Лекция 2 (22.01.2020). Основные постановки задач. Метод k ближайших соседей. Измерение ошибки в задачах классификации. Параметры и гиперпараметры. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture02-knn.pdf Слайды]]

Лекция 3 (05.02.2020). Оценка обобщающей способности моделей. Метод k ближайших соседей с весами. Метод k ближайших соседей для задач регрессии. Модель линейной регрессии. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture03-knn-linregr.pdf Слайды]]

Лекция 4 (12.02.2020). Применимость моделей линейной регрессии. Линейная регрессия в матричной форме. Обучение линейной регрессии через аналитическое решение. Регуляризация. Вычисление важности признаков в линейных моделях. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture04-linregr.pdf Слайды]]

Лекция 5 (19.02.2020). Градиент. Градиентный спуск. Стохастический градиентный спуск. Функции потерь в задачах регрессии. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture05-linregr.pdf Слайды]]

Лекция 6 (26.02.2020). Линейная классификация. Обучение через верхние оценки на функцию потерь. Метрики качества классификации: доля верных ответов, точность, полнота. Способы объединения точности и полноты. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture06-linclass.pdf Слайды]]

Лекция 7 (04.03.2020). Линейная классификация. Оценки качества ранжирования объектов, AUC-ROC и AUC-PRC. Оценивание вероятностей классов. Логистическая регрессия. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture07-linclass.pdf Слайды]]

Лекция 8 (11.03.2020). Линейная классификация. Метод опорных векторов. Калибровка вероятностей. Многоклассовая классификация. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture08-linclass.pdf Слайды]]

Лекция 9 (18.03.2020). Решающие деревья. Структура. Критерии информативности для регрессии и классификации. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture09-trees.pdf Слайды]] [[https://www.youtube.com/watch?v=9B4gpT_2tUk Запись вебинара]]

Лекция 10 (25.03.2020). Решающие деревья. Жадное построение. Счётчики для кодирования категориальных признаков. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture10-trees.pdf Слайды]] [[https://www.youtube.com/watch?v=7bjSTLKxHIU Запись вебинара]]

Лекция 11 (08.04.2020). Композиции моделей. Бэггинг. Смещение и разброс в бэггинге. Случайный лес. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture11-ensembles.pdf Слайды]] [[https://www.youtube.com/watch?v=4Q0CahrXIbw Запись вебинара]]

Лекция 12 (15.04.2020). Композиции моделей. Градиентный бустинг. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture12-ensembles.pdf Слайды]] [[https://www.youtube.com/watch?v=5-9m_2Clcgc Запись вебинара]]

Лекция 13 (29.04.2020). Отбор признаков. Одномерные методы. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture13-reduction.pdf Слайды]] [[https://www.youtube.com/watch?v=KyUTIsxr0hY Запись вебинара]]

Лекция 14 (06.05.2020). Градиентный бустинг для произвольной дифференцируемой функции потерь. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture14-ensembles.pdf Слайды]] [[https://www.youtube.com/watch?v=tb7PU8YDRH8 Запись вебинара]]

Лекция 15 (13.05.2020). Отбор признаков. Методы на основе моделей. Метод главных компонент. Визуализация. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture15-reduction.pdf Слайды]] [[https://www.youtube.com/watch?v=hvE3izOg9uQ Запись вебинара]]

Лекция 16 (20.05.2020). Кластеризация: постановки задачи, k-means, DBSCAN. Представления слов. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture16-clustering.pdf Слайды]] [[https://www.youtube.com/watch?v=o8m0dg91pyc Запись вебинара]]

Лекция 17 (27.05.2020). Рекомендательные системы. User-based рекомендации. Модели со скрытыми переменными. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2020/lectures/lecture17-recommender.pdf Слайды]] [[https://www.youtube.com/watch?v=RSSalEA8OoI Запись вебинара]]

== Семинары ==

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна — в этом случае за каждый день просрочки продолжает вычитаться по одному баллу (если не оговорено иное).

В некоторых группах домашние задания могут отличаться. Уточняйте у семинариста.

== Соревнования ==

===Правила участия и оценивания===
В соревновании по анализу данных вам предлагается по имеющимся данным решить некоторую задачу, оптимизируя указанную метрику, и отправить ответы для заданного тестового множества. Максимальное количество посылок в сутки ограничено (как правило, разрешается сделать 2 посылки), ближе к концу соревнования вам будем необходимо выбрать 2 посылки, которые вы считаете лучшими. Тестовые данные делятся на публичные и приватные в некотором соотношении, на основе которых строятся публичный и приватный лидерборды соответственно, при этом публичный лидерборд доступен в течение всего соревнования, а приватный строится после его окончания для выбранных вами посылок.

Студент, занявший в соревновании место i, получает оценку

10 - 10 * (i - 1) / M,

где M — количество студентов, принявших участие в соревновании;

i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов.

Чтобы вас не пропустили при проверке решений соревнования, '''необходимо''' использовать следующий формат для имени команды (вкладка Team):

«Имя Фамилия номер_группы»

В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''. Под внешними данными понимаются размеченные данные, где разметка имеет прямое отношение к решаемой задаче. Грубо говоря, сборник текстов с википедии не считается внешними данными.

=== Соревнование 1: Определение категории товара ===

'''Соревнование на бонусные баллы, не входит в основную формулу оценки.''' Бонусные баллы можно прибавить к любой оценке за домашнее задание или за проверочную работу. Оценка за каждую из таких форм контроля не может превысить 10 баллов после прибавления бонусов.

Алгоритм расчёта бонусной оценки описан выше.

Дата выдачи: 08.04.2020

Срок окончания соревнования: 16.05.2020 02:59MSK

[https://www.kaggle.com/t/9f493c11e0b24931996e5a8aec870a49 Ссылка на участие в соревновании]

== Контрольная работа ==

Вопросы для подготовки: https://docs.google.com/document/d/1yuB17EoXyVSxqRslpFTKX97Kriuxn4lgFL5z4kQF9lU/edit?usp=sharing

На контрольной будет 4 вопроса. Два из них — по теории, где нужно будет объяснить одну из тем, разобранных на лекциях, или ответить на вопросы на понимание. Два вопроса — это задачи, примеры приведены ниже.

Примеры задач:
* Метрические методы, kNN [[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Примеры задач]]
* Линейные методы [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Примеры задач]]
* Решающие деревья [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Примеры задач]]
* Метрики качества [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Примеры задач]]

[https://www.youtube.com/watch?v=SVQ8mUff1V8 Видео с консультации]

[https://www.dropbox.com/s/molzmwklvepjl1k/notes-cons.pdf?dl=0 Конспект с консультации]

== Экзамен ==

Вопросы прошлого года: https://docs.google.com/document/d/1IrRO4kbzKieTWDgJ5UhfPECyU2tvq9CZi2mXgQPzf30/edit?usp=sharing

[https://github.com/esokolov/ml-minor-hse/blob/master/exam-2017/exam_problems_example.pdf Примеры задач прошлого года] (также могут войти задачи из коллоквиума)

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

===Статьи===
* [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]
* [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]

===Книги===
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.
* James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.

== Страницы прошлых лет ==

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных | 2018/19 учебный год ]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2017-2018 | 2017/18 учебный год ]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2016-2017 | 2016/17 учебный год ]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2015-2016 | 2015/16 учебный год ]]

[[Category:Майнор "Интеллектуальный анализ данных"]]

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-4-2020

2020-02-07T20:14:55Z

Blackitten13: /* Основные ссылки */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Нарек Алвандян (telegram: @narekvslife)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01RHtt3-8NZO02cbg5A Чат в Telegram]

[https://github.com/blacKitten13/minor2020-iad4 Страница группы на github.com]

Инвайт в AnyTask: zG1cIyT

==События==

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* Learn Python (Python 3 tutorial): https://www.learnpython.org/
* A Crash Course in Python for Scientists ('''Python 2'''): http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-4-2020

2020-01-15T09:22:09Z

Blackitten13: /* Полезные ссылки */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Нарек Алвандян (telegram: @narekvslife)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01RHtt3-8NZO02cbg5A Чат в Telegram]

[https://github.com/blacKitten13/minor2020-iad4 Страница группы на github.com]

==События==

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* Learn Python (Python 3 tutorial): https://www.learnpython.org/
* A Crash Course in Python for Scientists ('''Python 2'''): http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Введение в анализ данных (майнор ИАД) 2019/2020

2020-01-15T09:07:53Z

Blackitten13: /* Семинары */

Введение в анализ данных (майнор ИАД) 2019/2020

2020-01-15T09:07:34Z

Blackitten13: /* Семинары */

Введение в анализ данных (майнор ИАД) 2019/2020

2020-01-14T23:07:56Z

Blackitten13: /* Семинары */

Введение в анализ данных (майнор ИАД) 2019/2020

2020-01-14T23:07:16Z

Blackitten13: /* Семинары */

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-4-2020

2020-01-14T23:02:43Z

Blackitten13: Новая страница: «==Организационная информация== Семинарист: Евгений Ковалев (telegram: @blacKitten13) Ассистент: Нар…»

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Нарек Алвандян (telegram: @narekvslife)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01RHtt3-8NZO02cbg5A Чат в Telegram]

[https://github.com/blacKitten13/minor2020-iad4 Страница группы на github.com]

==События==

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-05-21T20:19:35Z

Blackitten13: /* События */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов (telegram: @mmukhortov)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

29.05 - проверочная №4 по лекциям 8-10, основные темы: решающие деревья, композиции (случайный лес, бустинг)

24.05 - дедлайн дз №3 (в 23:59)

22.05 - ПЕРЕНОСИТСЯ НА НЕДЕЛЮ проверочная №4

24.04 - контрольная работа для тех, кто не писал в 17.04 по причине сдачи IELTS

17.04 - контрольная работа

03.04 - два семинара (с 10:30 до 13:30) и проверочная №3 по лекциям 6-7, основные темы: линейная классификация, метрики качества классификации.

20.03 - семинара и проверочной не будет, переносятся на следующую неделю

17.03 - дедлайн дз №2 (в 23:59)

27.02 - проверочная №2 по лекциям 3-5, основные темы: kNN, линейная регрессия.

10.02 - дедлайн дз №1 (в 23:59)

06.02 - два семинара (с 12 до 15) и проверочная №1 (основные определения). Занятия пройдут на ФКН (Кочновский проезд, дом 3), аудитория 301.

30.01 - семинара и проверочной не будет, переносятся на следующую неделю

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-05-17T11:15:35Z

Blackitten13: /* События */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов (telegram: @mmukhortov)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

23.05 - дедлайн дз №3 (в 23:59)

22.05 - проверочная №4 по лекциям 8-10, основные темы: решающие деревья, композиции (случайный лес, бустинг)

24.04 - контрольная работа для тех, кто не писал в 17.04 по причине сдачи IELTS

17.04 - контрольная работа

03.04 - два семинара (с 10:30 до 13:30) и проверочная №3 по лекциям 6-7, основные темы: линейная классификация, метрики качества классификации.

20.03 - семинара и проверочной не будет, переносятся на следующую неделю

17.03 - дедлайн дз №2 (в 23:59)

27.02 - проверочная №2 по лекциям 3-5, основные темы: kNN, линейная регрессия.

10.02 - дедлайн дз №1 (в 23:59)

06.02 - два семинара (с 12 до 15) и проверочная №1 (основные определения). Занятия пройдут на ФКН (Кочновский проезд, дом 3), аудитория 301.

30.01 - семинара и проверочной не будет, переносятся на следующую неделю

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-05-06T17:55:52Z

Blackitten13: /* События */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов (telegram: @mmukhortov)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

23.05 - дедлайн дз №3 (в 23:59)

24.04 - контрольная работа для тех, кто не писал в 17.04 по причине сдачи IELTS

17.04 - контрольная работа

03.04 - два семинара (с 10:30 до 13:30) и проверочная №3 по лекциям 6-7, основные темы: линейная классификация, метрики качества классификации.

20.03 - семинара и проверочной не будет, переносятся на следующую неделю

17.03 - дедлайн дз №2 (в 23:59)

27.02 - проверочная №2 по лекциям 3-5, основные темы: kNN, линейная регрессия.

10.02 - дедлайн дз №1 (в 23:59)

06.02 - два семинара (с 12 до 15) и проверочная №1 (основные определения). Занятия пройдут на ФКН (Кочновский проезд, дом 3), аудитория 301.

30.01 - семинара и проверочной не будет, переносятся на следующую неделю

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-04-23T13:55:32Z

Blackitten13:

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов (telegram: @mmukhortov)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

24.04 - контрольная работа для тех, кто не писал в 17.04 по причине сдачи IELTS

17.04 - контрольная работа

03.04 - два семинара (с 10:30 до 13:30) и проверочная №3 по лекциям 6-7, основные темы: линейная классификация, метрики качества классификации.

20.03 - семинара и проверочной не будет, переносятся на следующую неделю

17.03 - дедлайн дз №2 (в 23:59)

27.02 - проверочная №2 по лекциям 3-5, основные темы: kNN, линейная регрессия.

10.02 - дедлайн дз №1 (в 23:59)

06.02 - два семинара (с 12 до 15) и проверочная №1 (основные определения). Занятия пройдут на ФКН (Кочновский проезд, дом 3), аудитория 301.

30.01 - семинара и проверочной не будет, переносятся на следующую неделю

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-04-01T21:10:39Z

Blackitten13: /* События */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов (telegram: @mmukhortov)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

03.04 - два семинара (с 10:30 до 13:30) и проверочная №3 по лекциям 6-7, основные темы: линейная классификация, метрики качества классификации.

20.03 - семинара и проверочной не будет, переносятся на следующую неделю

17.03 - дедлайн дз №2 (в 23:59)

27.02 - проверочная №2 по лекциям 3-5, основные темы: kNN, линейная регрессия.

10.02 - дедлайн дз №1 (в 23:59)

06.02 - два семинара (с 12 до 15) и проверочная №1 (основные определения). Занятия пройдут на ФКН (Кочновский проезд, дом 3), аудитория 301.

30.01 - семинара и проверочной не будет, переносятся на следующую неделю

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-03-19T09:16:59Z

Blackitten13:

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов (telegram: @mmukhortov)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

20.03 - семинара и проверочной не будет, переносятся на следующую неделю

17.03 - дедлайн дз №2 (в 23:59)

27.02 - проверочная №2 по лекциям 3-5, основные темы: kNN, линейная регрессия.

10.02 - дедлайн дз №1 (в 23:59)

06.02 - два семинара (с 12 до 15) и проверочная №1 (основные определения). Занятия пройдут на ФКН (Кочновский проезд, дом 3), аудитория 301.

30.01 - семинара и проверочной не будет, переносятся на следующую неделю

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-03-05T10:41:20Z

Blackitten13: /* События */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов (telegram: @mmukhortov)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

17.03 - дедлайн дз №2 (в 23:59)

27.02 - проверочная №2 по лекциям 3-5, основные темы: kNN, линейная регрессия.

10.02 - дедлайн дз №1 (в 23:59)

06.02 - два семинара (с 12 до 15) и проверочная №1 (основные определения). Занятия пройдут на ФКН (Кочновский проезд, дом 3), аудитория 301.

30.01 - семинара и проверочной не будет, переносятся на следующую неделю

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-02-19T15:45:23Z

Blackitten13: /* События */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов (telegram: @mmukhortov)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

27.02 - проверочная №2 по лекциям 3-5, основные темы: kNN, линейная регрессия.

10.02 - дедлайн дз №1 (в 23:59)

06.02 - два семинара (с 12 до 15) и проверочная №1 (основные определения). Занятия пройдут на ФКН (Кочновский проезд, дом 3), аудитория 301.

30.01 - семинара и проверочной не будет, переносятся на следующую неделю

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-02-19T15:45:15Z

Blackitten13: /* События */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов (telegram: @mmukhortov)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

27.02 - проверочная №2 по лекциям 3-5, основные темы: kNN, линейная регрессия.

10.01 - дедлайн дз №1 (в 23:59)

06.02 - два семинара (с 12 до 15) и проверочная №1 (основные определения). Занятия пройдут на ФКН (Кочновский проезд, дом 3), аудитория 301.

30.01 - семинара и проверочной не будет, переносятся на следующую неделю

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-02-19T15:44:54Z

Blackitten13: /* События */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов (telegram: @mmukhortov)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

27.02 - проверочная №2 по лекциям 3-5, основные темы: kNN, линейная регрессия.

06.02 - два семинара (с 12 до 15) и проверочная №1 (основные определения). Занятия пройдут на ФКН (Кочновский проезд, дом 3), аудитория 301.

30.01 - семинара и проверочной не будет, переносятся на следующую неделю

10.01 - дедлайн дз №1 (в 23:59)

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-02-19T15:44:12Z

Blackitten13: /* События */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов (telegram: @mmukhortov)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

27.02 - проверочная №2 по лекциям 3-5, основные темы: kNN, линейная регрессия.

30.01 - семинара и проверочной не будет, переносятся на следующую неделю

06.01 - два семинара (с 12 до 15) и проверочная №1 (основные определения). Занятия пройдут на ФКН (Кочновский проезд, дом 3), аудитория 301.

10.01 - дедлайн дз №1 (в 23:59)

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-02-05T11:42:49Z

Blackitten13: /* События */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов (telegram: @mmukhortov)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

30.01 - семинара и проверочной не будет, переносятся на следующую неделю

06.01 - два семинара (с 12 до 15) и проверочная №1 (основные определения). Занятия пройдут на ФКН (Кочновский проезд, дом 3), аудитория 301.

10.01 - дедлайн дз №1 (в 23:59)

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-01-30T14:39:10Z

Blackitten13: /* Организационная информация */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов (telegram: @mmukhortov)

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

30.01 - семинара и проверочной не будет, переносятся на следующую неделю

06.01 - два семинара (с 12 до 15) и проверочная №1 (основные определения)

10.01 - дедлайн дз №1 (в 23:59)

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-01-30T11:47:40Z

Blackitten13: /* События */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

30.01 - семинара и проверочной не будет, переносятся на следующую неделю

06.01 - два семинара (с 12 до 15) и проверочная №1 (основные определения)

10.01 - дедлайн дз №1 (в 23:59)

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-01-29T13:28:05Z

Blackitten13: /* События */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

30.01 - семинара и проверочной не будет, переносятся на следующую неделю

06.01 - два семинара (с 12 до 15) и проверочная №1 (основные определения)

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-01-29T09:14:06Z

Blackitten13: /* Организационная информация */

==Организационная информация==
Семинарист: Евгений Ковалев (telegram: @blacKitten13)

Ассистент: Максим Мухортов

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

30.01 - проверочная №1 (основные определения)

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-01-23T07:45:45Z

Blackitten13: /* Полезные ссылки */

==Организационная информация==
Семинарист: Евгений Ковалев

Telegram: @blacKitten13

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

30.01 - проверочная №1 (основные определения)

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

* Kaggle: https://www.kaggle.com/
* DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-01-23T07:45:24Z

Blackitten13: /* Полезные ссылки */

==Организационная информация==
Семинарист: Евгений Ковалев

Telegram: @blacKitten13

==Основные ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница группы на github.com]

==События==

30.01 - проверочная №1 (основные определения)

==Полезные ссылки==

'''''Начало работы'''''

* Anaconda (дистрибутив для Python, содержащий в том числе Jupyter Notebook и сам Python): https://www.anaconda.com/download/ - рекомендуется версия Python 3.6 или больше; не забудьте выбрать нужную операционную систему!
* документация по Jupyter: https://jupyter.readthedocs.io/en/latest/
* документация по pip (для установки пакетов в Python с помощью pip install): https://pip.readthedocs.io/en/latest/
* PyCharm: https://www.jetbrains.com/pycharm/

'''''Общее'''''

* для любых вопросов: https://www.google.com/
* для (почти) любых ответов: https://stackoverflow.com/
* профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница
* A visual introduction to machine learning: http://www.r2d3.us/visual-intro-to-machine-learning-part-1/

'''''Python & Jupyter'''''

* A Crash Course in Python for Scientists: http://nbviewer.jupyter.org/gist/rpmuller/5920182
* A Gallery of interesting Jupyter Notebooks: https://github.com/jupyter/jupyter/wiki/A-gallery-of-interesting-Jupyter-Notebooks
* Markdown Cheatsheet: https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet

'''''numpy'''''

* документация: http://www.numpy.org/
* Python Numpy Array Tutorial: https://www.datacamp.com/community/tutorials/python-numpy-tutorial
* 100 numpy exercises: http://www.labri.fr/perso/nrougier/teaching/numpy.100/

'''''pandas'''''

* документация: http://pandas.pydata.org/pandas-docs/stable/
* 10 minutes to pandas: https://pandas.pydata.org/pandas-docs/stable/10min.html
* Pandas Tutorial: DataFrames in Python: https://www.datacamp.com/community/tutorials/pandas-tutorial-dataframe-python
* Cheet Sheet: https://www.analyticsvidhya.com/blog/2015/07/11-steps-perform-data-analysis-pandas-python/
* Visualization: http://pandas.pydata.org/pandas-docs/stable/visualization.html

'''''sklearn'''''

* документация и многое другое: http://scikit-learn.org/stable/

'''''Другие библиотеки'''''

* matplotlib: https://matplotlib.org/users/pyplot_tutorial.html
* seaborn: http://seaborn.pydata.org/

'''''Онлайн-курсы'''''

* Andrew Ng, "Machine Learning": https://www.coursera.org/learn/machine-learning
* ВШЭ & Яндекс, «Введение в машинное обучение»: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
* ВШЭ & Яндекс, специализация "Advanced Machine Learning": https://www.coursera.org/courses?query=advanced%20machine%20learning (более продвинутый уровень)
* обзор онлайн-курсов Coursera: https://habr.com/post/248069/
* Dataquest: https://www.dataquest.io/
* Learn Python: https://www.codecademy.com/learn/learn-python

'''''Соревнования'''''

Kaggle: https://www.kaggle.com/
DrivenData: https://www.drivendata.org/

'''''For fun'''''

* http://tylervigen.com/spurious-correlations
* http://blog.yhat.com/posts/7-funny-datasets.html
* https://vk.com/weirdreparametrizationtrick

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-01-23T07:38:00Z

Blackitten13:

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-01-16T08:59:37Z

Blackitten13: /* Организационная информация */

==Организационная информация==
Семинарист: Евгений Ковалев

Telegram: @blacKitten13

==Ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница курса на github.com]

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-01-16T08:59:27Z

Blackitten13: /* Организационная информация */

==Организационная информация==
Семинарист: Евгений Ковалев
Telegram: @blacKitten13

==Ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница курса на github.com]

Майнор Интеллектуальный анализ данных/Введение в анализ данных

2019-01-16T08:58:46Z

Blackitten13: /* Семинары */

== О курсе ==

Курс читается для студентов 2-го курса [https://electives.hse.ru/2015/minor_intel/ майнора ИАД] в 3-4 модулях.

Проводится с 2015 года.

'''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]

Лекции проходят по средам, 10:30 - 11:50, ауд. 5306 (Шаболовка, 26).

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/219890194 Карточка курса и программа]

[https://github.com/esokolov/ml-minor-hse Репозиторий с материалами на GitHub]

Почта для сдачи домашних заданий: hse.minor.dm+<номер группы>@gmail.com (например, hse.minor.dm+3@gmail.com)

Канал в telegram для объявлений: https://telegram.me/hse_minor_intro_dm_2019

[https://docs.google.com/spreadsheets/d/1B1cwdaCJ2uPhqJs4fQJDcGKUgjBKl7DcNLOwsvSbxHY/edit?usp=sharing Таблица с оценками]

Оставить отзыв на курс: [http://goo.gl/forms/RwdMxnChST форма]

'''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.
Вопросы по материалам лекций лучше всего оформлять в виде [https://github.com/esokolov/ml-minor-hse/issues Issue] в [https://github.com/esokolov/ml-minor-hse github-репозитории курса].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание
|-
| ИАД-1 || || || ||
|-
| ИАД-2 || Ковалев Евгений || Мухортов Максим || [http://wiki.cs.hse.ru/%D0%9C%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%98%D0%90%D0%94-2 Wiki] || среда, 12:10-13:30, ауд. 4336
|-
| ИАД-3 || || || ||
|-
| ИАД-4 || || || ||
|-
| ИАД-5 || || || ||
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров
* Практические домашние работы на Python
* Контрольная где-то в середине курса
* Письменный 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 * Оконтрольная

Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям.

=== Правила сдачи заданий ===

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 дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

==Лекции==
[[Файл:how-to-download.png|thumb|right|200px|Файлы со слайдами очень легко скачать с GitHub с помощью кнопки Raw!]]

Лекция 1 (16.01.2018). Введение в машинное обучение и анализ данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2019/lecture01-intro.pdf Слайды]]

Лекция 2 (23.01.2018). Типы задач машинного обучения. Типы признаков. Обобщающая способность и переобучение. Примеры задач анализа данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture02-intro.pdf Слайды]]

Лекция 3 (30.01.2018). Векторы и матрицы. Норма, метрика и скалярное произведение. Качество классификации, доля верных ответов. Оценивание обобщающей способности, кросс-валидация. Гипотеза компактности. Метод k ближайших соседей. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture03-knn.pdf Слайды]]

Лекция 4 (06.02.2018). Метод k ближайших соседей в регрессии. Среднеквадратичная ошибка. Матричное умножение. Производные и градиенты. Экстремумы функций. Обучение линейной регрессии. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture04-regression.pdf Слайды]]

Лекция 5 (13.02.2018). Градиентный спуск. Линейные зависимости и мультиколлинеарность. Регуляризация линейных моделей. Масштабирование признаков. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture05-regression.pdf Слайды]]

Лекция 6 (20.02.2018). Линейная классификация. Логистическая регрессия. Оценивание вероятностей. Метрики качества классификации: accuracy, precision, recall. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture06-linclass.pdf Слайды]]

Лекция 7 (27.02.2018). Работа с категориальными признаками. Метрики качества регрессии: MSE, MAE, коэффициент детерминации. Устойчивые оценки. Качество классификации, AUC-PR, AUC-ROC. Параметры и гиперпараметры. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture07-quality.pdf Слайды]]

Лекция 8 (13.03.2018). Многоклассовая классификация, подход one-vs-all. Решающие деревья. Критерии информативности. Энтропия и энтропийный критерий для классификации. Гиперпараметры деревьев, борьба с переобучением. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture08-trees.pdf Слайды]]

Лекция 9 (20.03.2018). Композиции алгоритмов. Случайные леса [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture09-ensembles.pdf Слайды]]

Лекция 10 (17.04.2018). Понижение размерности данных. Отбор признаков: одномерные методы, отбор с помощью моделей. Визуализация данных, t-SNE. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture10-reduction.pdf Слайды]]

Лекция 11 (24.04.2018). Обучение без учителя. Примеры задач. Кластеризация: K-Means, DBSCAN, графовые методы. Представления слов. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture11-clustering.pdf Слайды]]

Лекция 12 (15.05.2018). Рекомендательные системы. Коллаборативная фильтрация, модели со скрытыми переменными. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture12-recommender.pdf Слайды]]

Лекция 13 (29.05.2018). Ранжирование. Метрики качества ранжирования. Точечные и попарные методы. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture13-ranking.pdf Слайды]]

Лекция 14 (05.06.2018). Метод опорных векторов. Задача максимизации отступа. Hinge loss. Ядровой переход. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture14-svm.pdf Слайды]]

==Семинары==

== Практические задания ==
За каждый день просрочки снимается 0.5 балла.

== Контрольная работа ==

Вопросы: https://docs.google.com/document/d/1UG6FJzJ52AEa92iKPu6uVh05RtPDF1zCBTRiuIl3juM/edit?usp=sharing

Примеры задач:
* Метрические методы, kNN [[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Примеры задач]]
* Линейные методы [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Примеры задач]]
* Решающие деревья [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Примеры задач]]
* Метрики качества [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Примеры задач]]

== Экзамен ==

Вопросы: https://docs.google.com/document/d/1YAleuHWr2Dn1brhiUUkdSkr65mtnhAvgIZxyo6sBt3E/edit?usp=sharing

[https://github.com/esokolov/ml-minor-hse/blob/master/exam-2017/exam_problems_example.pdf Примеры задач прошлого года] (также могут войти задачи из коллоквиума)

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

===Статьи===
* [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]
* [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]

===Книги===
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.
* James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.

== Страницы прошлых лет ==

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2017-2018 | 2017/18 учебный год ]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2016-2017 | 2016/17 учебный год ]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2015-2016 | 2015/16 учебный год ]]

[[Category:Майнор "Интеллектуальный анализ данных"]]

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-2

2019-01-16T08:56:47Z

Blackitten13: Новая страница: «==Организационная информация== Семинарист: Евгений Ковалев ==Ссылки== [https://t-do.ru/joinchat/Cci01Uimq…»

==Организационная информация==
Семинарист: Евгений Ковалев

==Ссылки==

[https://t-do.ru/joinchat/Cci01Uimqi_CsH7T0NKoOQ Чат в Telegram]

[https://github.com/blacKitten13/minor2019-iad2 Страница курса на github.com]

Майнор Интеллектуальный анализ данных/Введение в анализ данных

2019-01-15T18:44:01Z

Blackitten13: /* Семинары */

== О курсе ==

Курс читается для студентов 2-го курса [https://electives.hse.ru/2015/minor_intel/ майнора ИАД] в 3-4 модулях.

Проводится с 2015 года.

'''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]

Лекции проходят по средам, 10:30 - 11:50, ауд. 5306 (Шаболовка, 26).

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/219890194 Карточка курса и программа]

[https://github.com/esokolov/ml-minor-hse Репозиторий с материалами на GitHub]

Почта для сдачи домашних заданий: hse.minor.dm+<номер группы>@gmail.com (например, hse.minor.dm+3@gmail.com)

Канал в telegram для объявлений: https://telegram.me/hse_minor_intro_dm_2019

[https://docs.google.com/spreadsheets/d/1B1cwdaCJ2uPhqJs4fQJDcGKUgjBKl7DcNLOwsvSbxHY/edit?usp=sharing Таблица с оценками]

Оставить отзыв на курс: [http://goo.gl/forms/RwdMxnChST форма]

'''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.
Вопросы по материалам лекций лучше всего оформлять в виде [https://github.com/esokolov/ml-minor-hse/issues Issue] в [https://github.com/esokolov/ml-minor-hse github-репозитории курса].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание
|-
| ИАД-1 || || || ||
|-
| ИАД-2 || Ковалев Евгений || Мухортов Максим || - || среда, 12:10-13:30, ауд. 4336
|-
| ИАД-3 || || || ||
|-
| ИАД-4 || || || ||
|-
| ИАД-5 || || || ||
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров
* Практические домашние работы на Python
* Контрольная где-то в середине курса
* Письменный 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 * Оконтрольная

Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям.

=== Правила сдачи заданий ===

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 дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

==Лекции==
[[Файл:how-to-download.png|thumb|right|200px|Файлы со слайдами очень легко скачать с GitHub с помощью кнопки Raw!]]

Лекция 1 (16.01.2018). Введение в машинное обучение и анализ данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture01-intro.pdf Слайды]]

Лекция 2 (23.01.2018). Типы задач машинного обучения. Типы признаков. Обобщающая способность и переобучение. Примеры задач анализа данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture02-intro.pdf Слайды]]

Лекция 3 (30.01.2018). Векторы и матрицы. Норма, метрика и скалярное произведение. Качество классификации, доля верных ответов. Оценивание обобщающей способности, кросс-валидация. Гипотеза компактности. Метод k ближайших соседей. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture03-knn.pdf Слайды]]

Лекция 4 (06.02.2018). Метод k ближайших соседей в регрессии. Среднеквадратичная ошибка. Матричное умножение. Производные и градиенты. Экстремумы функций. Обучение линейной регрессии. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture04-regression.pdf Слайды]]

Лекция 5 (13.02.2018). Градиентный спуск. Линейные зависимости и мультиколлинеарность. Регуляризация линейных моделей. Масштабирование признаков. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture05-regression.pdf Слайды]]

Лекция 6 (20.02.2018). Линейная классификация. Логистическая регрессия. Оценивание вероятностей. Метрики качества классификации: accuracy, precision, recall. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture06-linclass.pdf Слайды]]

Лекция 7 (27.02.2018). Работа с категориальными признаками. Метрики качества регрессии: MSE, MAE, коэффициент детерминации. Устойчивые оценки. Качество классификации, AUC-PR, AUC-ROC. Параметры и гиперпараметры. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture07-quality.pdf Слайды]]

Лекция 8 (13.03.2018). Многоклассовая классификация, подход one-vs-all. Решающие деревья. Критерии информативности. Энтропия и энтропийный критерий для классификации. Гиперпараметры деревьев, борьба с переобучением. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture08-trees.pdf Слайды]]

Лекция 9 (20.03.2018). Композиции алгоритмов. Случайные леса [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture09-ensembles.pdf Слайды]]

Лекция 10 (17.04.2018). Понижение размерности данных. Отбор признаков: одномерные методы, отбор с помощью моделей. Визуализация данных, t-SNE. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture10-reduction.pdf Слайды]]

Лекция 11 (24.04.2018). Обучение без учителя. Примеры задач. Кластеризация: K-Means, DBSCAN, графовые методы. Представления слов. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture11-clustering.pdf Слайды]]

Лекция 12 (15.05.2018). Рекомендательные системы. Коллаборативная фильтрация, модели со скрытыми переменными. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture12-recommender.pdf Слайды]]

Лекция 13 (29.05.2018). Ранжирование. Метрики качества ранжирования. Точечные и попарные методы. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture13-ranking.pdf Слайды]]

Лекция 14 (05.06.2018). Метод опорных векторов. Задача максимизации отступа. Hinge loss. Ядровой переход. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture14-svm.pdf Слайды]]

==Семинары==

== Практические задания ==
За каждый день просрочки снимается 0.5 балла.

== Контрольная работа ==

Вопросы: https://docs.google.com/document/d/1UG6FJzJ52AEa92iKPu6uVh05RtPDF1zCBTRiuIl3juM/edit?usp=sharing

Примеры задач:
* Метрические методы, kNN [[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Примеры задач]]
* Линейные методы [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Примеры задач]]
* Решающие деревья [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Примеры задач]]
* Метрики качества [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Примеры задач]]

== Экзамен ==

Вопросы: https://docs.google.com/document/d/1YAleuHWr2Dn1brhiUUkdSkr65mtnhAvgIZxyo6sBt3E/edit?usp=sharing

[https://github.com/esokolov/ml-minor-hse/blob/master/exam-2017/exam_problems_example.pdf Примеры задач прошлого года] (также могут войти задачи из коллоквиума)

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

===Статьи===
* [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]
* [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]

===Книги===
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.
* James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.

== Страницы прошлых лет ==

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2017-2018 | 2017/18 учебный год ]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2016-2017 | 2016/17 учебный год ]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2015-2016 | 2015/16 учебный год ]]

[[Category:Майнор "Интеллектуальный анализ данных"]]

Машинное обучение на матфаке 2018/2019

2018-12-08T07:41:51Z

Blackitten13: /* Семинары */

== О курсе ==
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.

Лектор: [https://www.hse.ru/staff/is Щуров Илья Валерьевич]

Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.

=== Полезные ссылки ===
* [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе)
* [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/data/2018/08/28/1150124248/program-2227521178-znjnnTPmmc.pdf РПУД]
* [https://t-do.ru/joinchat/CDE3khHyzKP1U701FQtszQ Чат курса в Telegram]
* [https://docs.google.com/forms/d/e/1FAIpQLSdZDFmNf0eEMnTnuGoBoKc3v9pqioqGyCjblLXFWq-55Yc_OA/viewform Форма обратной связи] (можно анонимно)
* [https://docs.google.com/forms/d/e/1FAIpQLSd6ADbVAq6b9YK07lxBcz10eZVfUj9E-OejgHVRu4S2DoW2xA/viewform Запись на консультацию] (вторники, после лекции, консультирует Илья Щуров).
* [https://anytask.org/course/413 Курс на Anytask]
* Видео-записи лекций: [https://yadi.sk/d/MVpqXP6UxmDcjQ Яндекс.Диск], [https://www.youtube.com/channel/UC8wh_LB6mxOFYadH2l27P2Q YouTube].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! Инвайт в Anytask
|-
| 1 || Евгения Ческидова || Константин Ваниев || вторник, 12:10-13:30, ауд. 318 || ZfhBpf1
|-
| 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев] || [https://t-do.ru/svdcvt Соня Дымченко] || суббота, 12:00-13:20, ауд. 318 || 5jOWWt9
|-
|}

=== Система оценок ===
==== Формула оценки ====
Результирующая оценка по дисциплине рассчитывается по формуле:

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

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.58 * Oдз + 0.42 * OКР'''

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

==== Правила вычисления оценок ====
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. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми.

Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх.

==== 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.

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 ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Конспект !! Видео
|-
| 1 || 4 сентября || Введение в ml, постановки задач, виды данных || ||
|-
| 2 || 11 сентября || Напоминание: теория вероятностей и статистика. Случайные величины, выборки, оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:2:prob/ конспект] ||
|-
| 3 || 18 сентября || Введение в статистическую теорию принятия решений. Функция потерь, ожидаемая ошибка, регрессионная функция || [http://math-info.hse.ru/math-ml/chapter/label/chap:3:els/ конспект] ||
|-
| 4 || 25 сентября || Шум, смещение и разброс || [http://math-info.hse.ru/math-ml/chapter/label/chap:4:bias-variance/#label_chap_4_bias-variance конспект] || [https://youtu.be/7ONXfcfF5iA видео]
|-
| 5 || 2 октября || Линейная регрессия. MLE-оценки. Максимизация правдоподобия и минимизация эмпирического риска. Явный вид МНК-оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:5:linear-reg/ конспект] || [https://youtu.be/xDmPwWRtb3U видео]
|-
| 6 || 9 октября || Свойства МНК-оценки. Несмещённость. Ковариационная матрица оценки. Теорема Гаусса — Маркова. Отбор признаков || [http://math-info.hse.ru/math-ml/chapter/label/chap:6:linear-reg2/ конспект] || [https://youtu.be/3nizTmbT0Ws видео]
|}

== Семинары ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы
|-
| 1 || 8/10 сентября || Введение в numpy, pandas, matplotlib || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem01_intro Тетрадка и данные] [https://github.com/ischurov/math-ml-hse-2018/blob/master/sem01_intro/sem01_stats_basics.pdf Задачи]
|-
| 2 || 15/17 сентября || Статистические оценки, проверка гипотез || Все файлы: ([https://drive.google.com/open?id=19C3EbCb9EObKj8Dj26ctrkMJE3TA0wpr Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem02_stats/sem02_stats.ipynb тетрадка]
|-
| 3 || 22/24 сентября || метод k ближайших соседей (k-NN), кросс-валидация || Все файлы: ([https://drive.google.com/open?id=1RciXNKPgFT1RUBWJih9HtSYbUtLTJC8r Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem03_knn Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem03_knn/sem03_knn.ipynb тетрадка]
|-
| 4 || 29/1 сент/окт || метод k ближайших соседей, часть 2 || Все файлы: ([https://drive.google.com/open?id=1uq9bt8GahFZOTQTHsGMx28xZqR8Rn9zK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem04_knn2 Github])
|-
| 5 || 6/8 октября || линейная регрессия, градиентный спуск || Все файлы: ([https://drive.google.com/open?id=1-Ke6D5sK4aWiOzuKFFal-SI3Nsxy4BYh Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem05_lin_reg Github])
|-
| 6 ||13/15 октября || отбор признаков, регуляризация || Все файлы: ([https://drive.google.com/open?id=1lF7RG4F3BhUCOHmoHEOvQoFh-0PMRtOo Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem06_feature_selection_regularization Github]}
|-
| 7 ||20/30 октября || логистическая регрессия, метрики, полиномиальные признаки || Все файлы: ([https://drive.google.com/open?id=1wbDF60YrNv2zi6pSrMUd6_Aq3BE1UOCK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem07_logreg Github])
|-
| 8 ||3/6 ноября || методы автоматической обработки текстов, TF-IDF || Все файлы: ([https://drive.google.com/open?id=1fcUYJyFKSvXpGfxuEP2Sf_I7lxO04nmC Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem08_texts Github])
|-
| 9 ||10/13 ноября || решающие деревья || Все файлы: ([https://drive.google.com/open?id=1UExjy2laVgNod4xsIyiUn8hPzIsB7K2u Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem09_trees Github])
|-
| 10 ||20/24 ноября || ансамбли, градиентный бустинг || Все файлы: ([https://drive.google.com/open?id=1j30txRyFz2lJcaioOpG-ZqYTU5iF64bV Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem10_ensembles Github])
|-
| 11 ||24/27 ноября || нейронные сети, PyTorch || Все файлы: ([https://drive.google.com/open?id=13h7wGtoswUafc0T5HH5ODEOp9ZGzV6EA Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem11_pytorch_intro Github], [https://colab.research.google.com/drive/1SYSqkoRchfQW8QDc3LW8wBaNzDG6dO99 Colab])
|-
| 12 ||1/4 декабря || сверточные нейронные сети, регуляризация || Все файлы: ([https://drive.google.com/open?id=15QbCaNf_1fMH8vd0FExjd_5UjcJpU5yg Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem12_images Github])
|-
| 13 ||8/11 декабря || рекуррентные нейронные сети || Все файлы: ([https://drive.google.com/open?id=1vUlQUqq1Kea2VdPTMC_1p35yte2HZmQM Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem13_rnn Github])
|}

[https://stackoverflow.com/questions/45622602/how-to-jupyter-notebooks-from-github Как корректно скачать файл с расширением .ipynb с GitHub?]

== Домашние задания ==
* ДЗ№1: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb github], срок сдачи — 3 октября, 23:00.
* ДЗ№2: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw2/hw2.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw2 github], срок сдачи — 17 октября, 23:00.
* ДЗ№3: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw3/hw3.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw3/hw3.ipynb github] , срок сдачи — 4 ноября, 23:00.
* Соревнование на [https://www.kaggle.com/t/9c050ce0ed5742088d5660c69360ccbf Kaggle], срок сдачи 15.12.2018 23:59UTC
* ДЗ№4: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw4/hw4.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw4/hw4.ipynb github], срок сдачи — 23 декабря, 23:00.

==Соревнования==
'''Правила участия и оценивания:'''
# Необходимо использовать следующий формат для имени команды (Team -> Team Name -> Save Team Name): «Имя Фамилия МФ».
# Максимальное количество посылок в сутки 3 (начинайте заранее).
# Ближе к концу соревнования необходимо выбрать 2 посылки, которые вы считаете лучшими.
# Оценивание: максимальный score, набранный кем бы то ни было (при условии преодоления бейзлайна на 8) — 10 баллов. Score, соответствующий бейзлайну на 8 — 8 баллов. В промежутке — линейно. И т.д. Основные бейзлайны скоро будут.
# Оцениваются только решения, полученные как результат работы [https://www.kaggle.com/c/2018-hse-ml-competion-03/kernels private kernel] -- в системе уже загружены всевозможные библиотеки, которые могут вам понадобиться в работе, более того можно не выгружать данные соревнования и иметь бо́льшие (а может быть и меньшие, но у всех равные условия) вычислительные мощности, чем у вас на компьютере (14Gb RAM + GPU).
# У студента может быть только один аккаунт, соответсвенно и отправлять решения только с него.
# Как и в прошлых ДЗ -- списывание запрещено, при обнаружении плагиата работы обнуляются.
# Продление дедлайна невозможно.

В соревновании оцениваются только решения, полученные как результат работы private kernel (Kernels -> New Kernel -> пишете код там или загружаете свой код -> Commit). После того, как кернел был закоммичен, можно отправить результат его выполненения нажав кнопку "Submit to competition".

[[Файл:Submitting.png|600px|без рамки]]

Чтобы работа была оценена, необходимо дать доступ для просмотра ассистенту (@svdcvt). Сдавать нужно тот кернел, с помощью которого был получен ваш
результат на лидерборде, иначе работа обнуляется. Так же надо указать версию в названии кернела.

[[Файл:Assistant.png|600px|без рамки]]

== Новости курса ==

29.11. Появилось соревнование на кэггле: https://www.kaggle.com/t/9c050ce0ed5742088d5660c69360ccbf

23.11. Субботняя группа - завтра будет две пары не с 10:30 до 13:30, а с 12:00 до 15:00.

13.11. Новости для группы, которая ходит на семинары по субботам. В эту субботу (17.11) семинар не состоится, да и вообще факультет математики, видимо, будет закрыт. Пара переносится на субботу на следующей неделе (24.11). Таким образом, 24.11 будет две пары с 10:30 до 13:30.

18.10. Появилось ДЗ№3 (оно же — задачи для подготовки к КР).

16.10. В понедельник, 22 октября в 10:30 состоится консультация в кабинете 318 (компокласс).

15.10. Контрольная по курсу состоится 23.10 с 13:30 до 15:30 в аудитории 109. [[Машинное обучение на матфаке 2018/2019/Программа контрольной|Программа контрольной]]

11.10. Семинары группы 1 (в понедельник) перенесены теперь на вторник с 12:00 до 13:20.

10.10. Появилось ДЗ№2!

24.09. Появилось ДЗ№1!

== Полезные материалы ==
=== Базовые учебники ===
# Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition)]. Springer, 2009.
# Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning]. Springer, 2006.

=== Дополнительная литература ===
# Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
# 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.

=== Разные хорошие ссылки ===

# [https://betanalpha.github.io/assets/case_studies/conditional_probability_theory.html Об условных вероятностях].
# [https://mml-book.github.io Mathematics for Machine Learning] — книга с математическим введением в машинное обучение. Вам могут быть особенно интересно главы про теорию вероятностей.

Машинное обучение на матфаке 2018/2019

2018-12-04T12:38:13Z

Blackitten13:

== О курсе ==
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.

Лектор: [https://www.hse.ru/staff/is Щуров Илья Валерьевич]

Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.

=== Полезные ссылки ===
* [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе)
* [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/data/2018/08/28/1150124248/program-2227521178-znjnnTPmmc.pdf РПУД]
* [https://t-do.ru/joinchat/CDE3khHyzKP1U701FQtszQ Чат курса в Telegram]
* [https://docs.google.com/forms/d/e/1FAIpQLSdZDFmNf0eEMnTnuGoBoKc3v9pqioqGyCjblLXFWq-55Yc_OA/viewform Форма обратной связи] (можно анонимно)
* [https://docs.google.com/forms/d/e/1FAIpQLSd6ADbVAq6b9YK07lxBcz10eZVfUj9E-OejgHVRu4S2DoW2xA/viewform Запись на консультацию] (вторники, после лекции, консультирует Илья Щуров).
* [https://anytask.org/course/413 Курс на Anytask]
* Видео-записи лекций: [https://yadi.sk/d/MVpqXP6UxmDcjQ Яндекс.Диск], [https://www.youtube.com/channel/UC8wh_LB6mxOFYadH2l27P2Q YouTube].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! Инвайт в Anytask
|-
| 1 || Евгения Ческидова || Константин Ваниев || вторник, 12:10-13:30, ауд. 318 || ZfhBpf1
|-
| 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев] || [https://t-do.ru/svdcvt Соня Дымченко] || суббота, 12:00-13:20, ауд. 318 || 5jOWWt9
|-
|}

=== Система оценок ===
==== Формула оценки ====
Результирующая оценка по дисциплине рассчитывается по формуле:

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

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.58 * Oдз + 0.42 * OКР'''

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

==== Правила вычисления оценок ====
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. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми.

Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх.

==== 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.

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 ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Конспект !! Видео
|-
| 1 || 4 сентября || Введение в ml, постановки задач, виды данных || ||
|-
| 2 || 11 сентября || Напоминание: теория вероятностей и статистика. Случайные величины, выборки, оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:2:prob/ конспект] ||
|-
| 3 || 18 сентября || Введение в статистическую теорию принятия решений. Функция потерь, ожидаемая ошибка, регрессионная функция || [http://math-info.hse.ru/math-ml/chapter/label/chap:3:els/ конспект] ||
|-
| 4 || 25 сентября || Шум, смещение и разброс || [http://math-info.hse.ru/math-ml/chapter/label/chap:4:bias-variance/#label_chap_4_bias-variance конспект] || [https://youtu.be/7ONXfcfF5iA видео]
|-
| 5 || 2 октября || Линейная регрессия. MLE-оценки. Максимизация правдоподобия и минимизация эмпирического риска. Явный вид МНК-оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:5:linear-reg/ конспект] || [https://youtu.be/xDmPwWRtb3U видео]
|-
| 6 || 9 октября || Свойства МНК-оценки. Несмещённость. Ковариационная матрица оценки. Теорема Гаусса — Маркова. Отбор признаков || [http://math-info.hse.ru/math-ml/chapter/label/chap:6:linear-reg2/ конспект] || [https://youtu.be/3nizTmbT0Ws видео]
|}

== Семинары ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы
|-
| 1 || 8/10 сентября || Введение в numpy, pandas, matplotlib || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem01_intro Тетрадка и данные] [https://github.com/ischurov/math-ml-hse-2018/blob/master/sem01_intro/sem01_stats_basics.pdf Задачи]
|-
| 2 || 15/17 сентября || Статистические оценки, проверка гипотез || Все файлы: ([https://drive.google.com/open?id=19C3EbCb9EObKj8Dj26ctrkMJE3TA0wpr Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem02_stats/sem02_stats.ipynb тетрадка]
|-
| 3 || 22/24 сентября || метод k ближайших соседей (k-NN), кросс-валидация || Все файлы: ([https://drive.google.com/open?id=1RciXNKPgFT1RUBWJih9HtSYbUtLTJC8r Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem03_knn Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem03_knn/sem03_knn.ipynb тетрадка]
|-
| 4 || 29/1 сент/окт || метод k ближайших соседей, часть 2 || Все файлы: ([https://drive.google.com/open?id=1uq9bt8GahFZOTQTHsGMx28xZqR8Rn9zK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem04_knn2 Github])
|-
| 5 || 6/8 октября || линейная регрессия, градиентный спуск || Все файлы: ([https://drive.google.com/open?id=1-Ke6D5sK4aWiOzuKFFal-SI3Nsxy4BYh Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem05_lin_reg Github])
|-
| 6 ||13/15 октября || отбор признаков, регуляризация || Все файлы: ([https://drive.google.com/open?id=1lF7RG4F3BhUCOHmoHEOvQoFh-0PMRtOo Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem06_feature_selection_regularization Github]}
|-
| 7 ||20/30 октября || логистическая регрессия, метрики, полиномиальные признаки || Все файлы: ([https://drive.google.com/open?id=1wbDF60YrNv2zi6pSrMUd6_Aq3BE1UOCK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem07_logreg Github])
|-
| 8 ||3/6 ноября || методы автоматической обработки текстов, TF-IDF || Все файлы: ([https://drive.google.com/open?id=1fcUYJyFKSvXpGfxuEP2Sf_I7lxO04nmC Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem08_texts Github])
|-
| 9 ||10/13 ноября || решающие деревья || Все файлы: ([https://drive.google.com/open?id=1UExjy2laVgNod4xsIyiUn8hPzIsB7K2u Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem09_trees Github])
|-
| 10 ||20/24 ноября || ансамбли, градиентный бустинг || Все файлы: ([https://drive.google.com/open?id=1j30txRyFz2lJcaioOpG-ZqYTU5iF64bV Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem10_ensembles Github])
|-
| 11 ||24/27 ноября || нейронные сети, PyTorch || Все файлы: ([https://drive.google.com/open?id=13h7wGtoswUafc0T5HH5ODEOp9ZGzV6EA Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem11_pytorch_intro Github], [https://colab.research.google.com/drive/1SYSqkoRchfQW8QDc3LW8wBaNzDG6dO99 Colab])
|-
| 12 ||1/4 декабря || сверточные нейронные сети, регуляризация || Все файлы: ([https://drive.google.com/open?id=15QbCaNf_1fMH8vd0FExjd_5UjcJpU5yg Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem12_images Github])
|}

[https://stackoverflow.com/questions/45622602/how-to-jupyter-notebooks-from-github Как корректно скачать файл с расширением .ipynb с GitHub?]

== Домашние задания ==
* ДЗ№1: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb github], срок сдачи — 3 октября, 23:00.
* ДЗ№2: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw2/hw2.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw2 github], срок сдачи — 17 октября, 23:00.
* ДЗ№3: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw3/hw3.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw3/hw3.ipynb github] , срок сдачи — 4 ноября, 23:00.

== Новости курса ==

29.11. Появилось соревнование на кэггле: https://www.kaggle.com/t/9c050ce0ed5742088d5660c69360ccbf

23.11. Субботняя группа - завтра будет две пары не с 10:30 до 13:30, а с 12:00 до 15:00.

13.11. Новости для группы, которая ходит на семинары по субботам. В эту субботу (17.11) семинар не состоится, да и вообще факультет математики, видимо, будет закрыт. Пара переносится на субботу на следующей неделе (24.11). Таким образом, 24.11 будет две пары с 10:30 до 13:30.

18.10. Появилось ДЗ№3 (оно же — задачи для подготовки к КР).

16.10. В понедельник, 22 октября в 10:30 состоится консультация в кабинете 318 (компокласс).

15.10. Контрольная по курсу состоится 23.10 с 13:30 до 15:30 в аудитории 109. [[Машинное обучение на матфаке 2018/2019/Программа контрольной|Программа контрольной]]

11.10. Семинары группы 1 (в понедельник) перенесены теперь на вторник с 12:00 до 13:20.

10.10. Появилось ДЗ№2!

24.09. Появилось ДЗ№1!

== Полезные материалы ==
=== Базовые учебники ===
# Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition)]. Springer, 2009.
# Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning]. Springer, 2006.

=== Дополнительная литература ===
# Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
# 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.

=== Разные хорошие ссылки ===

# [https://betanalpha.github.io/assets/case_studies/conditional_probability_theory.html Об условных вероятностях].
# [https://mml-book.github.io Mathematics for Machine Learning] — книга с математическим введением в машинное обучение. Вам могут быть особенно интересно главы про теорию вероятностей.

Машинное обучение на матфаке 2018/2019

2018-12-01T16:16:56Z

Blackitten13: /* Семинары */

== О курсе ==
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.

Лектор: [https://www.hse.ru/staff/is Щуров Илья Валерьевич]

Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.

=== Полезные ссылки ===
* [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе)
* [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/data/2018/08/28/1150124248/program-2227521178-znjnnTPmmc.pdf РПУД]
* [https://t-do.ru/joinchat/CDE3khHyzKP1U701FQtszQ Чат курса в Telegram]
* [https://docs.google.com/forms/d/e/1FAIpQLSdZDFmNf0eEMnTnuGoBoKc3v9pqioqGyCjblLXFWq-55Yc_OA/viewform Форма обратной связи] (можно анонимно)
* [https://docs.google.com/forms/d/e/1FAIpQLSd6ADbVAq6b9YK07lxBcz10eZVfUj9E-OejgHVRu4S2DoW2xA/viewform Запись на консультацию] (вторники, после лекции, консультирует Илья Щуров).
* [https://anytask.org/course/413 Курс на Anytask]
* Видео-записи лекций: [https://yadi.sk/d/MVpqXP6UxmDcjQ Яндекс.Диск], [https://www.youtube.com/channel/UC8wh_LB6mxOFYadH2l27P2Q YouTube].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! Инвайт в Anytask
|-
| 1 || Евгения Ческидова || Константин Ваниев || вторник, 12:10-13:30, ауд. 318 || ZfhBpf1
|-
| 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев] || [https://t-do.ru/svdcvt Соня Дымченко] || суббота, 12:00-13:20, ауд. 318 || 5jOWWt9
|-
|}

=== Система оценок ===
==== Формула оценки ====
Результирующая оценка по дисциплине рассчитывается по формуле:

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

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.58 * Oдз + 0.42 * OКР'''

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

==== Правила вычисления оценок ====
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. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми.

Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх.

==== 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.

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 ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Конспект !! Видео
|-
| 1 || 4 сентября || Введение в ml, постановки задач, виды данных || ||
|-
| 2 || 11 сентября || Напоминание: теория вероятностей и статистика. Случайные величины, выборки, оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:2:prob/ конспект] ||
|-
| 3 || 18 сентября || Введение в статистическую теорию принятия решений. Функция потерь, ожидаемая ошибка, регрессионная функция || [http://math-info.hse.ru/math-ml/chapter/label/chap:3:els/ конспект] ||
|-
| 4 || 25 сентября || Шум, смещение и разброс || [http://math-info.hse.ru/math-ml/chapter/label/chap:4:bias-variance/#label_chap_4_bias-variance конспект] || [https://youtu.be/7ONXfcfF5iA видео]
|-
| 5 || 2 октября || Линейная регрессия. MLE-оценки. Максимизация правдоподобия и минимизация эмпирического риска. Явный вид МНК-оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:5:linear-reg/ конспект] || [https://youtu.be/xDmPwWRtb3U видео]
|-
| 6 || 9 октября || Свойства МНК-оценки. Несмещённость. Ковариационная матрица оценки. Теорема Гаусса — Маркова. Отбор признаков || [http://math-info.hse.ru/math-ml/chapter/label/chap:6:linear-reg2/ конспект] || [https://youtu.be/3nizTmbT0Ws видео]
|}

== Семинары ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы
|-
| 1 || 8/10 сентября || Введение в numpy, pandas, matplotlib || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem01_intro Тетрадка и данные] [https://github.com/ischurov/math-ml-hse-2018/blob/master/sem01_intro/sem01_stats_basics.pdf Задачи]
|-
| 2 || 15/17 сентября || Статистические оценки, проверка гипотез || Все файлы: ([https://drive.google.com/open?id=19C3EbCb9EObKj8Dj26ctrkMJE3TA0wpr Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem02_stats/sem02_stats.ipynb тетрадка]
|-
| 3 || 22/24 сентября || метод k ближайших соседей (k-NN), кросс-валидация || Все файлы: ([https://drive.google.com/open?id=1RciXNKPgFT1RUBWJih9HtSYbUtLTJC8r Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem03_knn Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem03_knn/sem03_knn.ipynb тетрадка]
|-
| 4 || 29/1 сент/окт || метод k ближайших соседей, часть 2 || Все файлы: ([https://drive.google.com/open?id=1uq9bt8GahFZOTQTHsGMx28xZqR8Rn9zK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem04_knn2 Github])
|-
| 5 || 6/8 октября || линейная регрессия, градиентный спуск || Все файлы: ([https://drive.google.com/open?id=1-Ke6D5sK4aWiOzuKFFal-SI3Nsxy4BYh Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem05_lin_reg Github])
|-
| 6 ||13/15 октября || отбор признаков, регуляризация || Все файлы: ([https://drive.google.com/open?id=1lF7RG4F3BhUCOHmoHEOvQoFh-0PMRtOo Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem06_feature_selection_regularization Github]}
|-
| 7 ||20/30 октября || логистическая регрессия, метрики, полиномиальные признаки || Все файлы: ([https://drive.google.com/open?id=1wbDF60YrNv2zi6pSrMUd6_Aq3BE1UOCK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem07_logreg Github])
|-
| 8 ||3/6 ноября || методы автоматической обработки текстов, TF-IDF || Все файлы: ([https://drive.google.com/open?id=1fcUYJyFKSvXpGfxuEP2Sf_I7lxO04nmC Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem08_texts Github])
|-
| 9 ||10/13 ноября || решающие деревья || Все файлы: ([https://drive.google.com/open?id=1UExjy2laVgNod4xsIyiUn8hPzIsB7K2u Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem09_trees Github])
|-
| 10 ||20/24 ноября || ансамбли, градиентный бустинг || Все файлы: ([https://drive.google.com/open?id=1j30txRyFz2lJcaioOpG-ZqYTU5iF64bV Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem10_ensembles Github])
|-
| 11 ||24/27 ноября || нейронные сети, PyTorch || Все файлы: ([https://drive.google.com/open?id=13h7wGtoswUafc0T5HH5ODEOp9ZGzV6EA Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem11_pytorch_intro Github], [https://colab.research.google.com/drive/1SYSqkoRchfQW8QDc3LW8wBaNzDG6dO99 Colab])
|-
| 12 ||1/4 декабря || сверточные нейронные сети, регуляризация || Все файлы: ([https://drive.google.com/open?id=15QbCaNf_1fMH8vd0FExjd_5UjcJpU5yg Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem12_images Github])
|}

[https://stackoverflow.com/questions/45622602/how-to-jupyter-notebooks-from-github Как корректно скачать файл с расширением .ipynb с GitHub?]

== Домашние задания ==
* ДЗ№1: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb github], срок сдачи — 3 октября, 23:00.
* ДЗ№2: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw2/hw2.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw2 github], срок сдачи — 17 октября, 23:00.
* ДЗ№3: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw3/hw3.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw3/hw3.ipynb github] , срок сдачи — 4 ноября, 23:00.

== Новости курса ==

23.11. Субботняя группа - завтра будет две пары не с 10:30 до 13:30, а с 12:00 до 15:00.

13.11. Новости для группы, которая ходит на семинары по субботам. В эту субботу (17.11) семинар не состоится, да и вообще факультет математики, видимо, будет закрыт. Пара переносится на субботу на следующей неделе (24.11). Таким образом, 24.11 будет две пары с 10:30 до 13:30.

18.10. Появилось ДЗ№3 (оно же — задачи для подготовки к КР).

16.10. В понедельник, 22 октября в 10:30 состоится консультация в кабинете 318 (компокласс).

15.10. Контрольная по курсу состоится 23.10 с 13:30 до 15:30 в аудитории 109. [[Машинное обучение на матфаке 2018/2019/Программа контрольной|Программа контрольной]]

11.10. Семинары группы 1 (в понедельник) перенесены теперь на вторник с 12:00 до 13:20.

10.10. Появилось ДЗ№2!

24.09. Появилось ДЗ№1!

== Полезные материалы ==
=== Базовые учебники ===
# Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition)]. Springer, 2009.
# Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning]. Springer, 2006.

=== Дополнительная литература ===
# Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
# 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.

=== Разные хорошие ссылки ===

# [https://betanalpha.github.io/assets/case_studies/conditional_probability_theory.html Об условных вероятностях].
# [https://mml-book.github.io Mathematics for Machine Learning] — книга с математическим введением в машинное обучение. Вам могут быть особенно интересно главы про теорию вероятностей.

Машинное обучение на матфаке 2018/2019

2018-12-01T09:27:55Z

Blackitten13: /* Семинары */

== О курсе ==
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.

Лектор: [https://www.hse.ru/staff/is Щуров Илья Валерьевич]

Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.

=== Полезные ссылки ===
* [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе)
* [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/data/2018/08/28/1150124248/program-2227521178-znjnnTPmmc.pdf РПУД]
* [https://t-do.ru/joinchat/CDE3khHyzKP1U701FQtszQ Чат курса в Telegram]
* [https://docs.google.com/forms/d/e/1FAIpQLSdZDFmNf0eEMnTnuGoBoKc3v9pqioqGyCjblLXFWq-55Yc_OA/viewform Форма обратной связи] (можно анонимно)
* [https://docs.google.com/forms/d/e/1FAIpQLSd6ADbVAq6b9YK07lxBcz10eZVfUj9E-OejgHVRu4S2DoW2xA/viewform Запись на консультацию] (вторники, после лекции, консультирует Илья Щуров).
* [https://anytask.org/course/413 Курс на Anytask]
* Видео-записи лекций: [https://yadi.sk/d/MVpqXP6UxmDcjQ Яндекс.Диск], [https://www.youtube.com/channel/UC8wh_LB6mxOFYadH2l27P2Q YouTube].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! Инвайт в Anytask
|-
| 1 || Евгения Ческидова || Константин Ваниев || вторник, 12:10-13:30, ауд. 318 || ZfhBpf1
|-
| 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев] || [https://t-do.ru/svdcvt Соня Дымченко] || суббота, 12:00-13:20, ауд. 318 || 5jOWWt9
|-
|}

=== Система оценок ===
==== Формула оценки ====
Результирующая оценка по дисциплине рассчитывается по формуле:

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

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.58 * Oдз + 0.42 * OКР'''

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

==== Правила вычисления оценок ====
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. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми.

Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх.

==== 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.

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 ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Конспект !! Видео
|-
| 1 || 4 сентября || Введение в ml, постановки задач, виды данных || ||
|-
| 2 || 11 сентября || Напоминание: теория вероятностей и статистика. Случайные величины, выборки, оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:2:prob/ конспект] ||
|-
| 3 || 18 сентября || Введение в статистическую теорию принятия решений. Функция потерь, ожидаемая ошибка, регрессионная функция || [http://math-info.hse.ru/math-ml/chapter/label/chap:3:els/ конспект] ||
|-
| 4 || 25 сентября || Шум, смещение и разброс || [http://math-info.hse.ru/math-ml/chapter/label/chap:4:bias-variance/#label_chap_4_bias-variance конспект] || [https://youtu.be/7ONXfcfF5iA видео]
|-
| 5 || 2 октября || Линейная регрессия. MLE-оценки. Максимизация правдоподобия и минимизация эмпирического риска. Явный вид МНК-оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:5:linear-reg/ конспект] || [https://youtu.be/xDmPwWRtb3U видео]
|-
| 6 || 9 октября || Свойства МНК-оценки. Несмещённость. Ковариационная матрица оценки. Теорема Гаусса — Маркова. Отбор признаков || [http://math-info.hse.ru/math-ml/chapter/label/chap:6:linear-reg2/ конспект] || [https://youtu.be/3nizTmbT0Ws видео]
|}

== Семинары ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы
|-
| 1 || 8/10 сентября || Введение в numpy, pandas, matplotlib || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem01_intro Тетрадка и данные] [https://github.com/ischurov/math-ml-hse-2018/blob/master/sem01_intro/sem01_stats_basics.pdf Задачи]
|-
| 2 || 15/17 сентября || Статистические оценки, проверка гипотез || Все файлы: ([https://drive.google.com/open?id=19C3EbCb9EObKj8Dj26ctrkMJE3TA0wpr Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem02_stats/sem02_stats.ipynb тетрадка]
|-
| 3 || 22/24 сентября || метод k ближайших соседей (k-NN), кросс-валидация || Все файлы: ([https://drive.google.com/open?id=1RciXNKPgFT1RUBWJih9HtSYbUtLTJC8r Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem03_knn Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem03_knn/sem03_knn.ipynb тетрадка]
|-
| 4 || 29/1 сент/окт || метод k ближайших соседей, часть 2 || Все файлы: ([https://drive.google.com/open?id=1uq9bt8GahFZOTQTHsGMx28xZqR8Rn9zK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem04_knn2 Github])
|-
| 5 || 6/8 октября || линейная регрессия, градиентный спуск || Все файлы: ([https://drive.google.com/open?id=1-Ke6D5sK4aWiOzuKFFal-SI3Nsxy4BYh Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem05_lin_reg Github])
|-
| 6 ||13/15 октября || отбор признаков, регуляризация || Все файлы: ([https://drive.google.com/open?id=1lF7RG4F3BhUCOHmoHEOvQoFh-0PMRtOo Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem06_feature_selection_regularization Github]}
|-
| 7 ||20/30 октября || логистическая регрессия, метрики, полиномиальные признаки || Все файлы: ([https://drive.google.com/open?id=1wbDF60YrNv2zi6pSrMUd6_Aq3BE1UOCK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem07_logreg Github])
|-
| 8 ||3/6 ноября || методы автоматической обработки текстов, TF-IDF || Все файлы: ([https://drive.google.com/open?id=1fcUYJyFKSvXpGfxuEP2Sf_I7lxO04nmC Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem08_texts Github])
|-
| 9 ||10/13 ноября || решающие деревья || Все файлы: ([https://drive.google.com/open?id=1UExjy2laVgNod4xsIyiUn8hPzIsB7K2u Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem09_trees Github])
|-
| 10 ||20/24 ноября || ансамбли, градиентный бустинг || Все файлы: ([https://drive.google.com/open?id=1j30txRyFz2lJcaioOpG-ZqYTU5iF64bV Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem10_ensembles Github])
|-
| 11 ||24/27 ноября || нейронные сети, PyTorch || Все файлы: ([https://drive.google.com/open?id=13h7wGtoswUafc0T5HH5ODEOp9ZGzV6EA Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem11_pytorch_intro Github], [https://colab.research.google.com/drive/1SYSqkoRchfQW8QDc3LW8wBaNzDG6dO99 Colab])
|-
| 12 ||1/4 декабря || сверточные нейронные сети, регуляризация || Все файлы: ([https://drive.google.com/open?id=15QbCaNf_1fMH8vd0FExjd_5UjcJpU5yg Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem12_images Github], [https://drive.google.com/open?id=1CN5EpMvUcSI2XS8cDztxIn9rJbjDW02s, Colab])
|}

[https://stackoverflow.com/questions/45622602/how-to-jupyter-notebooks-from-github Как корректно скачать файл с расширением .ipynb с GitHub?]

== Домашние задания ==
* ДЗ№1: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb github], срок сдачи — 3 октября, 23:00.
* ДЗ№2: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw2/hw2.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw2 github], срок сдачи — 17 октября, 23:00.
* ДЗ№3: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw3/hw3.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw3/hw3.ipynb github] , срок сдачи — 4 ноября, 23:00.

== Новости курса ==

23.11. Субботняя группа - завтра будет две пары не с 10:30 до 13:30, а с 12:00 до 15:00.

13.11. Новости для группы, которая ходит на семинары по субботам. В эту субботу (17.11) семинар не состоится, да и вообще факультет математики, видимо, будет закрыт. Пара переносится на субботу на следующей неделе (24.11). Таким образом, 24.11 будет две пары с 10:30 до 13:30.

18.10. Появилось ДЗ№3 (оно же — задачи для подготовки к КР).

16.10. В понедельник, 22 октября в 10:30 состоится консультация в кабинете 318 (компокласс).

15.10. Контрольная по курсу состоится 23.10 с 13:30 до 15:30 в аудитории 109. [[Машинное обучение на матфаке 2018/2019/Программа контрольной|Программа контрольной]]

11.10. Семинары группы 1 (в понедельник) перенесены теперь на вторник с 12:00 до 13:20.

10.10. Появилось ДЗ№2!

24.09. Появилось ДЗ№1!

== Полезные материалы ==
=== Базовые учебники ===
# Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition)]. Springer, 2009.
# Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning]. Springer, 2006.

=== Дополнительная литература ===
# Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
# 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.

=== Разные хорошие ссылки ===

# [https://betanalpha.github.io/assets/case_studies/conditional_probability_theory.html Об условных вероятностях].
# [https://mml-book.github.io Mathematics for Machine Learning] — книга с математическим введением в машинное обучение. Вам могут быть особенно интересно главы про теорию вероятностей.

Машинное обучение на матфаке 2018/2019

2018-12-01T09:21:57Z

Blackitten13: /* Семинары */

== О курсе ==
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.

Лектор: [https://www.hse.ru/staff/is Щуров Илья Валерьевич]

Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.

=== Полезные ссылки ===
* [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе)
* [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/data/2018/08/28/1150124248/program-2227521178-znjnnTPmmc.pdf РПУД]
* [https://t-do.ru/joinchat/CDE3khHyzKP1U701FQtszQ Чат курса в Telegram]
* [https://docs.google.com/forms/d/e/1FAIpQLSdZDFmNf0eEMnTnuGoBoKc3v9pqioqGyCjblLXFWq-55Yc_OA/viewform Форма обратной связи] (можно анонимно)
* [https://docs.google.com/forms/d/e/1FAIpQLSd6ADbVAq6b9YK07lxBcz10eZVfUj9E-OejgHVRu4S2DoW2xA/viewform Запись на консультацию] (вторники, после лекции, консультирует Илья Щуров).
* [https://anytask.org/course/413 Курс на Anytask]
* Видео-записи лекций: [https://yadi.sk/d/MVpqXP6UxmDcjQ Яндекс.Диск], [https://www.youtube.com/channel/UC8wh_LB6mxOFYadH2l27P2Q YouTube].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! Инвайт в Anytask
|-
| 1 || Евгения Ческидова || Константин Ваниев || вторник, 12:10-13:30, ауд. 318 || ZfhBpf1
|-
| 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев] || [https://t-do.ru/svdcvt Соня Дымченко] || суббота, 12:00-13:20, ауд. 318 || 5jOWWt9
|-
|}

=== Система оценок ===
==== Формула оценки ====
Результирующая оценка по дисциплине рассчитывается по формуле:

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

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.58 * Oдз + 0.42 * OКР'''

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

==== Правила вычисления оценок ====
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. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми.

Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх.

==== 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.

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 ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Конспект !! Видео
|-
| 1 || 4 сентября || Введение в ml, постановки задач, виды данных || ||
|-
| 2 || 11 сентября || Напоминание: теория вероятностей и статистика. Случайные величины, выборки, оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:2:prob/ конспект] ||
|-
| 3 || 18 сентября || Введение в статистическую теорию принятия решений. Функция потерь, ожидаемая ошибка, регрессионная функция || [http://math-info.hse.ru/math-ml/chapter/label/chap:3:els/ конспект] ||
|-
| 4 || 25 сентября || Шум, смещение и разброс || [http://math-info.hse.ru/math-ml/chapter/label/chap:4:bias-variance/#label_chap_4_bias-variance конспект] || [https://youtu.be/7ONXfcfF5iA видео]
|-
| 5 || 2 октября || Линейная регрессия. MLE-оценки. Максимизация правдоподобия и минимизация эмпирического риска. Явный вид МНК-оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:5:linear-reg/ конспект] || [https://youtu.be/xDmPwWRtb3U видео]
|-
| 6 || 9 октября || Свойства МНК-оценки. Несмещённость. Ковариационная матрица оценки. Теорема Гаусса — Маркова. Отбор признаков || [http://math-info.hse.ru/math-ml/chapter/label/chap:6:linear-reg2/ конспект] || [https://youtu.be/3nizTmbT0Ws видео]
|}

== Семинары ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы
|-
| 1 || 8/10 сентября || Введение в numpy, pandas, matplotlib || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem01_intro Тетрадка и данные] [https://github.com/ischurov/math-ml-hse-2018/blob/master/sem01_intro/sem01_stats_basics.pdf Задачи]
|-
| 2 || 15/17 сентября || Статистические оценки, проверка гипотез || Все файлы: ([https://drive.google.com/open?id=19C3EbCb9EObKj8Dj26ctrkMJE3TA0wpr Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem02_stats/sem02_stats.ipynb тетрадка]
|-
| 3 || 22/24 сентября || метод k ближайших соседей (k-NN), кросс-валидация || Все файлы: ([https://drive.google.com/open?id=1RciXNKPgFT1RUBWJih9HtSYbUtLTJC8r Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem03_knn Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem03_knn/sem03_knn.ipynb тетрадка]
|-
| 4 || 29/1 сент/окт || метод k ближайших соседей, часть 2 || Все файлы: ([https://drive.google.com/open?id=1uq9bt8GahFZOTQTHsGMx28xZqR8Rn9zK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem04_knn2 Github])
|-
| 5 || 6/8 октября || линейная регрессия, градиентный спуск || Все файлы: ([https://drive.google.com/open?id=1-Ke6D5sK4aWiOzuKFFal-SI3Nsxy4BYh Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem05_lin_reg Github])
|-
| 6 ||13/15 октября || отбор признаков, регуляризация || Все файлы: ([https://drive.google.com/open?id=1lF7RG4F3BhUCOHmoHEOvQoFh-0PMRtOo Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem06_feature_selection_regularization Github]}
|-
| 7 ||20/30 октября || логистическая регрессия, метрики, полиномиальные признаки || Все файлы: ([https://drive.google.com/open?id=1wbDF60YrNv2zi6pSrMUd6_Aq3BE1UOCK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem07_logreg Github])
|-
| 8 ||3/6 ноября || методы автоматической обработки текстов, TF-IDF || Все файлы: ([https://drive.google.com/open?id=1fcUYJyFKSvXpGfxuEP2Sf_I7lxO04nmC Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem08_texts Github])
|-
| 9 ||10/13 ноября || решающие деревья || Все файлы: ([https://drive.google.com/open?id=1UExjy2laVgNod4xsIyiUn8hPzIsB7K2u Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem09_trees Github])
|-
| 10 ||20/24 ноября || ансамбли, градиентный бустинг || Все файлы: ([https://drive.google.com/open?id=1j30txRyFz2lJcaioOpG-ZqYTU5iF64bV Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem10_ensembles Github])
|-
| 11 ||24/27 ноября || нейронные сети, PyTorch || Все файлы: ([https://drive.google.com/open?id=13h7wGtoswUafc0T5HH5ODEOp9ZGzV6EA Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem11_pytorch_intro Github], [https://colab.research.google.com/drive/1SYSqkoRchfQW8QDc3LW8wBaNzDG6dO99 Colab])
|-
| 12 ||1/4 декабря || сверточные нейронные сети, регуляризация || Все файлы: ([https://drive.google.com/open?id=15QbCaNf_1fMH8vd0FExjd_5UjcJpU5yg Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem12_images Github], [https://colab.research.google.com/drive/1Ml8rZkbvCF9SOt2HedIPhdnYhaeUfO6-#scrollTo=j24ICQcVEnXI, Colab])
|}

[https://stackoverflow.com/questions/45622602/how-to-jupyter-notebooks-from-github Как корректно скачать файл с расширением .ipynb с GitHub?]

== Домашние задания ==
* ДЗ№1: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb github], срок сдачи — 3 октября, 23:00.
* ДЗ№2: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw2/hw2.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw2 github], срок сдачи — 17 октября, 23:00.
* ДЗ№3: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw3/hw3.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw3/hw3.ipynb github] , срок сдачи — 4 ноября, 23:00.

== Новости курса ==

23.11. Субботняя группа - завтра будет две пары не с 10:30 до 13:30, а с 12:00 до 15:00.

13.11. Новости для группы, которая ходит на семинары по субботам. В эту субботу (17.11) семинар не состоится, да и вообще факультет математики, видимо, будет закрыт. Пара переносится на субботу на следующей неделе (24.11). Таким образом, 24.11 будет две пары с 10:30 до 13:30.

18.10. Появилось ДЗ№3 (оно же — задачи для подготовки к КР).

16.10. В понедельник, 22 октября в 10:30 состоится консультация в кабинете 318 (компокласс).

15.10. Контрольная по курсу состоится 23.10 с 13:30 до 15:30 в аудитории 109. [[Машинное обучение на матфаке 2018/2019/Программа контрольной|Программа контрольной]]

11.10. Семинары группы 1 (в понедельник) перенесены теперь на вторник с 12:00 до 13:20.

10.10. Появилось ДЗ№2!

24.09. Появилось ДЗ№1!

== Полезные материалы ==
=== Базовые учебники ===
# Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition)]. Springer, 2009.
# Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning]. Springer, 2006.

=== Дополнительная литература ===
# Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
# 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.

=== Разные хорошие ссылки ===

# [https://betanalpha.github.io/assets/case_studies/conditional_probability_theory.html Об условных вероятностях].
# [https://mml-book.github.io Mathematics for Machine Learning] — книга с математическим введением в машинное обучение. Вам могут быть особенно интересно главы про теорию вероятностей.

Машинное обучение на матфаке 2018/2019

2018-12-01T09:17:46Z

Blackitten13: /* Семинары */

== О курсе ==
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.

Лектор: [https://www.hse.ru/staff/is Щуров Илья Валерьевич]

Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.

=== Полезные ссылки ===
* [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе)
* [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/data/2018/08/28/1150124248/program-2227521178-znjnnTPmmc.pdf РПУД]
* [https://t-do.ru/joinchat/CDE3khHyzKP1U701FQtszQ Чат курса в Telegram]
* [https://docs.google.com/forms/d/e/1FAIpQLSdZDFmNf0eEMnTnuGoBoKc3v9pqioqGyCjblLXFWq-55Yc_OA/viewform Форма обратной связи] (можно анонимно)
* [https://docs.google.com/forms/d/e/1FAIpQLSd6ADbVAq6b9YK07lxBcz10eZVfUj9E-OejgHVRu4S2DoW2xA/viewform Запись на консультацию] (вторники, после лекции, консультирует Илья Щуров).
* [https://anytask.org/course/413 Курс на Anytask]
* Видео-записи лекций: [https://yadi.sk/d/MVpqXP6UxmDcjQ Яндекс.Диск], [https://www.youtube.com/channel/UC8wh_LB6mxOFYadH2l27P2Q YouTube].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! Инвайт в Anytask
|-
| 1 || Евгения Ческидова || Константин Ваниев || вторник, 12:10-13:30, ауд. 318 || ZfhBpf1
|-
| 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев] || [https://t-do.ru/svdcvt Соня Дымченко] || суббота, 12:00-13:20, ауд. 318 || 5jOWWt9
|-
|}

=== Система оценок ===
==== Формула оценки ====
Результирующая оценка по дисциплине рассчитывается по формуле:

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

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.58 * Oдз + 0.42 * OКР'''

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

==== Правила вычисления оценок ====
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. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми.

Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх.

==== 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.

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 ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Конспект !! Видео
|-
| 1 || 4 сентября || Введение в ml, постановки задач, виды данных || ||
|-
| 2 || 11 сентября || Напоминание: теория вероятностей и статистика. Случайные величины, выборки, оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:2:prob/ конспект] ||
|-
| 3 || 18 сентября || Введение в статистическую теорию принятия решений. Функция потерь, ожидаемая ошибка, регрессионная функция || [http://math-info.hse.ru/math-ml/chapter/label/chap:3:els/ конспект] ||
|-
| 4 || 25 сентября || Шум, смещение и разброс || [http://math-info.hse.ru/math-ml/chapter/label/chap:4:bias-variance/#label_chap_4_bias-variance конспект] || [https://youtu.be/7ONXfcfF5iA видео]
|-
| 5 || 2 октября || Линейная регрессия. MLE-оценки. Максимизация правдоподобия и минимизация эмпирического риска. Явный вид МНК-оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:5:linear-reg/ конспект] || [https://youtu.be/xDmPwWRtb3U видео]
|-
| 6 || 9 октября || Свойства МНК-оценки. Несмещённость. Ковариационная матрица оценки. Теорема Гаусса — Маркова. Отбор признаков || [http://math-info.hse.ru/math-ml/chapter/label/chap:6:linear-reg2/ конспект] || [https://youtu.be/3nizTmbT0Ws видео]
|}

== Семинары ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы
|-
| 1 || 8/10 сентября || Введение в numpy, pandas, matplotlib || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem01_intro Тетрадка и данные] [https://github.com/ischurov/math-ml-hse-2018/blob/master/sem01_intro/sem01_stats_basics.pdf Задачи]
|-
| 2 || 15/17 сентября || Статистические оценки, проверка гипотез || Все файлы: ([https://drive.google.com/open?id=19C3EbCb9EObKj8Dj26ctrkMJE3TA0wpr Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem02_stats/sem02_stats.ipynb тетрадка]
|-
| 3 || 22/24 сентября || метод k ближайших соседей (k-NN), кросс-валидация || Все файлы: ([https://drive.google.com/open?id=1RciXNKPgFT1RUBWJih9HtSYbUtLTJC8r Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem03_knn Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem03_knn/sem03_knn.ipynb тетрадка]
|-
| 4 || 29/1 сент/окт || метод k ближайших соседей, часть 2 || Все файлы: ([https://drive.google.com/open?id=1uq9bt8GahFZOTQTHsGMx28xZqR8Rn9zK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem04_knn2 Github])
|-
| 5 || 6/8 октября || линейная регрессия, градиентный спуск || Все файлы: ([https://drive.google.com/open?id=1-Ke6D5sK4aWiOzuKFFal-SI3Nsxy4BYh Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem05_lin_reg Github])
|-
| 6 ||13/15 октября || отбор признаков, регуляризация || Все файлы: ([https://drive.google.com/open?id=1lF7RG4F3BhUCOHmoHEOvQoFh-0PMRtOo Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem06_feature_selection_regularization Github]}
|-
| 7 ||20/30 октября || логистическая регрессия, метрики, полиномиальные признаки || Все файлы: ([https://drive.google.com/open?id=1wbDF60YrNv2zi6pSrMUd6_Aq3BE1UOCK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem07_logreg Github])
|-
| 8 ||3/6 ноября || методы автоматической обработки текстов, TF-IDF || Все файлы: ([https://drive.google.com/open?id=1fcUYJyFKSvXpGfxuEP2Sf_I7lxO04nmC Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem08_texts Github])
|-
| 9 ||10/13 ноября || решающие деревья || Все файлы: ([https://drive.google.com/open?id=1UExjy2laVgNod4xsIyiUn8hPzIsB7K2u Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem09_trees Github])
|-
| 10 ||20/24 ноября || ансамбли, градиентный бустинг || Все файлы: ([https://drive.google.com/open?id=1j30txRyFz2lJcaioOpG-ZqYTU5iF64bV Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem10_ensembles Github])
|-
| 11 ||24/27 ноября || нейронные сети, PyTorch || Все файлы: ([https://drive.google.com/open?id=13h7wGtoswUafc0T5HH5ODEOp9ZGzV6EA Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem11_pytorch_intro Github], [https://colab.research.google.com/drive/1SYSqkoRchfQW8QDc3LW8wBaNzDG6dO99 Colab])
|-
| 12 ||1/4 декабря || сверточные нейронные сети, регуляризация || Все файлы: ([https://drive.google.com/open?id=15QbCaNf_1fMH8vd0FExjd_5UjcJpU5yg Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem12_images Github])
|}

[https://stackoverflow.com/questions/45622602/how-to-jupyter-notebooks-from-github Как корректно скачать файл с расширением .ipynb с GitHub?]

== Домашние задания ==
* ДЗ№1: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb github], срок сдачи — 3 октября, 23:00.
* ДЗ№2: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw2/hw2.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw2 github], срок сдачи — 17 октября, 23:00.
* ДЗ№3: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw3/hw3.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw3/hw3.ipynb github] , срок сдачи — 4 ноября, 23:00.

== Новости курса ==

23.11. Субботняя группа - завтра будет две пары не с 10:30 до 13:30, а с 12:00 до 15:00.

13.11. Новости для группы, которая ходит на семинары по субботам. В эту субботу (17.11) семинар не состоится, да и вообще факультет математики, видимо, будет закрыт. Пара переносится на субботу на следующей неделе (24.11). Таким образом, 24.11 будет две пары с 10:30 до 13:30.

18.10. Появилось ДЗ№3 (оно же — задачи для подготовки к КР).

16.10. В понедельник, 22 октября в 10:30 состоится консультация в кабинете 318 (компокласс).

15.10. Контрольная по курсу состоится 23.10 с 13:30 до 15:30 в аудитории 109. [[Машинное обучение на матфаке 2018/2019/Программа контрольной|Программа контрольной]]

11.10. Семинары группы 1 (в понедельник) перенесены теперь на вторник с 12:00 до 13:20.

10.10. Появилось ДЗ№2!

24.09. Появилось ДЗ№1!

== Полезные материалы ==
=== Базовые учебники ===
# Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition)]. Springer, 2009.
# Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning]. Springer, 2006.

=== Дополнительная литература ===
# Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
# 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.

=== Разные хорошие ссылки ===

# [https://betanalpha.github.io/assets/case_studies/conditional_probability_theory.html Об условных вероятностях].
# [https://mml-book.github.io Mathematics for Machine Learning] — книга с математическим введением в машинное обучение. Вам могут быть особенно интересно главы про теорию вероятностей.

Машинное обучение на матфаке 2018/2019

2018-12-01T09:17:26Z

Blackitten13: /* Семинары */

== О курсе ==
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.

Лектор: [https://www.hse.ru/staff/is Щуров Илья Валерьевич]

Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.

=== Полезные ссылки ===
* [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе)
* [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/data/2018/08/28/1150124248/program-2227521178-znjnnTPmmc.pdf РПУД]
* [https://t-do.ru/joinchat/CDE3khHyzKP1U701FQtszQ Чат курса в Telegram]
* [https://docs.google.com/forms/d/e/1FAIpQLSdZDFmNf0eEMnTnuGoBoKc3v9pqioqGyCjblLXFWq-55Yc_OA/viewform Форма обратной связи] (можно анонимно)
* [https://docs.google.com/forms/d/e/1FAIpQLSd6ADbVAq6b9YK07lxBcz10eZVfUj9E-OejgHVRu4S2DoW2xA/viewform Запись на консультацию] (вторники, после лекции, консультирует Илья Щуров).
* [https://anytask.org/course/413 Курс на Anytask]
* Видео-записи лекций: [https://yadi.sk/d/MVpqXP6UxmDcjQ Яндекс.Диск], [https://www.youtube.com/channel/UC8wh_LB6mxOFYadH2l27P2Q YouTube].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! Инвайт в Anytask
|-
| 1 || Евгения Ческидова || Константин Ваниев || вторник, 12:10-13:30, ауд. 318 || ZfhBpf1
|-
| 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев] || [https://t-do.ru/svdcvt Соня Дымченко] || суббота, 12:00-13:20, ауд. 318 || 5jOWWt9
|-
|}

=== Система оценок ===
==== Формула оценки ====
Результирующая оценка по дисциплине рассчитывается по формуле:

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

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.58 * Oдз + 0.42 * OКР'''

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

==== Правила вычисления оценок ====
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. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми.

Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх.

==== 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.

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 ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Конспект !! Видео
|-
| 1 || 4 сентября || Введение в ml, постановки задач, виды данных || ||
|-
| 2 || 11 сентября || Напоминание: теория вероятностей и статистика. Случайные величины, выборки, оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:2:prob/ конспект] ||
|-
| 3 || 18 сентября || Введение в статистическую теорию принятия решений. Функция потерь, ожидаемая ошибка, регрессионная функция || [http://math-info.hse.ru/math-ml/chapter/label/chap:3:els/ конспект] ||
|-
| 4 || 25 сентября || Шум, смещение и разброс || [http://math-info.hse.ru/math-ml/chapter/label/chap:4:bias-variance/#label_chap_4_bias-variance конспект] || [https://youtu.be/7ONXfcfF5iA видео]
|-
| 5 || 2 октября || Линейная регрессия. MLE-оценки. Максимизация правдоподобия и минимизация эмпирического риска. Явный вид МНК-оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:5:linear-reg/ конспект] || [https://youtu.be/xDmPwWRtb3U видео]
|-
| 6 || 9 октября || Свойства МНК-оценки. Несмещённость. Ковариационная матрица оценки. Теорема Гаусса — Маркова. Отбор признаков || [http://math-info.hse.ru/math-ml/chapter/label/chap:6:linear-reg2/ конспект] || [https://youtu.be/3nizTmbT0Ws видео]
|}

== Семинары ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы
|-
| 1 || 8/10 сентября || Введение в numpy, pandas, matplotlib || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem01_intro Тетрадка и данные] [https://github.com/ischurov/math-ml-hse-2018/blob/master/sem01_intro/sem01_stats_basics.pdf Задачи]
|-
| 2 || 15/17 сентября || Статистические оценки, проверка гипотез || Все файлы: ([https://drive.google.com/open?id=19C3EbCb9EObKj8Dj26ctrkMJE3TA0wpr Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem02_stats/sem02_stats.ipynb тетрадка]
|-
| 3 || 22/24 сентября || метод k ближайших соседей (k-NN), кросс-валидация || Все файлы: ([https://drive.google.com/open?id=1RciXNKPgFT1RUBWJih9HtSYbUtLTJC8r Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem03_knn Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem03_knn/sem03_knn.ipynb тетрадка]
|-
| 4 || 29/1 сент/окт || метод k ближайших соседей, часть 2 || Все файлы: ([https://drive.google.com/open?id=1uq9bt8GahFZOTQTHsGMx28xZqR8Rn9zK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem04_knn2 Github])
|-
| 5 || 6/8 октября || линейная регрессия, градиентный спуск || Все файлы: ([https://drive.google.com/open?id=1-Ke6D5sK4aWiOzuKFFal-SI3Nsxy4BYh Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem05_lin_reg Github])
|-
| 6 ||13/15 октября || отбор признаков, регуляризация || Все файлы: ([https://drive.google.com/open?id=1lF7RG4F3BhUCOHmoHEOvQoFh-0PMRtOo Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem06_feature_selection_regularization Github]}
|-
| 7 ||20/30 октября || логистическая регрессия, метрики, полиномиальные признаки || Все файлы: ([https://drive.google.com/open?id=1wbDF60YrNv2zi6pSrMUd6_Aq3BE1UOCK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem07_logreg Github])
|-
| 8 ||3/6 ноября || методы автоматической обработки текстов, TF-IDF || Все файлы: ([https://drive.google.com/open?id=1fcUYJyFKSvXpGfxuEP2Sf_I7lxO04nmC Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem08_texts Github])
|-
| 9 ||10/13 ноября || решающие деревья || Все файлы: ([https://drive.google.com/open?id=1UExjy2laVgNod4xsIyiUn8hPzIsB7K2u Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem09_trees Github])
|-
| 10 ||20/24 ноября || ансамбли, градиентный бустинг || Все файлы: ([https://drive.google.com/open?id=1j30txRyFz2lJcaioOpG-ZqYTU5iF64bV Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem10_ensembles Github])
|-
| 11 ||24/27 ноября || нейронные сети, PyTorch || Все файлы: ([https://drive.google.com/open?id=13h7wGtoswUafc0T5HH5ODEOp9ZGzV6EA Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem11_pytorch_intro Github], [https://colab.research.google.com/drive/1SYSqkoRchfQW8QDc3LW8wBaNzDG6dO99 Colab])
|-
| 12 ||1/4 декабря || сверточные нейронные сети, регуляризация || Все файлы: ([https://drive.google.com/open?id=15QbCaNf_1fMH8vd0FExjd_5UjcJpU5yg Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem12_images Github]
|}

[https://stackoverflow.com/questions/45622602/how-to-jupyter-notebooks-from-github Как корректно скачать файл с расширением .ipynb с GitHub?]

== Домашние задания ==
* ДЗ№1: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb github], срок сдачи — 3 октября, 23:00.
* ДЗ№2: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw2/hw2.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw2 github], срок сдачи — 17 октября, 23:00.
* ДЗ№3: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw3/hw3.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw3/hw3.ipynb github] , срок сдачи — 4 ноября, 23:00.

== Новости курса ==

23.11. Субботняя группа - завтра будет две пары не с 10:30 до 13:30, а с 12:00 до 15:00.

13.11. Новости для группы, которая ходит на семинары по субботам. В эту субботу (17.11) семинар не состоится, да и вообще факультет математики, видимо, будет закрыт. Пара переносится на субботу на следующей неделе (24.11). Таким образом, 24.11 будет две пары с 10:30 до 13:30.

18.10. Появилось ДЗ№3 (оно же — задачи для подготовки к КР).

16.10. В понедельник, 22 октября в 10:30 состоится консультация в кабинете 318 (компокласс).

15.10. Контрольная по курсу состоится 23.10 с 13:30 до 15:30 в аудитории 109. [[Машинное обучение на матфаке 2018/2019/Программа контрольной|Программа контрольной]]

11.10. Семинары группы 1 (в понедельник) перенесены теперь на вторник с 12:00 до 13:20.

10.10. Появилось ДЗ№2!

24.09. Появилось ДЗ№1!

== Полезные материалы ==
=== Базовые учебники ===
# Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition)]. Springer, 2009.
# Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning]. Springer, 2006.

=== Дополнительная литература ===
# Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
# 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.

=== Разные хорошие ссылки ===

# [https://betanalpha.github.io/assets/case_studies/conditional_probability_theory.html Об условных вероятностях].
# [https://mml-book.github.io Mathematics for Machine Learning] — книга с математическим введением в машинное обучение. Вам могут быть особенно интересно главы про теорию вероятностей.

Машинное обучение на матфаке 2018/2019

2018-11-24T10:41:23Z

Blackitten13: /* Семинары */

== О курсе ==
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.

Лектор: [https://www.hse.ru/staff/is Щуров Илья Валерьевич]

Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.

=== Полезные ссылки ===
* [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе)
* [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/data/2018/08/28/1150124248/program-2227521178-znjnnTPmmc.pdf РПУД]
* [https://t-do.ru/joinchat/CDE3khHyzKP1U701FQtszQ Чат курса в Telegram]
* [https://docs.google.com/forms/d/e/1FAIpQLSdZDFmNf0eEMnTnuGoBoKc3v9pqioqGyCjblLXFWq-55Yc_OA/viewform Форма обратной связи] (можно анонимно)
* [https://docs.google.com/forms/d/e/1FAIpQLSd6ADbVAq6b9YK07lxBcz10eZVfUj9E-OejgHVRu4S2DoW2xA/viewform Запись на консультацию] (вторники, после лекции, консультирует Илья Щуров).
* [https://anytask.org/course/413 Курс на Anytask]
* Видео-записи лекций: [https://yadi.sk/d/MVpqXP6UxmDcjQ Яндекс.Диск], [https://www.youtube.com/channel/UC8wh_LB6mxOFYadH2l27P2Q YouTube].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! Инвайт в Anytask
|-
| 1 || Евгения Ческидова || Константин Ваниев || вторник, 12:10-13:30, ауд. 318 || ZfhBpf1
|-
| 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев] || [https://t-do.ru/svdcvt Соня Дымченко] || суббота, 12:00-13:20, ауд. 318 || 5jOWWt9
|-
|}

=== Система оценок ===
==== Формула оценки ====
Результирующая оценка по дисциплине рассчитывается по формуле:

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

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.58 * Oдз + 0.42 * OКР'''

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

==== Правила вычисления оценок ====
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. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми.

Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх.

==== 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.

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 ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Конспект !! Видео
|-
| 1 || 4 сентября || Введение в ml, постановки задач, виды данных || ||
|-
| 2 || 11 сентября || Напоминание: теория вероятностей и статистика. Случайные величины, выборки, оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:2:prob/ конспект] ||
|-
| 3 || 18 сентября || Введение в статистическую теорию принятия решений. Функция потерь, ожидаемая ошибка, регрессионная функция || [http://math-info.hse.ru/math-ml/chapter/label/chap:3:els/ конспект] ||
|-
| 4 || 25 сентября || Шум, смещение и разброс || [http://math-info.hse.ru/math-ml/chapter/label/chap:4:bias-variance/#label_chap_4_bias-variance конспект] || [https://youtu.be/7ONXfcfF5iA видео]
|-
| 5 || 2 октября || Линейная регрессия. MLE-оценки. Максимизация правдоподобия и минимизация эмпирического риска. Явный вид МНК-оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:5:linear-reg/ конспект] || [https://youtu.be/xDmPwWRtb3U видео]
|-
| 6 || 9 октября || Свойства МНК-оценки. Несмещённость. Ковариационная матрица оценки. Теорема Гаусса — Маркова. Отбор признаков || [http://math-info.hse.ru/math-ml/chapter/label/chap:6:linear-reg2/ конспект] || [https://youtu.be/3nizTmbT0Ws видео]
|}

== Семинары ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы
|-
| 1 || 8/10 сентября || Введение в numpy, pandas, matplotlib || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem01_intro Тетрадка и данные] [https://github.com/ischurov/math-ml-hse-2018/blob/master/sem01_intro/sem01_stats_basics.pdf Задачи]
|-
| 2 || 15/17 сентября || Статистические оценки, проверка гипотез || Все файлы: ([https://drive.google.com/open?id=19C3EbCb9EObKj8Dj26ctrkMJE3TA0wpr Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem02_stats/sem02_stats.ipynb тетрадка]
|-
| 3 || 22/24 сентября || метод k ближайших соседей (k-NN), кросс-валидация || Все файлы: ([https://drive.google.com/open?id=1RciXNKPgFT1RUBWJih9HtSYbUtLTJC8r Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem03_knn Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem03_knn/sem03_knn.ipynb тетрадка]
|-
| 4 || 29/1 сент/окт || метод k ближайших соседей, часть 2 || Все файлы: ([https://drive.google.com/open?id=1uq9bt8GahFZOTQTHsGMx28xZqR8Rn9zK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem04_knn2 Github])
|-
| 5 || 6/8 октября || линейная регрессия, градиентный спуск || Все файлы: ([https://drive.google.com/open?id=1-Ke6D5sK4aWiOzuKFFal-SI3Nsxy4BYh Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem05_lin_reg Github])
|-
| 6 ||13/15 октября || отбор признаков, регуляризация || Все файлы: ([https://drive.google.com/open?id=1lF7RG4F3BhUCOHmoHEOvQoFh-0PMRtOo Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem06_feature_selection_regularization Github]}
|-
| 7 ||20/30 октября || логистическая регрессия, метрики, полиномиальные признаки || Все файлы: ([https://drive.google.com/open?id=1wbDF60YrNv2zi6pSrMUd6_Aq3BE1UOCK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem07_logreg Github])
|-
| 8 ||3/6 ноября || методы автоматической обработки текстов, TF-IDF || Все файлы: ([https://drive.google.com/open?id=1fcUYJyFKSvXpGfxuEP2Sf_I7lxO04nmC Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem08_texts Github])
|-
| 9 ||10/13 ноября || решающие деревья || Все файлы: ([https://drive.google.com/open?id=1UExjy2laVgNod4xsIyiUn8hPzIsB7K2u Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem09_trees Github])
|-
| 10 ||20/24 ноября || ансамбли, градиентный бустинг || Все файлы: ([https://drive.google.com/open?id=1j30txRyFz2lJcaioOpG-ZqYTU5iF64bV Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem10_ensembles Github])
|-
| 11 ||24/27 ноября || нейронные сети, PyTorch || Все файлы: ([https://drive.google.com/open?id=13h7wGtoswUafc0T5HH5ODEOp9ZGzV6EA Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem11_pytorch_intro Github], [https://colab.research.google.com/drive/1SYSqkoRchfQW8QDc3LW8wBaNzDG6dO99 Colab])
|}

[https://stackoverflow.com/questions/45622602/how-to-jupyter-notebooks-from-github Как корректно скачать файл с расширением .ipynb с GitHub?]

== Домашние задания ==
* ДЗ№1: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb github], срок сдачи — 3 октября, 23:00.
* ДЗ№2: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw2/hw2.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw2 github], срок сдачи — 17 октября, 23:00.
* ДЗ№3: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw3/hw3.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw3/hw3.ipynb github] , срок сдачи — 4 ноября, 23:00.

== Новости курса ==

23.11. Субботняя группа - завтра будет две пары не с 10:30 до 13:30, а с 12:00 до 15:00.

13.11. Новости для группы, которая ходит на семинары по субботам. В эту субботу (17.11) семинар не состоится, да и вообще факультет математики, видимо, будет закрыт. Пара переносится на субботу на следующей неделе (24.11). Таким образом, 24.11 будет две пары с 10:30 до 13:30.

18.10. Появилось ДЗ№3 (оно же — задачи для подготовки к КР).

16.10. В понедельник, 22 октября в 10:30 состоится консультация в кабинете 318 (компокласс).

15.10. Контрольная по курсу состоится 23.10 с 13:30 до 15:30 в аудитории 109. [[Машинное обучение на матфаке 2018/2019/Программа контрольной|Программа контрольной]]

11.10. Семинары группы 1 (в понедельник) перенесены теперь на вторник с 12:00 до 13:20.

10.10. Появилось ДЗ№2!

24.09. Появилось ДЗ№1!

== Полезные материалы ==
=== Базовые учебники ===
# Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition)]. Springer, 2009.
# Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning]. Springer, 2006.

=== Дополнительная литература ===
# Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
# 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.

=== Разные хорошие ссылки ===

# [https://betanalpha.github.io/assets/case_studies/conditional_probability_theory.html Об условных вероятностях].
# [https://mml-book.github.io Mathematics for Machine Learning] — книга с математическим введением в машинное обучение. Вам могут быть особенно интересно главы про теорию вероятностей.

Машинное обучение на матфаке 2018/2019

2018-11-24T10:41:06Z

Blackitten13: /* Семинары */

== О курсе ==
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.

Лектор: [https://www.hse.ru/staff/is Щуров Илья Валерьевич]

Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.

=== Полезные ссылки ===
* [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе)
* [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/data/2018/08/28/1150124248/program-2227521178-znjnnTPmmc.pdf РПУД]
* [https://t-do.ru/joinchat/CDE3khHyzKP1U701FQtszQ Чат курса в Telegram]
* [https://docs.google.com/forms/d/e/1FAIpQLSdZDFmNf0eEMnTnuGoBoKc3v9pqioqGyCjblLXFWq-55Yc_OA/viewform Форма обратной связи] (можно анонимно)
* [https://docs.google.com/forms/d/e/1FAIpQLSd6ADbVAq6b9YK07lxBcz10eZVfUj9E-OejgHVRu4S2DoW2xA/viewform Запись на консультацию] (вторники, после лекции, консультирует Илья Щуров).
* [https://anytask.org/course/413 Курс на Anytask]
* Видео-записи лекций: [https://yadi.sk/d/MVpqXP6UxmDcjQ Яндекс.Диск], [https://www.youtube.com/channel/UC8wh_LB6mxOFYadH2l27P2Q YouTube].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! Инвайт в Anytask
|-
| 1 || Евгения Ческидова || Константин Ваниев || вторник, 12:10-13:30, ауд. 318 || ZfhBpf1
|-
| 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев] || [https://t-do.ru/svdcvt Соня Дымченко] || суббота, 12:00-13:20, ауд. 318 || 5jOWWt9
|-
|}

=== Система оценок ===
==== Формула оценки ====
Результирующая оценка по дисциплине рассчитывается по формуле:

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

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.58 * Oдз + 0.42 * OКР'''

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

==== Правила вычисления оценок ====
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. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми.

Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх.

==== 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.

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 ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Конспект !! Видео
|-
| 1 || 4 сентября || Введение в ml, постановки задач, виды данных || ||
|-
| 2 || 11 сентября || Напоминание: теория вероятностей и статистика. Случайные величины, выборки, оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:2:prob/ конспект] ||
|-
| 3 || 18 сентября || Введение в статистическую теорию принятия решений. Функция потерь, ожидаемая ошибка, регрессионная функция || [http://math-info.hse.ru/math-ml/chapter/label/chap:3:els/ конспект] ||
|-
| 4 || 25 сентября || Шум, смещение и разброс || [http://math-info.hse.ru/math-ml/chapter/label/chap:4:bias-variance/#label_chap_4_bias-variance конспект] || [https://youtu.be/7ONXfcfF5iA видео]
|-
| 5 || 2 октября || Линейная регрессия. MLE-оценки. Максимизация правдоподобия и минимизация эмпирического риска. Явный вид МНК-оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:5:linear-reg/ конспект] || [https://youtu.be/xDmPwWRtb3U видео]
|-
| 6 || 9 октября || Свойства МНК-оценки. Несмещённость. Ковариационная матрица оценки. Теорема Гаусса — Маркова. Отбор признаков || [http://math-info.hse.ru/math-ml/chapter/label/chap:6:linear-reg2/ конспект] || [https://youtu.be/3nizTmbT0Ws видео]
|}

== Семинары ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы
|-
| 1 || 8/10 сентября || Введение в numpy, pandas, matplotlib || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem01_intro Тетрадка и данные] [https://github.com/ischurov/math-ml-hse-2018/blob/master/sem01_intro/sem01_stats_basics.pdf Задачи]
|-
| 2 || 15/17 сентября || Статистические оценки, проверка гипотез || Все файлы: ([https://drive.google.com/open?id=19C3EbCb9EObKj8Dj26ctrkMJE3TA0wpr Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem02_stats/sem02_stats.ipynb тетрадка]
|-
| 3 || 22/24 сентября || метод k ближайших соседей (k-NN), кросс-валидация || Все файлы: ([https://drive.google.com/open?id=1RciXNKPgFT1RUBWJih9HtSYbUtLTJC8r Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem03_knn Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem03_knn/sem03_knn.ipynb тетрадка]
|-
| 4 || 29/1 сент/окт || метод k ближайших соседей, часть 2 || Все файлы: ([https://drive.google.com/open?id=1uq9bt8GahFZOTQTHsGMx28xZqR8Rn9zK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem04_knn2 Github])
|-
| 5 || 6/8 октября || линейная регрессия, градиентный спуск || Все файлы: ([https://drive.google.com/open?id=1-Ke6D5sK4aWiOzuKFFal-SI3Nsxy4BYh Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem05_lin_reg Github])
|-
| 6 ||13/15 октября || отбор признаков, регуляризация || Все файлы: ([https://drive.google.com/open?id=1lF7RG4F3BhUCOHmoHEOvQoFh-0PMRtOo Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem06_feature_selection_regularization Github]}
|-
| 7 ||20/30 октября || логистическая регрессия, метрики, полиномиальные признаки || Все файлы: ([https://drive.google.com/open?id=1wbDF60YrNv2zi6pSrMUd6_Aq3BE1UOCK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem07_logreg Github])
|-
| 8 ||3/6 ноября || методы автоматической обработки текстов, TF-IDF || Все файлы: ([https://drive.google.com/open?id=1fcUYJyFKSvXpGfxuEP2Sf_I7lxO04nmC Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem08_texts Github])
|-
| 9 ||10/13 ноября || решающие деревья || Все файлы: ([https://drive.google.com/open?id=1UExjy2laVgNod4xsIyiUn8hPzIsB7K2u Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem09_trees Github])
|-
| 10 ||20/24 ноября || ансамбли, градиентный бустинг || Все файлы: ([https://drive.google.com/open?id=1j30txRyFz2lJcaioOpG-ZqYTU5iF64bV Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem10_ensembles Github])
|-
| 11 ||24/27 ноября || нейронные сети, PyTorch || Все файлы: ([https://drive.google.com/open?id=13h7wGtoswUafc0T5HH5ODEOp9ZGzV6EA Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem11_pytorch_intro Github], [https://colab.research.google.com/drive/1SYSqkoRchfQW8QDc3LW8wBaNzDG6dO99 Colab])}

[https://stackoverflow.com/questions/45622602/how-to-jupyter-notebooks-from-github Как корректно скачать файл с расширением .ipynb с GitHub?]

== Домашние задания ==
* ДЗ№1: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb github], срок сдачи — 3 октября, 23:00.
* ДЗ№2: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw2/hw2.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw2 github], срок сдачи — 17 октября, 23:00.
* ДЗ№3: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw3/hw3.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw3/hw3.ipynb github] , срок сдачи — 4 ноября, 23:00.

== Новости курса ==

23.11. Субботняя группа - завтра будет две пары не с 10:30 до 13:30, а с 12:00 до 15:00.

13.11. Новости для группы, которая ходит на семинары по субботам. В эту субботу (17.11) семинар не состоится, да и вообще факультет математики, видимо, будет закрыт. Пара переносится на субботу на следующей неделе (24.11). Таким образом, 24.11 будет две пары с 10:30 до 13:30.

18.10. Появилось ДЗ№3 (оно же — задачи для подготовки к КР).

16.10. В понедельник, 22 октября в 10:30 состоится консультация в кабинете 318 (компокласс).

15.10. Контрольная по курсу состоится 23.10 с 13:30 до 15:30 в аудитории 109. [[Машинное обучение на матфаке 2018/2019/Программа контрольной|Программа контрольной]]

11.10. Семинары группы 1 (в понедельник) перенесены теперь на вторник с 12:00 до 13:20.

10.10. Появилось ДЗ№2!

24.09. Появилось ДЗ№1!

== Полезные материалы ==
=== Базовые учебники ===
# Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition)]. Springer, 2009.
# Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning]. Springer, 2006.

=== Дополнительная литература ===
# Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
# 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.

=== Разные хорошие ссылки ===

# [https://betanalpha.github.io/assets/case_studies/conditional_probability_theory.html Об условных вероятностях].
# [https://mml-book.github.io Mathematics for Machine Learning] — книга с математическим введением в машинное обучение. Вам могут быть особенно интересно главы про теорию вероятностей.

Машинное обучение на матфаке 2018/2019

2018-11-24T09:11:37Z

Blackitten13: /* Семинары */

== О курсе ==
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.

Лектор: [https://www.hse.ru/staff/is Щуров Илья Валерьевич]

Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.

=== Полезные ссылки ===
* [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе)
* [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/data/2018/08/28/1150124248/program-2227521178-znjnnTPmmc.pdf РПУД]
* [https://t-do.ru/joinchat/CDE3khHyzKP1U701FQtszQ Чат курса в Telegram]
* [https://docs.google.com/forms/d/e/1FAIpQLSdZDFmNf0eEMnTnuGoBoKc3v9pqioqGyCjblLXFWq-55Yc_OA/viewform Форма обратной связи] (можно анонимно)
* [https://docs.google.com/forms/d/e/1FAIpQLSd6ADbVAq6b9YK07lxBcz10eZVfUj9E-OejgHVRu4S2DoW2xA/viewform Запись на консультацию] (вторники, после лекции, консультирует Илья Щуров).
* [https://anytask.org/course/413 Курс на Anytask]
* Видео-записи лекций: [https://yadi.sk/d/MVpqXP6UxmDcjQ Яндекс.Диск], [https://www.youtube.com/channel/UC8wh_LB6mxOFYadH2l27P2Q YouTube].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! Инвайт в Anytask
|-
| 1 || Евгения Ческидова || Константин Ваниев || вторник, 12:10-13:30, ауд. 318 || ZfhBpf1
|-
| 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев] || [https://t-do.ru/svdcvt Соня Дымченко] || суббота, 12:00-13:20, ауд. 318 || 5jOWWt9
|-
|}

=== Система оценок ===
==== Формула оценки ====
Результирующая оценка по дисциплине рассчитывается по формуле:

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

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.58 * Oдз + 0.42 * OКР'''

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

==== Правила вычисления оценок ====
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. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми.

Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх.

==== 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.

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 ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Конспект !! Видео
|-
| 1 || 4 сентября || Введение в ml, постановки задач, виды данных || ||
|-
| 2 || 11 сентября || Напоминание: теория вероятностей и статистика. Случайные величины, выборки, оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:2:prob/ конспект] ||
|-
| 3 || 18 сентября || Введение в статистическую теорию принятия решений. Функция потерь, ожидаемая ошибка, регрессионная функция || [http://math-info.hse.ru/math-ml/chapter/label/chap:3:els/ конспект] ||
|-
| 4 || 25 сентября || Шум, смещение и разброс || [http://math-info.hse.ru/math-ml/chapter/label/chap:4:bias-variance/#label_chap_4_bias-variance конспект] || [https://youtu.be/7ONXfcfF5iA видео]
|-
| 5 || 2 октября || Линейная регрессия. MLE-оценки. Максимизация правдоподобия и минимизация эмпирического риска. Явный вид МНК-оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:5:linear-reg/ конспект] || [https://youtu.be/xDmPwWRtb3U видео]
|-
| 6 || 9 октября || Свойства МНК-оценки. Несмещённость. Ковариационная матрица оценки. Теорема Гаусса — Маркова. Отбор признаков || [http://math-info.hse.ru/math-ml/chapter/label/chap:6:linear-reg2/ конспект] || [https://youtu.be/3nizTmbT0Ws видео]
|}

== Семинары ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы
|-
| 1 || 8/10 сентября || Введение в numpy, pandas, matplotlib || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem01_intro Тетрадка и данные] [https://github.com/ischurov/math-ml-hse-2018/blob/master/sem01_intro/sem01_stats_basics.pdf Задачи]
|-
| 2 || 15/17 сентября || Статистические оценки, проверка гипотез || Все файлы: ([https://drive.google.com/open?id=19C3EbCb9EObKj8Dj26ctrkMJE3TA0wpr Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem02_stats/sem02_stats.ipynb тетрадка]
|-
| 3 || 22/24 сентября || метод k ближайших соседей (k-NN), кросс-валидация || Все файлы: ([https://drive.google.com/open?id=1RciXNKPgFT1RUBWJih9HtSYbUtLTJC8r Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem03_knn Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem03_knn/sem03_knn.ipynb тетрадка]
|-
| 4 || 29/1 сент/окт || метод k ближайших соседей, часть 2 || Все файлы: ([https://drive.google.com/open?id=1uq9bt8GahFZOTQTHsGMx28xZqR8Rn9zK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem04_knn2 Github])
|-
| 5 || 6/8 октября || линейная регрессия, градиентный спуск || Все файлы: ([https://drive.google.com/open?id=1-Ke6D5sK4aWiOzuKFFal-SI3Nsxy4BYh Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem05_lin_reg Github])
|-
| 6 ||13/15 октября || отбор признаков, регуляризация || Все файлы: ([https://drive.google.com/open?id=1lF7RG4F3BhUCOHmoHEOvQoFh-0PMRtOo Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem06_feature_selection_regularization Github]}
|-
| 7 ||20/30 октября || логистическая регрессия, метрики, полиномиальные признаки || Все файлы: ([https://drive.google.com/open?id=1wbDF60YrNv2zi6pSrMUd6_Aq3BE1UOCK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem07_logreg Github])
|-
| 8 ||3/6 ноября || методы автоматической обработки текстов, TF-IDF || Все файлы: ([https://drive.google.com/open?id=1fcUYJyFKSvXpGfxuEP2Sf_I7lxO04nmC Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem08_texts Github])
|-
| 9 ||10/13 ноября || решающие деревья || Все файлы: ([https://drive.google.com/open?id=1UExjy2laVgNod4xsIyiUn8hPzIsB7K2u Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem09_trees Github])
|-
| 10 ||20/24 ноября || ансамбли || Все файлы: ([https://drive.google.com/open?id=1j30txRyFz2lJcaioOpG-ZqYTU5iF64bV Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem10_ensembles Github])
|}

[https://stackoverflow.com/questions/45622602/how-to-jupyter-notebooks-from-github Как корректно скачать файл с расширением .ipynb с GitHub?]

== Домашние задания ==
* ДЗ№1: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb github], срок сдачи — 3 октября, 23:00.
* ДЗ№2: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw2/hw2.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw2 github], срок сдачи — 17 октября, 23:00.
* ДЗ№3: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw3/hw3.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw3/hw3.ipynb github] , срок сдачи — 4 ноября, 23:00.

== Новости курса ==

23.11. Субботняя группа - завтра будет две пары не с 10:30 до 13:30, а с 12:00 до 15:00.

13.11. Новости для группы, которая ходит на семинары по субботам. В эту субботу (17.11) семинар не состоится, да и вообще факультет математики, видимо, будет закрыт. Пара переносится на субботу на следующей неделе (24.11). Таким образом, 24.11 будет две пары с 10:30 до 13:30.

18.10. Появилось ДЗ№3 (оно же — задачи для подготовки к КР).

16.10. В понедельник, 22 октября в 10:30 состоится консультация в кабинете 318 (компокласс).

15.10. Контрольная по курсу состоится 23.10 с 13:30 до 15:30 в аудитории 109. [[Машинное обучение на матфаке 2018/2019/Программа контрольной|Программа контрольной]]

11.10. Семинары группы 1 (в понедельник) перенесены теперь на вторник с 12:00 до 13:20.

10.10. Появилось ДЗ№2!

24.09. Появилось ДЗ№1!

== Полезные материалы ==
=== Базовые учебники ===
# Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition)]. Springer, 2009.
# Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning]. Springer, 2006.

=== Дополнительная литература ===
# Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
# 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.

=== Разные хорошие ссылки ===

# [https://betanalpha.github.io/assets/case_studies/conditional_probability_theory.html Об условных вероятностях].
# [https://mml-book.github.io Mathematics for Machine Learning] — книга с математическим введением в машинное обучение. Вам могут быть особенно интересно главы про теорию вероятностей.

Машинное обучение на матфаке 2018/2019

2018-11-23T16:34:43Z

Blackitten13: /* Новости курса */

== О курсе ==
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.

Лектор: [https://www.hse.ru/staff/is Щуров Илья Валерьевич]

Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.

=== Полезные ссылки ===
* [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе)
* [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/data/2018/08/28/1150124248/program-2227521178-znjnnTPmmc.pdf РПУД]
* [https://t-do.ru/joinchat/CDE3khHyzKP1U701FQtszQ Чат курса в Telegram]
* [https://docs.google.com/forms/d/e/1FAIpQLSdZDFmNf0eEMnTnuGoBoKc3v9pqioqGyCjblLXFWq-55Yc_OA/viewform Форма обратной связи] (можно анонимно)
* [https://docs.google.com/forms/d/e/1FAIpQLSd6ADbVAq6b9YK07lxBcz10eZVfUj9E-OejgHVRu4S2DoW2xA/viewform Запись на консультацию] (вторники, после лекции, консультирует Илья Щуров).
* [https://anytask.org/course/413 Курс на Anytask]
* Видео-записи лекций: [https://yadi.sk/d/MVpqXP6UxmDcjQ Яндекс.Диск], [https://www.youtube.com/channel/UC8wh_LB6mxOFYadH2l27P2Q YouTube].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! Инвайт в Anytask
|-
| 1 || Евгения Ческидова || Константин Ваниев || вторник, 12:10-13:30, ауд. 318 || ZfhBpf1
|-
| 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев] || [https://t-do.ru/svdcvt Соня Дымченко] || суббота, 12:00-13:20, ауд. 318 || 5jOWWt9
|-
|}

=== Система оценок ===
==== Формула оценки ====
Результирующая оценка по дисциплине рассчитывается по формуле:

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

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.58 * Oдз + 0.42 * OКР'''

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

==== Правила вычисления оценок ====
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. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми.

Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх.

==== 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.

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 ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Конспект !! Видео
|-
| 1 || 4 сентября || Введение в ml, постановки задач, виды данных || ||
|-
| 2 || 11 сентября || Напоминание: теория вероятностей и статистика. Случайные величины, выборки, оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:2:prob/ конспект] ||
|-
| 3 || 18 сентября || Введение в статистическую теорию принятия решений. Функция потерь, ожидаемая ошибка, регрессионная функция || [http://math-info.hse.ru/math-ml/chapter/label/chap:3:els/ конспект] ||
|-
| 4 || 25 сентября || Шум, смещение и разброс || [http://math-info.hse.ru/math-ml/chapter/label/chap:4:bias-variance/#label_chap_4_bias-variance конспект] || [https://youtu.be/7ONXfcfF5iA видео]
|-
| 5 || 2 октября || Линейная регрессия. MLE-оценки. Максимизация правдоподобия и минимизация эмпирического риска. Явный вид МНК-оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:5:linear-reg/ конспект] || [https://youtu.be/xDmPwWRtb3U видео]
|-
| 6 || 9 октября || Свойства МНК-оценки. Несмещённость. Ковариационная матрица оценки. Теорема Гаусса — Маркова. Отбор признаков || [http://math-info.hse.ru/math-ml/chapter/label/chap:6:linear-reg2/ конспект] || [https://youtu.be/3nizTmbT0Ws видео]
|}

== Семинары ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы
|-
| 1 || 8/10 сентября || Введение в numpy, pandas, matplotlib || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem01_intro Тетрадка и данные] [https://github.com/ischurov/math-ml-hse-2018/blob/master/sem01_intro/sem01_stats_basics.pdf Задачи]
|-
| 2 || 15/17 сентября || Статистические оценки, проверка гипотез || Все файлы: ([https://drive.google.com/open?id=19C3EbCb9EObKj8Dj26ctrkMJE3TA0wpr Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem02_stats/sem02_stats.ipynb тетрадка]
|-
| 3 || 22/24 сентября || метод k ближайших соседей (k-NN), кросс-валидация || Все файлы: ([https://drive.google.com/open?id=1RciXNKPgFT1RUBWJih9HtSYbUtLTJC8r Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem03_knn Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem03_knn/sem03_knn.ipynb тетрадка]
|-
| 4 || 29/1 сент/окт || метод k ближайших соседей, часть 2 || Все файлы: ([https://drive.google.com/open?id=1uq9bt8GahFZOTQTHsGMx28xZqR8Rn9zK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem04_knn2 Github])
|-
| 5 || 6/8 октября || линейная регрессия, градиентный спуск || Все файлы: ([https://drive.google.com/open?id=1-Ke6D5sK4aWiOzuKFFal-SI3Nsxy4BYh Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem05_lin_reg Github])
|-
| 6 ||13/15 октября || отбор признаков, регуляризация || Все файлы: ([https://drive.google.com/open?id=1lF7RG4F3BhUCOHmoHEOvQoFh-0PMRtOo Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem06_feature_selection_regularization Github]}
|-
| 7 ||20/30 октября || логистическая регрессия, метрики, полиномиальные признаки || Все файлы: ([https://drive.google.com/open?id=1wbDF60YrNv2zi6pSrMUd6_Aq3BE1UOCK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem07_logreg Github])
|-
| 8 ||3/6 ноября || методы автоматической обработки текстов, TF-IDF || Все файлы: ([https://drive.google.com/open?id=1fcUYJyFKSvXpGfxuEP2Sf_I7lxO04nmC Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem08_texts Github])
|-
| 9 ||10/13 ноября || решающие деревья || Все файлы: ([https://drive.google.com/open?id=1UExjy2laVgNod4xsIyiUn8hPzIsB7K2u Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem09_trees Github])
|}

[https://stackoverflow.com/questions/45622602/how-to-jupyter-notebooks-from-github Как корректно скачать файл с расширением .ipynb с GitHub?]

== Домашние задания ==
* ДЗ№1: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb github], срок сдачи — 3 октября, 23:00.
* ДЗ№2: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw2/hw2.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw2 github], срок сдачи — 17 октября, 23:00.
* ДЗ№3: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw3/hw3.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw3/hw3.ipynb github] , срок сдачи — 4 ноября, 23:00.

== Новости курса ==

23.11. Субботняя группа - завтра будет две пары не с 10:30 до 13:30, а с 12:00 до 15:00.

13.11. Новости для группы, которая ходит на семинары по субботам. В эту субботу (17.11) семинар не состоится, да и вообще факультет математики, видимо, будет закрыт. Пара переносится на субботу на следующей неделе (24.11). Таким образом, 24.11 будет две пары с 10:30 до 13:30.

18.10. Появилось ДЗ№3 (оно же — задачи для подготовки к КР).

16.10. В понедельник, 22 октября в 10:30 состоится консультация в кабинете 318 (компокласс).

15.10. Контрольная по курсу состоится 23.10 с 13:30 до 15:30 в аудитории 109. [[Машинное обучение на матфаке 2018/2019/Программа контрольной|Программа контрольной]]

11.10. Семинары группы 1 (в понедельник) перенесены теперь на вторник с 12:00 до 13:20.

10.10. Появилось ДЗ№2!

24.09. Появилось ДЗ№1!

== Полезные материалы ==
=== Базовые учебники ===
# Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition)]. Springer, 2009.
# Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning]. Springer, 2006.

=== Дополнительная литература ===
# Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
# 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.

=== Разные хорошие ссылки ===

# [https://betanalpha.github.io/assets/case_studies/conditional_probability_theory.html Об условных вероятностях].
# [https://mml-book.github.io Mathematics for Machine Learning] — книга с математическим введением в машинное обучение. Вам могут быть особенно интересно главы про теорию вероятностей.

Машинное обучение на матфаке 2018/2019

2018-11-13T13:19:21Z

Blackitten13:

== О курсе ==
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.

Лектор: [https://www.hse.ru/staff/is Щуров Илья Валерьевич]

Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.

=== Полезные ссылки ===
* [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе)
* [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/data/2018/08/28/1150124248/program-2227521178-znjnnTPmmc.pdf РПУД]
* [https://t-do.ru/joinchat/CDE3khHyzKP1U701FQtszQ Чат курса в Telegram]
* [https://docs.google.com/forms/d/e/1FAIpQLSdZDFmNf0eEMnTnuGoBoKc3v9pqioqGyCjblLXFWq-55Yc_OA/viewform Форма обратной связи] (можно анонимно)
* [https://docs.google.com/forms/d/e/1FAIpQLSd6ADbVAq6b9YK07lxBcz10eZVfUj9E-OejgHVRu4S2DoW2xA/viewform Запись на консультацию] (вторники, после лекции, консультирует Илья Щуров).
* [https://anytask.org/course/413 Курс на Anytask]
* Видео-записи лекций: [https://yadi.sk/d/MVpqXP6UxmDcjQ Яндекс.Диск], [https://www.youtube.com/channel/UC8wh_LB6mxOFYadH2l27P2Q YouTube].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! Инвайт в Anytask
|-
| 1 || Евгения Ческидова || Константин Ваниев || вторник, 12:10-13:30, ауд. 318 || ZfhBpf1
|-
| 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев] || [https://t-do.ru/svdcvt Соня Дымченко] || суббота, 12:00-13:20, ауд. 318 || 5jOWWt9
|-
|}

=== Система оценок ===
==== Формула оценки ====
Результирующая оценка по дисциплине рассчитывается по формуле:

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

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.58 * Oдз + 0.42 * OКР'''

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

==== Правила вычисления оценок ====
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. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми.

Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх.

==== 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.

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 ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Конспект !! Видео
|-
| 1 || 4 сентября || Введение в ml, постановки задач, виды данных || ||
|-
| 2 || 11 сентября || Напоминание: теория вероятностей и статистика. Случайные величины, выборки, оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:2:prob/ конспект] ||
|-
| 3 || 18 сентября || Введение в статистическую теорию принятия решений. Функция потерь, ожидаемая ошибка, регрессионная функция || [http://math-info.hse.ru/math-ml/chapter/label/chap:3:els/ конспект] ||
|-
| 4 || 25 сентября || Шум, смещение и разброс || [http://math-info.hse.ru/math-ml/chapter/label/chap:4:bias-variance/#label_chap_4_bias-variance конспект] || [https://youtu.be/7ONXfcfF5iA видео]
|-
| 5 || 2 октября || Линейная регрессия. MLE-оценки. Максимизация правдоподобия и минимизация эмпирического риска. Явный вид МНК-оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:5:linear-reg/ конспект] || [https://youtu.be/xDmPwWRtb3U видео]
|-
| 6 || 9 октября || Свойства МНК-оценки. Несмещённость. Ковариационная матрица оценки. Теорема Гаусса — Маркова. Отбор признаков || [http://math-info.hse.ru/math-ml/chapter/label/chap:6:linear-reg2/ конспект] || [https://youtu.be/3nizTmbT0Ws видео]
|}

== Семинары ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы
|-
| 1 || 8/10 сентября || Введение в numpy, pandas, matplotlib || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem01_intro Тетрадка и данные] [https://github.com/ischurov/math-ml-hse-2018/blob/master/sem01_intro/sem01_stats_basics.pdf Задачи]
|-
| 2 || 15/17 сентября || Статистические оценки, проверка гипотез || Все файлы: ([https://drive.google.com/open?id=19C3EbCb9EObKj8Dj26ctrkMJE3TA0wpr Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem02_stats/sem02_stats.ipynb тетрадка]
|-
| 3 || 22/24 сентября || метод k ближайших соседей (k-NN), кросс-валидация || Все файлы: ([https://drive.google.com/open?id=1RciXNKPgFT1RUBWJih9HtSYbUtLTJC8r Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem03_knn Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem03_knn/sem03_knn.ipynb тетрадка]
|-
| 4 || 29/1 сент/окт || метод k ближайших соседей, часть 2 || Все файлы: ([https://drive.google.com/open?id=1uq9bt8GahFZOTQTHsGMx28xZqR8Rn9zK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem04_knn2 Github])
|-
| 5 || 6/8 октября || линейная регрессия, градиентный спуск || Все файлы: ([https://drive.google.com/open?id=1-Ke6D5sK4aWiOzuKFFal-SI3Nsxy4BYh Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem05_lin_reg Github])
|-
| 6 ||13/15 октября || отбор признаков, регуляризация || Все файлы: ([https://drive.google.com/open?id=1lF7RG4F3BhUCOHmoHEOvQoFh-0PMRtOo Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem06_feature_selection_regularization Github]}
|-
| 7 ||20/30 октября || логистическая регрессия, метрики, полиномиальные признаки || Все файлы: ([https://drive.google.com/open?id=1wbDF60YrNv2zi6pSrMUd6_Aq3BE1UOCK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem07_logreg Github])
|-
| 8 ||3/6 ноября || методы автоматической обработки текстов, TF-IDF || Все файлы: ([https://drive.google.com/open?id=1fcUYJyFKSvXpGfxuEP2Sf_I7lxO04nmC Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem08_texts Github])
|-
| 9 ||10/13 ноября || решающие деревья || Все файлы: ([https://drive.google.com/open?id=1UExjy2laVgNod4xsIyiUn8hPzIsB7K2u Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem09_trees Github])
|}

[https://stackoverflow.com/questions/45622602/how-to-jupyter-notebooks-from-github Как корректно скачать файл с расширением .ipynb с GitHub?]

== Домашние задания ==
* ДЗ№1: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb github], срок сдачи — 3 октября, 23:00.
* ДЗ№2: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw2/hw2.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw2 github], срок сдачи — 17 октября, 23:00.
* ДЗ№3: [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw3/hw3.ipynb nbviewer], [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw3/hw3.ipynb github] , срок сдачи — 4 ноября, 23:00.

== Новости курса ==
13.11. Новости для группы, которая ходит на семинары по субботам. В эту субботу (17.11) семинар не состоится, да и вообще факультет математики, видимо, будет закрыт. Пара переносится на субботу на следующей неделе (24.11). Таким образом, 24.11 будет две пары с 10:30 до 13:30.

18.10. Появилось ДЗ№3 (оно же — задачи для подготовки к КР).

16.10. В понедельник, 22 октября в 10:30 состоится консультация в кабинете 318 (компокласс).

15.10. Контрольная по курсу состоится 23.10 с 13:30 до 15:30 в аудитории 109. [[Машинное обучение на матфаке 2018/2019/Программа контрольной|Программа контрольной]]

11.10. Семинары группы 1 (в понедельник) перенесены теперь на вторник с 12:00 до 13:20.

10.10. Появилось ДЗ№2!

24.09. Появилось ДЗ№1!

== Полезные материалы ==
=== Базовые учебники ===
# Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition)]. Springer, 2009.
# Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning]. Springer, 2006.

=== Дополнительная литература ===
# Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
# 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.

=== Разные хорошие ссылки ===

# [https://betanalpha.github.io/assets/case_studies/conditional_probability_theory.html Об условных вероятностях].
# [https://mml-book.github.io Mathematics for Machine Learning] — книга с математическим введением в машинное обучение. Вам могут быть особенно интересно главы про теорию вероятностей.

Машинное обучение на матфаке 2018/2019

2018-11-10T01:46:42Z

Blackitten13: /* Семинары */

Машинное обучение на матфаке 2018/2019

2018-11-02T23:55:04Z

Blackitten13: /* Семинары */

Машинное обучение на матфаке 2018/2019

2018-11-02T23:54:49Z

Blackitten13: /* Семинары */

Машинное обучение на матфаке 2018/2019

2018-11-02T23:54:36Z

Blackitten13: /* Семинары */

Машинное обучение на матфаке 2018/2019

2018-10-20T08:59:07Z

Blackitten13: /* Семинары */