https://wiki.cs.hse.ru/api.php?action=feedcontributions&feedformat=atom&user=Brainylyasha 2026-09-20T20:42:04Z Вклад MediaWiki 1.43.9 https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=41699 2020-06-07T19:50:53Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]<br /> <br /> '''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]<br /> <br /> '''Лекция 13.''' (11 февраля) Градиентный бустинг. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture13-ensembles.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> '''Семинар 12''' (12 февраля) Деревья решений [[https://colab.research.google.com/drive/199dPWnwB2bNooA-y2ViFfSIX5as5rJb_ Колаб]]<br /> <br /> '''Семинар 13''' (19 февраля) Бэггинг и бустинг [[https://colab.research.google.com/drive/11qNhrgEauW_-mvOWEzW3irXXMUi2l9yi Колаб]] [[http://arogozhnikov.github.io/2016/06/24/gradient_boosting_explained.html Визуализации]]<br /> <br /> '''Семинар 14''' (2 марта) Бустинг [[https://colab.research.google.com/drive/1SQINZqYvRL03EkjFflZ7Lv7f15eOdNXn Колаб]]<br /> <br /> '''Семинар 15''' (16 марта) Кластеризация и методы понижения размерности [[https://colab.research.google.com/drive/1WZaUGGJx3C4h2DVY1Snrt-FDKFkkm-1k Колаб]] [[https://docs.google.com/forms/d/e/1FAIpQLSdd02BX3oszwioKiuVNy-hEg5PsDMIvQhX7Z_KHExC5fvjduA/viewform Проверочная]]<br /> <br /> '''Семинар 16''' (23 марта) Нейронные сети [[https://colab.research.google.com/drive/1V1Omy__qtvAFFG0Pxm9-YpSsb_eigga- Колаб]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]]<br /> <br /> '''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]<br /> <br /> '''ДЗ 3''' (до 20 марта) Случайный лес. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw3-random-forest.ipynb GitHub]], [[https://colab.research.google.com/drive/1dc5rbNE49MsV-K7oTaz0T4fD74pxqSM9 Колаб]]<br /> <br /> == Проект ==<br /> <br /> <br /> '''Дедлайн''': 23:59MSK 15.03.2020<br /> <br /> <br /> Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.<br /> <br /> Тетрадь должна включать в себя следующие этапы решения задачи:<br /> <br /> '''1. Получение обучающей выборки в табличном виде''' (1 балл)<br /> <br /> В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.<br /> <br /> '''2. Постановка задачи''' (1 балл)<br /> <br /> Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.<br /> <br /> '''3. Визуализация''' (3 балла)<br /> <br /> Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.<br /> <br /> '''4. Построение модели''' (4 балла)<br /> <br /> Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.<br /> <br /> '''5. Оценка качества''' (1 балл)<br /> <br /> Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.<br /> <br /> После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.<br /> <br /> ==Коллоквиум==<br /> <br /> '''Дата и место проведения''': 29.02.2020, 15:10, ауд. 421<br /> <br /> Коллоквиум проводится устно. Каждому студенту будет дано 2 теоретических вопроса (на вопросы нужно отвечать без подготовки и без использования каких-либо материалов; исчерпывающие ответы на эти вопросы будут оцениваться в 3 и 4 балла соответственно), и 1 задача (в процессе решения задачи можно использовать любые материалы; оценивается в 3 балла).<br /> <br /> [https://docs.google.com/document/d/1tGvwAmOvIbA_McfoKjcze3Jr-76xsGLWcEiLHmmI9Pk/edit?usp=sharing Список вопросов для подготовки] (обратите внимание, что данный список вопросов следует воспринимать как перечень тем, а не как вопросы, которые будут использоваться непосредственно на коллоквиуме, — конкретные формулировки вопросов могут и будут отличаться).<br /> <br /> == Экзамен ==<br /> <br /> '''Дата и место проведения''': 20.06.2020, 12:00<br /> <br /> Экзамен проводится устно через zoom (детали проведения можно найти в чате курса в telegram). Каждому студенту будет дано 2 теоретических вопроса (на вопросы нужно отвечать без подготовки и без использования каких-либо материалов; исчерпывающие ответы на эти вопросы будут оцениваться в 3 и 4 балла соответственно), и 1 задача (в процессе решения задачи можно использовать любые материалы; оценивается в 3 балла).<br /> <br /> [https://docs.google.com/document/d/1Z7DGrLYkgAERN3CTzXxINsn_kHHtegYmwwxXj6yI--0/edit?usp=sharing Список вопросов для подготовки] (обратите внимание, что данный список вопросов следует воспринимать как перечень тем, а не как вопросы, которые будут использоваться непосредственно на коллоквиуме, — конкретные формулировки вопросов могут и будут отличаться).<br /> <br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=39513 2020-03-16T16:38:54Z

<p>Brainylyasha: /* Практические задания */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]<br /> <br /> '''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]<br /> <br /> '''Лекция 13.''' (11 февраля) Градиентный бустинг. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture13-ensembles.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> '''Семинар 12''' (12 февраля) Деревья решений [[https://colab.research.google.com/drive/199dPWnwB2bNooA-y2ViFfSIX5as5rJb_ Колаб]]<br /> <br /> '''Семинар 13''' (19 февраля) Бэггинг и бустинг [[https://colab.research.google.com/drive/11qNhrgEauW_-mvOWEzW3irXXMUi2l9yi Колаб]] [[http://arogozhnikov.github.io/2016/06/24/gradient_boosting_explained.html Визуализации]]<br /> <br /> '''Семинар 14''' (2 марта) Бустинг [[https://colab.research.google.com/drive/1SQINZqYvRL03EkjFflZ7Lv7f15eOdNXn Колаб]]<br /> <br /> '''Семинар 15''' (16 марта) Кластеризация и методы понижения размерности [[https://colab.research.google.com/drive/1WZaUGGJx3C4h2DVY1Snrt-FDKFkkm-1k Колаб]] [[https://docs.google.com/forms/d/e/1FAIpQLSdd02BX3oszwioKiuVNy-hEg5PsDMIvQhX7Z_KHExC5fvjduA/viewform Проверочная]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]]<br /> <br /> '''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]<br /> <br /> '''ДЗ 3''' (до 20 марта) Случайный лес. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw3-random-forest.ipynb GitHub]], [[https://colab.research.google.com/drive/1dc5rbNE49MsV-K7oTaz0T4fD74pxqSM9 Колаб]]<br /> <br /> == Проект ==<br /> <br /> <br /> '''Дедлайн''': 23:59MSK 15.03.2020<br /> <br /> <br /> Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.<br /> <br /> Тетрадь должна включать в себя следующие этапы решения задачи:<br /> <br /> '''1. Получение обучающей выборки в табличном виде''' (1 балл)<br /> <br /> В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.<br /> <br /> '''2. Постановка задачи''' (1 балл)<br /> <br /> Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.<br /> <br /> '''3. Визуализация''' (3 балла)<br /> <br /> Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.<br /> <br /> '''4. Построение модели''' (4 балла)<br /> <br /> Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.<br /> <br /> '''5. Оценка качества''' (1 балл)<br /> <br /> Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.<br /> <br /> После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.<br /> <br /> ==Коллоквиум==<br /> <br /> '''Дата и место проведения''': 29.02.2020, 15:10, ауд. 421<br /> <br /> Коллоквиум проводится устно. Каждому студенту будет дано 2 теоретических вопроса (на вопросы нужно отвечать без подготовки и без использования каких-либо материалов; исчерпывающие ответы на эти вопросы будут оцениваться в 3 и 4 балла соответственно), и 1 задача (в процессе решения задачи можно использовать любые материалы; оценивается в 3 балла).<br /> <br /> [https://docs.google.com/document/d/1tGvwAmOvIbA_McfoKjcze3Jr-76xsGLWcEiLHmmI9Pk/edit?usp=sharing Список вопросов для подготовки] (обратите внимание, что данный список вопросов следует воспринимать как перечень тем, а не как вопросы, которые будут использоваться непосредственно на коллоквиуме, — конкретные формулировки вопросов могут и будут отличаться).<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=38962 2020-02-18T09:30:38Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]<br /> <br /> '''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]<br /> <br /> '''Лекция 13.''' (11 февраля) Градиентный бустинг. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture13-ensembles.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> '''Семинар 12''' (12 февраля) Деревья решения [[https://colab.research.google.com/drive/199dPWnwB2bNooA-y2ViFfSIX5as5rJb_ Колаб]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]]<br /> <br /> '''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]<br /> <br /> == Проект ==<br /> <br /> <br /> '''Дедлайн''': 23:59MSK 15.03.2020<br /> <br /> <br /> Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.<br /> <br /> Тетрадь должна включать в себя следующие этапы решения задачи:<br /> <br /> '''1. Получение обучающей выборки в табличном виде''' (1 балл)<br /> <br /> В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.<br /> <br /> '''2. Постановка задачи''' (1 балл)<br /> <br /> Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.<br /> <br /> '''3. Визуализация''' (3 балла)<br /> <br /> Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.<br /> <br /> '''4. Построение модели''' (4 балла)<br /> <br /> Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.<br /> <br /> '''5. Оценка качества''' (1 балл)<br /> <br /> Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.<br /> <br /> После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.<br /> <br /> ==Коллоквиум==<br /> <br /> '''Дата и место проведения''': 29.02.2020, 15:10, ауд. 421<br /> <br /> Коллоквиум проводится устно. Каждому студенту будет дано 2 теоретических вопроса (на вопросы нужно отвечать без подготовки и без использования каких-либо материалов; исчерпывающие ответы на эти вопросы будут оцениваться в 3 и 4 балла соответственно), и 1 задача (в процессе решения задачи можно использовать любые материалы; оценивается в 3 балла).<br /> <br /> [https://docs.google.com/document/d/1tGvwAmOvIbA_McfoKjcze3Jr-76xsGLWcEiLHmmI9Pk/edit?usp=sharing Список вопросов для подготовки] (обратите внимание, что данный список вопросов следует воспринимать как перечень тем, а не как вопросы, которые будут использоваться непосредственно на коллоквиуме, — конкретные формулировки вопросов могут и будут отличаться).<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=38930 2020-02-17T09:13:15Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]<br /> <br /> '''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]<br /> <br /> '''Лекция 13.''' (11 февраля) Градиентный бустинг. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture13-ensembles.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> '''Семинар 12''' (12 февраля) Деревья решения [[https://colab.research.google.com/drive/199dPWnwB2bNooA-y2ViFfSIX5as5rJb_ Колаб]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]]<br /> <br /> '''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]<br /> <br /> == Проект ==<br /> <br /> <br /> '''Дедлайн''': 23:59MSK 15.03.2020<br /> <br /> <br /> Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.<br /> <br /> Тетрадь должна включать в себя следующие этапы решения задачи:<br /> <br /> '''1. Получение обучающей выборки в табличном виде''' (1 балл)<br /> <br /> В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.<br /> <br /> '''2. Постановка задачи''' (1 балл)<br /> <br /> Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.<br /> <br /> '''3. Визуализация''' (3 балла)<br /> <br /> Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.<br /> <br /> '''4. Построение модели''' (4 балла)<br /> <br /> Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.<br /> <br /> '''5. Оценка качества''' (1 балл)<br /> <br /> Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.<br /> <br /> После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.<br /> <br /> ==Коллоквиум==<br /> <br /> '''Дата и место проведения''': 29.02.2020, 15:10, ауд. 421<br /> <br /> Коллоквиум проводится устно. Каждому студенту будет дано 2 теоретических вопроса (на вопросы нужно отвечать без подготовки и без использования каких-либо материалов; исчерпывающие ответы на эти вопросы будут оцениваться в 3 и 4 балла соответственно), и 1 задача (в процессе решения задачи можно использовать любые материалы; оценивается в 3 балла).<br /> <br /> Список вопросов для подготовки: TODO (обратите внимание, что данный список вопросов следует воспринимать как перечень тем, а не как вопросы, которые будут использоваться непосредственно на коллоквиуме, — конкретные формулировки вопросов могут и будут отличаться).<br /> <br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=38909 2020-02-16T11:28:46Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]<br /> <br /> '''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]<br /> <br /> '''Лекция 13.''' (11 февраля) Градиентный бустинг. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture13-ensembles.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> '''Семинар 12''' (12 февраля) Деревья решения [[https://colab.research.google.com/drive/199dPWnwB2bNooA-y2ViFfSIX5as5rJb_ Колаб]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]]<br /> <br /> '''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]<br /> <br /> == Проект ==<br /> <br /> <br /> '''Дедлайн''': 23:59MSK 15.03.2020<br /> <br /> <br /> Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.<br /> <br /> Тетрадь должна включать в себя следующие этапы решения задачи:<br /> <br /> '''1. Получение обучающей выборки в табличном виде''' (1 балл)<br /> <br /> В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.<br /> <br /> '''2. Постановка задачи''' (1 балл)<br /> <br /> Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.<br /> <br /> '''3. Визуализация''' (3 балла)<br /> <br /> Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.<br /> <br /> '''4. Построение модели''' (4 балла)<br /> <br /> Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.<br /> <br /> '''5. Оценка качества''' (1 балл)<br /> <br /> Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.<br /> <br /> После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.<br /> <br /> ==Коллоквиум==<br /> <br /> Дата проведения: 29.02.2020<br /> <br /> Коллоквиум проводится устно. Каждому студенту будет дано 2 теоретических вопроса (на вопросы нужно отвечать без подготовки и без использования каких-либо материалов; исчерпывающие ответы на эти вопросы будут оцениваться в 3 и 4 балла соответственно), и 1 задача (в процессе решения задачи можно использовать любые материалы; оценивается в 3 балла).<br /> <br /> Список вопросов для подготовки: TODO (обратите внимание, что данный список вопросов следует воспринимать как перечень тем, а не как вопросы, которые будут использоваться непосредственно на коллоквиуме, — конкретные формулировки вопросов могут и будут отличаться).<br /> <br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=38908 2020-02-16T11:26:00Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]<br /> <br /> '''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> '''Семинар 12''' (12 февраля) Деревья решения [[https://colab.research.google.com/drive/199dPWnwB2bNooA-y2ViFfSIX5as5rJb_ Колаб]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]]<br /> <br /> '''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]<br /> <br /> == Проект ==<br /> <br /> <br /> '''Дедлайн''': 23:59MSK 15.03.2020<br /> <br /> <br /> Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.<br /> <br /> Тетрадь должна включать в себя следующие этапы решения задачи:<br /> <br /> '''1. Получение обучающей выборки в табличном виде''' (1 балл)<br /> <br /> В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.<br /> <br /> '''2. Постановка задачи''' (1 балл)<br /> <br /> Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.<br /> <br /> '''3. Визуализация''' (3 балла)<br /> <br /> Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.<br /> <br /> '''4. Построение модели''' (4 балла)<br /> <br /> Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.<br /> <br /> '''5. Оценка качества''' (1 балл)<br /> <br /> Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.<br /> <br /> После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.<br /> <br /> ==Коллоквиум==<br /> <br /> Дата проведения: 29.02.2020<br /> <br /> Коллоквиум проводится устно. Каждому студенту будет дано 2 теоретических вопроса (на вопросы нужно отвечать без подготовки и без использования каких-либо материалов; исчерпывающие ответы на эти вопросы будут оцениваться в 3 и 4 балла соответственно), и 1 задача (в процессе решения задачи можно использовать любые материалы; оценивается в 3 балла).<br /> <br /> Список вопросов для подготовки: TODO (обратите внимание, что данный список вопросов следует воспринимать как перечень тем, а не как вопросы, которые будут использоваться непосредственно на коллоквиуме, — конкретные формулировки вопросов могут и будут отличаться).<br /> <br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=38907 2020-02-16T11:25:34Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]<br /> <br /> '''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> '''Семинар 12''' (12 февраля) Деревья решения [[https://colab.research.google.com/drive/199dPWnwB2bNooA-y2ViFfSIX5as5rJb_ Колаб]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]].<br /> '''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]<br /> <br /> == Проект ==<br /> <br /> <br /> '''Дедлайн''': 23:59MSK 15.03.2020<br /> <br /> <br /> Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.<br /> <br /> Тетрадь должна включать в себя следующие этапы решения задачи:<br /> <br /> '''1. Получение обучающей выборки в табличном виде''' (1 балл)<br /> <br /> В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.<br /> <br /> '''2. Постановка задачи''' (1 балл)<br /> <br /> Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.<br /> <br /> '''3. Визуализация''' (3 балла)<br /> <br /> Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.<br /> <br /> '''4. Построение модели''' (4 балла)<br /> <br /> Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.<br /> <br /> '''5. Оценка качества''' (1 балл)<br /> <br /> Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.<br /> <br /> После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.<br /> <br /> ==Коллоквиум==<br /> <br /> Дата проведения: 29.02.2020<br /> <br /> Коллоквиум проводится устно. Каждому студенту будет дано 2 теоретических вопроса (на вопросы нужно отвечать без подготовки и без использования каких-либо материалов; исчерпывающие ответы на эти вопросы будут оцениваться в 3 и 4 балла соответственно), и 1 задача (в процессе решения задачи можно использовать любые материалы; оценивается в 3 балла).<br /> <br /> Список вопросов для подготовки: TODO (обратите внимание, что данный список вопросов следует воспринимать как перечень тем, а не как вопросы, которые будут использоваться непосредственно на коллоквиуме, — конкретные формулировки вопросов могут и будут отличаться).<br /> <br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=38758 2020-02-10T13:07:27Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]<br /> <br /> '''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]].<br /> '''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]<br /> <br /> == Проект ==<br /> <br /> <br /> '''Дедлайн''': 23:59MSK 15.03.2020<br /> <br /> <br /> Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.<br /> <br /> Тетрадь должна включать в себя следующие этапы решения задачи:<br /> <br /> '''1. Получение обучающей выборки в табличном виде''' (1 балл)<br /> <br /> В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.<br /> <br /> '''2. Постановка задачи''' (1 балл)<br /> <br /> Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.<br /> <br /> '''3. Визуализация''' (3 балла)<br /> <br /> Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.<br /> <br /> '''4. Построение модели''' (4 балла)<br /> <br /> Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.<br /> <br /> '''5. Оценка качества''' (1 балл)<br /> <br /> Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.<br /> <br /> После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=38757 2020-02-10T13:07:17Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]<br /> <br /> '''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]].<br /> '''ДЗ 2''' (до 22 февраля) Логистическая регрессия. [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw2_ml_applied_pol.ipynb GitHub]]<br /> <br /> == Проект ==<br /> <br /> Дедлайн: 23:59MSK 15.03.2020<br /> <br /> Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.<br /> <br /> Тетрадь должна включать в себя следующие этапы решения задачи:<br /> <br /> '''1. Получение обучающей выборки в табличном виде''' (1 балл)<br /> <br /> В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.<br /> <br /> '''2. Постановка задачи''' (1 балл)<br /> <br /> Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.<br /> <br /> '''3. Визуализация''' (3 балла)<br /> <br /> Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.<br /> <br /> '''4. Построение модели''' (4 балла)<br /> <br /> Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.<br /> <br /> '''5. Оценка качества''' (1 балл)<br /> <br /> Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.<br /> <br /> После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=38630 2020-02-04T18:41:23Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trees.pdf Слайды]]<br /> <br /> '''Лекция 12.''' (4 февраля) Случайные леса. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture12-ensembles.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]].<br /> <br /> == Проект ==<br /> <br /> Проект представляет собой некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с Jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять собой полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.<br /> <br /> Тетрадь должна включать в себя следующие этапы решения задачи:<br /> <br /> '''1. Получение обучающей выборки в табличном виде''' (1 балл)<br /> <br /> В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектов также можно рассмотреть, но датасет должен быть согласован с преподавателями.<br /> <br /> '''2. Постановка задачи''' (1 балл)<br /> <br /> Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.<br /> <br /> '''3. Визуализация''' (3 балла)<br /> <br /> Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.<br /> <br /> '''4. Построение модели''' (4 балла)<br /> <br /> Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.<br /> <br /> '''5. Оценка качества''' (1 балл)<br /> <br /> Последний этап — оценка качества моделей из п. 4 при помощи метрики качества, выбранной в п. 2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала «отрезать» тестовую выборку для этого пункта.<br /> <br /> После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему Anytask.<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=38616 2020-02-04T10:19:32Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trres.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]].<br /> <br /> == Проект ==<br /> <br /> Проект представляет из себя некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять из себя полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.<br /> <br /> Тетрадь должна включать в себя следующие этапы решения задачи:<br /> <br /> '''1. Получение обучающей выборки в табличном виде''' (1 балл)<br /> <br /> В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектом также можно рассмотреть, но датасет должен быть согласован с преподавателями.<br /> <br /> '''2. Постановка задачи''' (1 балл)<br /> <br /> Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.<br /> <br /> '''3. Визуализация''' (3 балла)<br /> <br /> Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.<br /> <br /> '''4. Построение модели''' (4 балла)<br /> <br /> Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также не забыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.<br /> <br /> '''5. Оценка качества''' (1 балл)<br /> <br /> Последний этап — оценка качества моделей из п.4 при помощи метрики качества, выбранной в п.2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала &quot;отрезать&quot; тестовую выборку для этого пункта.<br /> <br /> После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему anytask.<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=38614 2020-02-04T10:18:50Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trres.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]].<br /> <br /> == Проект ==<br /> <br /> Проект представляет из себя некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять из себя полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования.<br /> <br /> Тетрадь должна включать в себя следующие этапы решения задачи:<br /> <br /> '''1. Получение обучающей выборки в табличном виде''' (1 балл)<br /> <br /> В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектом также можно рассмотреть, но датасет должен быть согласован с преподавателями.<br /> <br /> '''2. Постановка задачи''' (1 балл)<br /> <br /> Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.<br /> <br /> '''3. Визуализация''' (3 балла)<br /> <br /> Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.<br /> <br /> '''4. Построение модели''' (4 балла)<br /> <br /> Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также незабыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.<br /> <br /> '''5. Оценка качества''' (1 балл)<br /> <br /> Последний этап — оценка качества моделей из п.4 при помощи метрики качества, выбранной в п.2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала &quot;отрезать&quot; тестовую выборку для этого пункта.<br /> <br /> После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему anytask.<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=38613 2020-02-04T10:18:31Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trres.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]].<br /> <br /> == Проект ==<br /> <br /> Проект представляет из себя некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является архив с jupyter-тетрадью и всеми необходимыми дополнительными файлами. Тетрадь должна представлять из себя полноценный отчет, включающий как развернутые словесные описания датасета, задачи и выполняемых действий, так и код, выполняющий необходимые преобразования. Тетрадь должна включать в себя следующие этапы решения задачи:<br /> <br /> '''1. Получение обучающей выборки в табличном виде''' (1 балл)<br /> <br /> В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект. Ограничение на данные — в выборке должно присутствовать не менее 2000 различных объектов. Данные с меньшим количеством объектом также можно рассмотреть, но датасет должен быть согласован с преподавателями.<br /> <br /> '''2. Постановка задачи''' (1 балл)<br /> <br /> Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.<br /> <br /> '''3. Визуализация''' (3 балла)<br /> <br /> Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.<br /> <br /> '''4. Построение модели''' (4 балла)<br /> <br /> Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также незабыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.<br /> <br /> '''5. Оценка качества''' (1 балл)<br /> <br /> Последний этап — оценка качества моделей из п.4 при помощи метрики качества, выбранной в п.2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала &quot;отрезать&quot; тестовую выборку для этого пункта.<br /> <br /> После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо заполнить [https://forms.gle/Zud4mp5zZ94ZUvsw7 форму], предварительно убедившись при помощи [https://docs.google.com/spreadsheets/d/1fWI0fWKzkscGkea2icA6cw7KUt11ROIFrokd6lxmuGg/edit?usp=sharing таблицы], что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый архив необходимо сдать в систему anytask.<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=38585 2020-02-03T11:40:34Z

<p>Brainylyasha: /* Проект */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trres.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]].<br /> <br /> == Проект ==<br /> <br /> Проект представляет из себя некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является jupyter notebook, который включает в себя следующие этапы решения задачи (включая код, который выполняет необходимые преобразования, и словесные комментарии о том, что студент делает на данном этапе):<br /> <br /> '''1. Получение обучающей выборки в табличном виде''' (1 балл)<br /> <br /> В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект.<br /> <br /> '''2. Постановка задачи''' (1 балл)<br /> <br /> Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.<br /> <br /> '''3. Визуализация''' (3 балла)<br /> <br /> Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.<br /> <br /> '''4. Построение модели''' (4 балла)<br /> <br /> Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также незабыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.<br /> <br /> '''5. Оценка качества''' (1 балл)<br /> <br /> Последний этап — оценка качества моделей из п.4 при помощи метрики качества, выбранной в п.2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала &quot;отрезать&quot; тестовую выборку для этого пункта.<br /> <br /> После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо внести данные в таблицу (для получения доступа необходимо написать в чат курса или преподавателям свою почту @gmail), а также убедиться, что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый ноутбук необходимо сдать в систему anytask.<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=38584 2020-02-03T11:36:45Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trres.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]].<br /> <br /> == Проект ==<br /> <br /> Проект представляет из себя некоторую задачу, которую нужно поставить и решить при помощи машинного обучения. Результатом выполнения проекта является jupyter notebook, который включает в себя следующие этапы решения задачи (включая код, который выполняет необходимые преобразования, и словесные комментарии о том, что студент делает на данном этапе):<br /> <br /> '''1. Получение обучающей выборки в табличном виде''' (1 балл)<br /> <br /> В рамках этого этапа можно как найти некоторые готовые табличные данные, так и получить данные самостоятельно из некоторого источника при помощи парсинга, однако во втором случае студенту может быть начислено до 2 бонусных баллов за проект.<br /> <br /> '''2. Постановка задачи''' (1 балл)<br /> <br /> Этот этап включает в себя определение того, что в задаче является объектами и ответами, а также определение итоговой метрики качества в задаче.<br /> <br /> '''3. Визуализация''' (3 балла)<br /> <br /> Минимальный объем работ в рамках этого этапа — изучить зависимость целевой переменной от признаков в вашей задаче, найти наиболее значимые и незначимые признаки и обосновать с точки зрения здравого смысла, почему они являются таковыми. В процессе визуализации могут быть найдены и другие интересные зависимости, которые также стоит отразить в работе, за особо интересные могут быть начислены бонусные баллы.<br /> <br /> '''4. Построение модели''' (4 балла)<br /> <br /> Следующий этап — построение модели, необходимо использовать хотя бы 2 метода из пройденных в курсе для обучения модели (а также незабыть для каждой подобрать гиперпараметры). За построение моделей с выдающимся качеством на тестовой выборке также могут быть начислены бонусные баллы.<br /> <br /> '''5. Оценка качества''' (1 балл)<br /> <br /> Последний этап — оценка качества моделей из п.4 при помощи метрики качества, выбранной в п.2. Не забудьте, что качество должно оцениваться на выборке, не используемой при обучении, поэтому необходимо с самого начала &quot;отрезать&quot; тестовую выборку для этого пункта.<br /> <br /> После выбора данных (вне зависимости от того, планируете вы брать готовые табличные данные или парсить их самостоятельно) и задачи, необходимо внести данные в таблицу, а также убедиться, что ваши данные/задача не пересекается с чьей-то еще. При совпадении данных у нескольких студентов, оценка за работу выставляется только первому студенту, выбравшему эти данные или задачу, остальным студентам за работу выставляется 0. Итоговая оценка за проект не может быть выше 10 (даже с учетом бонусных баллов; излишек бонусных баллов можно перенести в оценки за домашние задания и проверочные). В процессе выполнения проекта есть возможность консультироваться с преподавателями и ассистентов по любым возникающим вопросам. Готовый ноутбук необходимо сдать в систему anytask.<br /> <br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=38583 2020-02-03T11:08:03Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> '''Лекция 11.''' (28 января) Решающие деревья. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture11-trres.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> '''Семинар 11''' (29 января) Работа с текстовыми данными [[https://colab.research.google.com/drive/1FXFUrgWyF6mA6wOjQtZQk8ybE5360pW0 Колаб]]<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]].<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=38325 2020-01-27T08:31:03Z

<p>Brainylyasha: /* Лекции */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> '''Лекция 6.''' (3 декабря) Линейная классификация. Пороговая функция потерь, верхние оценки. Логистическая регрессия. предсказание вероятностей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture06-linclass.pdf Слайды]]<br /> <br /> '''Лекция 7.''' (10 декабря) Метрики оценки качества регрессии и классификации. ROC- и PR-кривые. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture07-quality.pdf Слайды]]<br /> <br /> '''Лекция 8.''' (17 декабря) Консультация по пройденному материалу.<br /> <br /> '''Лекция 9.''' (14 января) Консультация по пройденному материалу.<br /> <br /> '''Лекция 10.''' (21 января) Консультация по пройденному материалу. Гиперпараметры, многоклассовая классификация. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture10-hyper.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> '''Семинар 6''' (3 декабря) Градиентный спуск. Линейная регрессия [[https://colab.research.google.com/drive/1CHHVM1cFSrFcul41wMvstDt2xvzinzIP Колаб]].<br /> <br /> '''Семинар 7''' (10 декабря) Линейные классификаторы [[https://colab.research.google.com/drive/15xjatRV0cq2mV4zQLjWZz8Wz16dLmq9M Колаб]].<br /> <br /> '''Семинар 8''' (17 декабря) Метрики качества [[https://colab.research.google.com/drive/1J-HjEtM2gBPE5CIETOKIRrfsRGrJpWDp Колаб]].<br /> <br /> == Практические задания ==<br /> <br /> '''ДЗ 1''' (до 23 декабря) Задачи машинного обучения. Pandas и Matplotlib [[https://github.com/brainylyasha/ml-politology-course/blob/master/homeworks/hw1_ml_applied_pol.ipynb GitHub]].<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=37182 2019-12-03T14:29:54Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (5 ноября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (12 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (19 ноября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (26 ноября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> == Практические задания ==<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=37181 2019-12-03T14:29:17Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (29 октября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 3.''' (29 октября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> '''Лекция 4.''' (29 октября) Линейная регрессия. Произведение матриц, производная, градиент, экстремумы. Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture04-linreg.pdf Слайды]]<br /> <br /> '''Лекция 5.''' (29 октября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture05-linreg.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]].<br /> <br /> '''Семинар 5''' (26 ноября) Операции с векторами и матрицами. Производные [[https://colab.research.google.com/drive/1-FD9ToyUMSjwohv5FE2iALUK5IYtrk54 Колаб]].<br /> <br /> == Практические задания ==<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=36643 2019-11-13T11:41:25Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> '''Лекция 2.''' (29 октября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture02-intro.pdf Слайды]]<br /> <br /> '''Лекция 1.''' (29 октября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture03-knn.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]]<br /> <br /> '''Семинар 3''' (12 ноября) Matplotlob, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]].<br /> <br /> == Практические задания ==<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=36396 2019-11-04T14:25:01Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1.''' (29 октября) Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> == Практические задания ==<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=36393 2019-11-04T13:15:25Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (29 октября). Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' (29 октября) Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> == Практические задания ==<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=36392 2019-11-04T13:15:07Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (29 октября). Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' Библиотека NumPy, решение задач. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem01-numpy.ipynb Ноутбук]]<br /> <br /> == Практические задания ==<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=36391 2019-11-04T13:14:07Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (29 октября). Введение в машинное обучение, основные термины. [[https://github.com/brainylyasha/ml-politology-course/blob/master/lecture-notes/lecture01-intro.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> == Практические задания ==<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=36213 2019-10-29T12:17:08Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ «Прикладная политология»] в 2–3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Эльвира Альбертовна Зиннурова] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Алексей Алексеевич Панков ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Полина Ревина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> == Семинары ==<br /> <br /> == Практические задания ==<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9E_%D1%84%D0%B0%D0%BA%D1%83%D0%BB%D1%8C%D1%82%D0%B5%D1%82%D0%B5&diff=36212 2019-10-29T12:15:21Z

<p>Brainylyasha: </p> <hr /> <div>__NOTOC__ <br /> <br /> = Учебные курсы факультета компьютерных наук =<br /> <br /> == Курсы за 2019/20 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_1_2019/2020 | Математический анализ-1 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2019/2020_(основной_поток) | Математический анализ на ПМИ (основной поток)]]<br /> <br /> [[Дискретная_математика_1_2019/2020 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_1_2019/2020 | Основы и методология программирования-1 на ПМИ (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_1_2019/2020_(пилотный_поток) | Основы и методология программирования-1 на ПМИ (пилотный поток)]]<br /> <br /> [[Discrete_Mathematics_DSBA2019/2020 | Discrete Mathematics DSBA (ПАД)]]<br /> <br /> [[Calculus_DSBA2019/2020 | Calculus DSBA (ПАД)]]<br /> <br /> [[LAaG_DSBA_2019/2020 | Linear Algebra and Geometry (ПАД)]]<br /> <br /> [[Introduction_to_programming_DSBA_2019/2020 | Introduction to Programming (ПАД)]]<br /> <br /> [[English_DSBA_2019/2020 | English DSBA (ПАД)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_1_основной_поток_2019/202 | Алгоритмы и структуры данных-1 на ПМИ (основной поток)]]<br /> <br /> ||<br /> <br /> <br /> <br /> [[DM2-basic2019/2020 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[DM2-pilot2019/2020 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[Теория_вероятностей_2019/2020_(основной_поток)| Теория_вероятностей_2019/2020 на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_и_математическая_статистика_2019/2020_(пилотный_поток)| ТВиМС (пилотный поток)]]<br /> <br /> [[Математический_анализ_2019/2020_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_2_2019/2020_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2019/2020 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> [[Calculus_2_2019 | Calculus-2 DBSA (ПАД)]]<br /> <br /> [[Statistics_DSBA_2019/2020 | Statistics DSBA (ПАД)]]<br /> <br /> [[DM2 | Дискретная Математика-2 (ПАД)]]<br /> <br /> [[ADS2 | Алгоритмы и Структуры Данных-2 (ПАД)]]<br /> <br /> ||<br /> <br /> [[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Прикладная_статистика_в_машинном_обучении(2019)|Прикладная статистика в машинном обучении]]<br /> <br /> [[НИС_РС_1|НИС Распределенные системы]]<br /> <br /> [[Theory_of_Computing_2019_2020 | Theory of Computing, AMI]]<br /> <br /> [[Компьютерные_Сети | Компьютерные сети]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]<br /> <br /> [[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]<br /> <br /> ||<br /> <br /> [[InfTheo2019-2020|Теория информации]]<br /> <br /> [[Байесовские_методы_машинного_обучения_2019|Байесовские методы машинного обучения]]<br /> <br /> [[НИС Науки о данных]]<br /> <br /> [[НИС_РС_2|НИС Распределенные системы 2]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]<br /> <br /> [[Философия_науки_2019|Философия науки]]<br /> <br /> [[Глубинное обучение|Глубинное обучение]]<br /> <br /> [[NLP 2019|NLP Анализ данных]]<br /> <br /> [[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]<br /> <br /> ||<br /> [[MinorBioinformatics|Биоинформатика]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Современные_методы_машинного_обучения | Современные методы машинного обучения (ИАД)]]<br /> <br /> [[KotlinElective|Факультатив &quot;Язык Kotlin&quot; (2-3 модули)]]<br /> <br /> [[ISDElective|Факультатив &quot;Методы разработки программного обеспечения&quot; (1-2 модули)]]<br /> <br /> [[Введение в программирование (курс майнора)]]<br /> <br /> [[dopglavy_DM_1920|Допглавы дискретной математики]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей-2_2019/2020|ДГТВ-2]]<br /> <br /> ||<br /> <br /> <br /> |}<br /> <br /> == Курсы магистратуры ФКН ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс<br /> <br /> |-<br /> | [[Theory_of_Computing_2019_2020 | Theory of Computing]] || Науки о данных, специализация ТИ || 1 курс<br /> |-<br /> | [[Project_Seminar_2019_2020 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 курс<br /> |-<br /> | [[Stochastic_analysis_2019_2020 | Stochastic Calculus ]] || Statistical Learning Theory || 1 year<br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 1 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> |-<br /> | [[ Основы анализа и визуализация данных для медиа 2019/2020 | Основы анализа и визуализации данных для медиа ]] || Журналистика || 4 курс || 1 модуль<br /> |-<br /> | [[ Анализ данных в Python 2019-2020 | Анализ данных в Python ]] || Политология || 4 курс || 1-2 модули<br /> |-<br /> | [[Introduction to Data Culture 2019-2020 | Introduction to Data Culture ]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 1 курс || 2 модуль<br /> |-<br /> | [[ Основы анализа данных в международных отношениях | Основы анализа данных в международных отношениях ]] || Международные отношения || 2 курс || 1-2 модуль<br /> |-<br /> | [[Основы программирования в Python (Политология)|Основы программирования в Python]] || Политология || 3 курс || 1-2 модули<br /> |-<br /> | [[Основы программирования на Python осень 2019 матфак|Основы программирования на Python-1]] || Математика || 1-4 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая грамотность (История 2019) | Цифровая грамотность ]] || История || 1 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая грамотность (Востоковедение 2019) | Цифровая грамотность ]] || Востоковедение|| 1 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая_грамотность_2019-2020(философия) | Цифровая грамотность ]] || Философия || 1 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая грамотность (ассириология и античность 2019) | Цифровая грамотность ]] || Ассириология и античность|| 1 курс || 1-2 модули<br /> |-<br /> | [[ПМСАР-2_2019| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули<br /> |-<br /> | [[Работа с данными]] || Медиакоммуникации || 4 курс || 1 модуль<br /> |-<br /> | [[Машинное обучение (фэн 2019)]] || ФЭН || 3 курс || 1-2 модули<br /> |-<br /> | [[Natural_Language_Processing_Blended_2019_module1 | Natural Language Processing (blended)]] || Прикладная политология || 2 г.о. || 1 модуль<br /> |-<br /> | [[ ML_HSE_NES_2019 | Машинное обучение (ВШЭ-РЭШ)]] || Совместный бакалавриат ВШЭ-РЭШ || 3-4 курс || 1-2 модули<br /> |-<br /> | [[ Основы_анализа_и_визуализации_данных_ДИЯ_2019/2020 | Основы анализа и визуализации данных ]] || ДИЯ || 2 курс || 1,2 модуль<br /> |-<br /> | [[Методы_машинного_обучения_(Прикладная_политология)|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |}<br /> <br /> =Архив=<br /> == Курсы за 2018/19 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_на_ПМИ_2018/2019_(пилотный_поток) | Математический анализ на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2018/2019_(основной_поток) | Математический анализ на ПМИ (основной поток)]]<br /> <br /> [[Calculus_DSBA_2018/2019 | Calculus I DSBA (ПАД)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2018/2019_(пилотный_поток) | Основы и методология программирования на ПМИ (пилотный поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2019_(С%2B%2B,_основной_поток) | Основы и методология программирования на ПМИ (С++, основной поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[LAaG_DSBA_2018/2019 | LAaG DSBA]]<br /> <br /> [[Дискретная_математика_1_2018/2019 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Discrete_Mathematics_DSBA2018/2019 |Discrete Mathematics DSBA (ПАД)]]<br /> <br /> [[Introduction_to_programming | Introduction to programming DSBA (ПАД)]]<br /> <br /> [[Introduction_to_programming_2 | Introduction to programming 2 DSBA (ПАД)]]<br /> <br /> [[Алгебра_на_ПМИ_2018/2019_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2018/2019_(основной_поток) | Алгебра на ПМИ (основной поток)]]<br /> <br /> [[Algebra_DSBA_2018/2019 | Algebra DSBA]]<br /> <br /> [http://hsealgebra19.wikidot.com Алгебра на ПИ]<br /> <br /> [[Алгоритмы_и_структуры_данных_2018/2019 | Алгоритмы и структуры данных на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> ||<br /> <br /> [http://math-info.hse.ru/s18/t Дифференциальные уравнения]<br /> <br /> [[Теория_вероятностей_2018/2019_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2018/2019_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_2018/2019_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_2018/2019_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]<br /> <br /> [[DM2-pilot2018/2019 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[DM2-basic2018/2019 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2018/2019 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Факультатив Теория вычислений]]<br /> <br /> ||<br /> <br /> [[Машинное_обучение_1/2018_2019 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Численные_Методы_2018 | Численные методы ]]<br /> <br /> [[PDC | Параллельные и распределенные вычисления]]<br /> <br /> [[Theory_of_Computing_2018_2019 | Theory of Computing, AMI]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]<br /> <br /> [[Прикладная_статистика_в_машинном_обучении(2018)|Прикладная статистика в машинном обучении]]<br /> <br /> [[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]<br /> <br /> [[НИС_РС|НИС Распределенные системы]]<br /> <br /> [[Основные методы анализа данных]]<br /> <br /> [[Теория баз данных]]<br /> <br /> [[Непрерывная оптимизация/2019|Непрерывная оптимизация (161-162)]]<br /> <br /> [[Непрерывная оптимизация (163-167)]]<br /> <br /> [[Сложность вычислений и логика в теоретической информатике]]<br /> <br /> [[Data analysis (Software Engineering) 2019|Data analysis]]<br /> <br /> [[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]<br /> <br /> [[Intro to DL Blended | Intro to DL Blended]]<br /> <br /> [[Дискретная оптимизация 2019 | Дискретная оптимизация 2019]]<br /> <br /> ||<br /> <br /> [[Statistical_learning_theory_2018_2019 | Introduction to statistical learning theory]]<br /> <br /> [[Анализ_неструктурированных_данных-2018 |Анализ неструктурированных данных ]]<br /> <br /> [[Байесовские_методы_машинного_обучения_2018|Байесовские методы машинного обучения]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]<br /> <br /> [[НИС_Науки_о_данных_2018/2019|НИС Науки о данных]]<br /> <br /> [[НИС_Распределенные_системы_(4_курс,_2018)|НИС Распределенные системы]]<br /> <br /> [[Теория_Информации_2018/2019|Теория информации]]<br /> <br /> [[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]<br /> <br /> [[Методы_и_системы_обработки_больших_данных_(осень_2018)|Методы и системы обработки больших данных]]<br /> <br /> [[Философия_науки_2018|Философия науки]]<br /> <br /> [[Теория баз данных]]<br /> <br /> [[ConvAppr19 | Выпуклое программирование и аппроксимационные алгоритмы (ТИ)]]<br /> <br /> [[Функциональное программирование 2019 | Функциональное программирование]]<br /> <br /> [[A_Theorist's_Toolkit_2018_2019 | A Theorist's Toolkit, AMI]]<br /> <br /> [[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]<br /> <br /> ||<br /> [[Дополнительные главы теории вероятностей 2019 | Дополнительные главы теории вероятностей 2019]]<br /> <br /> [[Дополнительные главы математической статистики 2019 | Дополнительные главы математической статистики 2019]]<br /> <br /> [[Введение в программирование (курс майнора) 2018/2019]]<br /> <br /> [[dopglavy_DM_1819|Допглавы дискретной математики]]<br /> <br /> [[Современные_методы_машинного_обучения_(курс_майнора)_2018/2019 | Современные методы машинного обучения (курс майнора) 2018/2019]]<br /> <br /> [[Прикладные_задачи_анализа_данных_(майнор_-_весна_2019) | Прикладные задачи анализа данных (майнор - весна 2019)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Функциональный анализ (весна_2019) | Функциональный анализ (весна_2019)]]<br /> <br /> [[KotlinElective| Язык Kotlin (3 и 4 модули 2018-2019)]]<br /> <br /> ||<br /> <br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 2 семестр ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> |-<br /> | [[Основы программирования на Python весна 2019 матфак|Основы программирования на Python-2]] || Математика || 2-4 курс || 3-4 модули<br /> |-<br /> | [[Цифровая_грамотность_(филология)|Цифровая грамотность]] || Филология || 1 курс || 3-4 модули<br /> |-<br /> | [[Цифровая_грамотность_(ИИ_и_культурология)|Цифровая грамотность]] || История искусств и Культурология || 1 курс || 3-4 модули<br /> |-<br /> | [[Цифровая_грамотность_(ИЯМК_2019)|Цифровая грамотность]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 1 курс || 3-4 модули<br /> |-<br /> | [[Основы_анализа_и_визуализации_данных_ДИЯ_2019|Анализ и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 3-4 модули<br /> |-<br /> | [[Научно-исследовательский_семинар_2019| Научно-исследовательский семинар]] || Политология || 1 курс || 3 модуль<br /> |-<br /> | [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |-<br /> | [[Основы_программирования_в_Python_2019|Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модули<br /> |-<br /> | [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули<br /> |-<br /> | [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули<br /> |-<br /> | [[ПМСАР-1|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 2 г.о. || 3-4 модули<br /> |-<br /> | [[Искусственный интеллект и большие данные_(2019)|Искусственный интеллект и большие данные]] || Дизайн, Мода, Современное искусство || 1 курс || 3-4 модули<br /> |-<br /> | [[Информационный менеджмент: Введение в Data Science|Информационный менеджмент: Введение в Data Science]] || Управление бизнесом &lt;br&gt; Маркетинг и рыночная аналитика || 1 курс || 4 модуль<br /> |-<br /> | [[Технологии анализа больших данных|Технологии анализа больших данных]] || ГМУ || 1 курс || 4 модуль<br /> |-<br /> | [[Основы программирования на Python (Прикладное программное обеспечение)|Основы программирования на Python (Прикладное программное обеспечение)]] || Социология || 1 курс || 4 модуль<br /> |-<br /> | [[Основы работы с данными|Основы работы с данными]] || Медиакоммуникации || 2 курс || 4 модуль<br /> |-<br /> | [[Введение_в_data_science_Социология_1_курс|Профориентационный семинар (Data Culture)]] || Социология || 1 курс || 4 модуль<br /> |-<br /> | [[Введение_в_анализ_данных_МирЭк_2019|Введение в анализ данных]] || Мировая экономика || 1 курс || 4 модуль<br /> <br /> |}<br /> <br /> === 1 семестр ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> |-<br /> | [[Основы анализа данных в международных отношениях 2018/2019|Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули<br /> |-<br /> | [[Introduction_to_Data_Culture_2018-2019|Introduction to Data Culture]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 1 курс || 2 модуль<br /> |-<br /> | [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули<br /> |-<br /> | [[Цифровая грамотность(востоковедение)|Цифровая грамотность]] || Востоковедение || 1 курс || 1 модуль<br /> |-<br /> | [[Разработка управленческих решений в маркетинге | Разработка управленческих решений в маркетинге]] || Маркетинг и рыночная аналитика || 2 курс || 1-2 модули<br /> |-<br /> | [[Информационные технологии в деятельности юриста_2018-2019| Информационные технологии в деятельности юриста]] || Юриспруденция || 1 курс || 2 модуль<br /> |-<br /> | [[Машинное обучение на матфаке 2018/2019| Машинное обучение]] || Факультет математики || 2-4 курсы || 1-2 модули<br /> |-<br /> | [[ПМСАР-2| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули<br /> |-<br /> | [[Анализ данных в Python (Политологи 1 семестр 1-2 модули)|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули<br /> |-<br /> | [[Основы анализа и визуализации данных для медиа (Журналисты 1 семестр 1 модуль)|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль<br /> |-<br /> | [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули<br /> |-<br /> | [[Введение в анализ текстов на Python для ФГН 2018|Введение в анализ текстов на Python для ФГН 2018]] || Фундаментальная и компьютерная лингвистика || 3 курс || 1, 2, 4 модули<br /> |-<br /> | [[Машинное обучение (ФЭН)]] || Факультет экономических наук || 3-4 курсы || 1-2 модули<br /> |-<br /> | [[Программирование_(python)_для_экономистов|Программирование (Python) для экономистов]] || Факультет экономических наук || 2 курс || 1-2 модули<br /> |-<br /> | [[Цифровая грамотность(философия)|Цифровая грамотность]] || Философия || 1 курс || 1-2 модули<br /> |-<br /> | [[Цифровая_грамотность_(историки)|Цифровая грамотность]] || История || 1 курс || 1-2 модули<br /> |-<br /> | [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 1-2 модули<br /> |-<br /> | [[Статистический анализ в среде R (Социологи 1 семестр 2 модуль)|Статистический анализ в среде R ]] || Социология || 4 курс || 2 модуль<br /> |-<br /> | [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |}<br /> <br /> ==Courses of the Statistical Learning Theory program==<br /> [[Neurobayesian_models_2019|Neurobayesian models]]<br /> <br /> == Курсы за 2017/18 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_на_ПМИ_2017/2018_(пилотный_поток) | Математический анализ на ПМИ 2017/2018 (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2017/2018_(основной_поток) | Математический анализ на ПМИ 2017/2018 (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(пилотный_поток,_1_модуль) | Основы и методология программирования на ПМИ 2017/2018 (пилотный поток, 1 модуль)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_2_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 2 модуль)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_3_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 3 модуль)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_2017/2018_(основной_поток) | Алгоритмы и структуры данных на ПМИ 2017/2018 (основной поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Дискретная_математика_1_2017/2018 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Алгоритмы и структуры данных 1 | Алгоритмы и структуры данных – 1 (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]<br /> <br /> [http://hsealgebra18.wikidot.com Алгебра на ПИ]<br /> <br /> ||<br /> [[Теория_вероятностей_2017/2018_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2017/2018_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Математический анализ-3 на ПМИ_2017/2018_(основной_поток) | Математический анализ-2 на ПМИ (основной поток)]]<br /> <br /> [[Математический анализ на ПМИ_2017/2018 | Математический анализ-3 на ПМИ (пилотный поток)]]<br /> <br /> [[DM2-pilot2017/2018 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[DM_2_2017_2018 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы и структуры данных_2_2017/2018 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Дифференциальные уравнения (2 курс, 2017/2018)| Дифференциальные уравнения]]<br /> <br /> ||<br /> [[Машинное_обучение_1/2017_2018 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2/2017_2018 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Численные_методы_2017 | Численные методы]]<br /> <br /> [[Statistics of Stochastic Processes|Статистика случайных процессов 2018]] <br /> <br /> [[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]<br /> <br /> [[Theory_of_Computing | Theory of Computing, AMI]]<br /> <br /> [[Statistical_learning_theory | Introduction to statistical learning theory]]<br /> <br /> [[Основные_методы_анализа_данных_(специализация_АДИС) | Основные методы анализа данных на ПМИ]]<br /> <br /> [[Анализ неструктурированных данных]]<br /> <br /> [[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]<br /> <br /> [[НИС_Распределенные_системы_(3_курс,_2017) | НИС Распределенные системы]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]<br /> <br /> [[Непрерывная_оптимизация | Непрерывная оптимизация]]<br /> <br /> [[ Сложность_и_логика| Сложность вычислений и логика в теоретической информатике]]<br /> <br /> [[Data_analysis_(Software_Engineering)_2018 | Data Analysis на ПИ]]<br /> <br /> [http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]<br /> <br /> [http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных Машинное обучение на больших данных]<br /> <br /> [[Дискретная_оптимизация | Дискретная оптимизация]]<br /> <br /> ||<br /> <br /> [[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]<br /> <br /> [[Философия_науки_2017 | Философия науки]]<br /> <br /> [[НИС_Распределенные_системы_(4_курс,_2017) | НИС Распределенные системы]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]<br /> <br /> [[Анализ неструктурированных данных]]<br /> <br /> [[Байесовские методы машинного обучения 2017 | Байесовские методы машинного обучения]]<br /> <br /> [[Функциональное программирование 2018 | Функциональное программирование]]<br /> <br /> [http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]<br /> <br /> ||<br /> <br /> [[Современные методы машинного обучения (курс майнора) 2017/2018]]<br /> <br /> [[Введение в программирование (курс майнора) 2017/2018]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2017-2018 | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Прикладные задачи анализа данных (майнор - весна 2018)]]<br /> <br /> [[Маго-лего &quot;Линейная алгебра в приложениях&quot; весна 2018 | Линейная алгебра в приложениях (маго-лего)]]<br /> <br /> [[Функциональный анализ 2017/18 | Функциональный анализ на ПМИ (факультатив)]]<br /> <br /> [[Дополнительные главы теории вероятностей и математической статистики (факультативы) | Дополнительные главы теории вероятностей и математической статистики (факультативы)]]<br /> <br /> [[Дополнительные главы дискретной математики 2017/18 | Дополнительные главы дискретной математики (факультатив)]]<br /> <br /> [[Цифровые технологии в гуманитарных науках]]<br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> <br /> === 2 семестр ===<br /> <br /> [[Цифровая_грамотность_2018_(2_семестр)|Цифровая грамотность (факультет гуманитарных наук — 2 семестр: ИЯМК, Филология, История искусств, Культурология, 1 курс)]]&lt;br /&gt;<br /> [[Научно-исследовательский семинар (ФСН) |Научно-исследовательский семинар (ОП &quot;Политология&quot;, 1 курс)]]&lt;br /&gt;<br /> [[Introduction_to_Data_Culture|Introduction to Data Culture (HSE and University of London Parallel Degree Programme in International Relations, 1 year)]]&lt;br /&gt;<br /> [[ИИ_и_БД|Искусственный интеллект и большие данные (ОП &quot;Дизайн&quot;, &quot;Мода&quot;, 1 курс)]]&lt;br /&gt;<br /> [[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП &quot;Фундаментальная и компьютерная лингвистика&quot;, 4 курс, 2 семестр)]]&lt;br /&gt;<br /> [[Основы анализа данных в международных отношениях|Основы анализа данных в международных отношениях (ОП &quot;Международные отношения&quot;, 2 курс, 4 модуль)]]&lt;br /&gt;<br /> [[Введение в data science (2_семестр)|Профориентационный семинар (блок по введению в data scicence) (Факультет социальных наук — 2 семестр: Социология, 1 курс)]]&lt;br /&gt;<br /> [[Введение в Data Science| Введение в Data Science (ФБиМ, 4 модуль)]]&lt;br /&gt;<br /> <br /> === 1 семестр ===<br /> <br /> [[Цифровая_грамотность|Цифровая грамотность (факультет гуманитарных наук — 1 семестр: История, Философия, 1 курс)]]&lt;br /&gt;<br /> [[Машинное обучение (факультет экономических наук)|Машинное обучение (факультет экономических наук)]] &lt;br /&gt;<br /> [[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП &quot;Фундаментальная и компьютерная лингвистика&quot;, 4 курс, 1 семестр)]]&lt;br /&gt;<br /> [[Извлечение и анализ интернет-данных | Извлечение и анализ интернет-данных (факультет экономических наук)]]&lt;br /&gt;<br /> [[Анализ больших данных в социальных науках (ФСН, 2017) | Анализ больших данных в социальных науках (ФСН, 2017)]]&lt;br /&gt;<br /> [[Информационные_технологии_в_деятельности_юриста|Информационные технологии в деятельности юриста (Факультет права)]] &lt;br /&gt;<br /> [[Машинное_обучение_для_лингвистов|Машинное обучение (магистратура Школы лингвистики)]] &lt;br /&gt;<br /> <br /> == Курсы магистратуры Финансовые технологии и анализ данных ==<br /> <br /> [[Вероятностные_модели_и_прикладная_статистика_в_финансовой_математике|Вероятностные модели и прикладная статистика в финансовой математике]] <br /> <br /> <br /> [[Рекомендательные системы и поиск закономерностей в данных|Рекомендательные системы и поиск закономерностей в данных]]<br /> <br /> <br /> == Courses of Data Science master program/Курсы магистерской программы &quot;Науки о данных&quot; ==<br /> <br /> [[Introduction to Machine Learning and Data Mining|Introduction to Machine Learning and Data Mining]]<br /> <br /> == Курсы за 2016/17 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3-4 курс !! майноры<br /> |-<br /> |<br /> <br /> [[Математический анализ на ПМИ_2016/2017 | Математический анализ на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная алгебра и геометрия_2016/2017 | Линейная алгебра и геометрия на ПМИ]]<br /> <br /> [[Дискретная_математика_1_2016/2017 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Основы и методология программирования_2016/2017_пилотный_поток | Основы и методология программирования на ПМИ (пилотный поток)]]<br /> <br /> [[Основы и методология программирования_2016/2017 | Основы и методология программирования на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_(пилотный_поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_(основной_поток) | Алгоритмы и структуры данных на ПМИ (основной поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]<br /> <br /> [http://hsealgebra17.wikidot.com/ Алгебра на ПИ]<br /> <br /> || <br /> <br /> [[Математический анализ_2016/2017 | Математический анализ-3 на ПМИ (основной поток)]]<br /> <br /> [[Математически_анализ_3_на_ПМИ_(пилотный_поток) | Математический анализ-3 на ПМИ (пилотный поток)]]<br /> <br /> [[DM_2_2016_2017 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Дискретная математика_2_2016/2017 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[Алгоритмы и структуры данных_2_2016/2017 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Теория вероятностей_2016/2017 | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2016/2017_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы]]<br /> <br /> [[Факультатив_теория_вычислений_2016/2017 | Факультатив теория вычислений на ПМИ]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей_(факультатив,_2017) | Дополнительные главы теории вероятностей (факультатив)]]<br /> <br /> [[Дифференциальные_уравнения_(2_курс,_2016/2017) | Дифференциальные уравнения]]<br /> <br /> [[Математическая_статистика_2016/2017_(пилотный_поток) | Математическая статистика на ПМИ (пилотный поток)]]<br /> <br /> [[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы ]]<br /> <br /> || <br /> <br /> [[НИС_Машинное_обучение_и_приложения_2016/2017 | НИС Машинное обучение и приложения на ПМИ]]<br /> <br /> [[Машинное_обучение_1/2016_2017 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2/2016_2017 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Прикладной_статистический_анализ_данных | Прикладной статистический анализ данных на ПМИ]]<br /> <br /> [[Численные_методы_в_анализе_данных | Численные методы в анализе данных на ПМИ]]<br /> <br /> [http://www.machinelearning.ru/wiki/index.php?title=Статистика_случайных_процессов_(курс_лекций,_ФКН_ВШЭ) Вероятностные модели и статистика случайных процессов на ПМИ]<br /> <br /> [http://www.machinelearning.ru/wiki/index.php?title=Opt Методы оптимизации на ПМИ (специализации МОП и РС)]<br /> <br /> [[Методы_оптимизации_(весна_2017)|Методы оптимизации 2 (дискретная оптимизация)]]<br /> <br /> [[НИС_Распределенные_системы_(осень_2016) | НИС Распределенные системы]]<br /> <br /> [[Анализ и верификация алгоритмов биржевой торговли | Анализ и верификация алгоритмов для систем биржевой торговли ]]<br /> <br /> [[Программирование_на_графических_процессорах | Программирование на графических процессорах]]<br /> <br /> [[ЯРПО | Языки разработки ПО (курс по выбору) на ПМИ]]<br /> <br /> [[Data analysis (Software Engineering) 2017 | Data analysis на ПИ]]<br /> <br /> [[Базы данных 2 | Базы данных 2 ]]<br /> <br /> [[Компьютерные сети 2 | Компьютерные сети 2]]<br /> <br /> [[Машинное_обучение_на_больших_данных | Машинное обучение на больших данных на ПМИ]]<br /> <br /> ||<br /> <br /> [[Современные_методы_машинного_обучения_(курс_майнора) | Современные методы машинного обучения (курс майнора)]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_программирование_2016/2017 | Введение в программирование (курс майнора)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2016-2017 | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Прикладные задачи анализа данных| Прикладные задачи анализа данных (курс майнора)]]<br /> <br /> |}<br /> <br /> {|width=100%<br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Первая колонка --&gt;<br /> <br /> === Курсы за 2015/16 учебный год ===<br /> {|<br /> |-<br /> | [[Технологии программирования|Технологии программирования на ПМИ]]<br /> |-<br /> |[[ОиМП-2015|Основы и методология программирования на ПМИ]]<br /> |-<br /> |[[Алгоритмы и структуры данных 2016]]<br /> |-<br /> |[[Линейная алгебра и геометрия_2015/2016 | Линейная алгебра и геометрия на ПМИ]]<br /> |-<br /> |[[Алгебра_2015/2016 | Алгебра на ПМИ]]<br /> |-<br /> |[http://hsealgebra.wikidot.com/ Алгебра на ПИ]<br /> |-<br /> |[[Компьютерные системы]]<br /> |-<br /> |[[Математический анализ на ПМИ_2015/2016 | Математический анализ на ПМИ]]<br /> |-<br /> |[[Факультатив_Матпрактикум | Матпрактикум (факультатив) на ПМИ]]<br /> |-<br /> |[[Data analysis (Software Engineering)]]&lt;br /&gt;<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора) на ПМИ]]<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2015-2016|Введение в анализ данных (курс майнора) на ПМИ]]<br /> |-<br /> |[[НИС Машинное обучение и приложения|НИС Машинное обучение и приложения на ПМИ]]<br /> |-<br /> |[[Архитектура компьютеров и системное программирование (ПМИ_4, 2015/2016)|Архитектура компьютеров и системное программирование (4 курс)]]<br /> |-<br /> |[[Дифференциальные уравнения (2 курс, 2015/2016)| Дифференциальные уравнения]]<br /> |-<br /> |[[Введение в VBA|Введение в VBA]]<br /> |}<br /> <br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Вторая колонка --&gt;<br /> <br /> === Курсы за 2014/15 учебный год ===<br /> {|<br /> |-<br /> |[[Основы и методологии программирования]]&lt;br /&gt;<br /> |-<br /> |[[Алгоритмы и структуры данных 2015 | Алгоритмы и структуры данных]]&lt;br /&gt;<br /> |-<br /> |[[Анализ данных (Программная инженерия)]]&lt;br /&gt;<br /> |-<br /> |[[Алгебра_2014/2015 | Алгебра]]&lt;br /&gt;<br /> |-<br /> |[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]<br /> |}<br /> <br /> ==== Проектная работа ====<br /> {|<br /> |-<br /> |[[Проектная работа]] &lt;br /&gt;<br /> |-<br /> |[[Учебная практика 1 курс (2016)]]<br /> |-<br /> |[[Проектная работа 2 курс (2016)]]<br /> |}<br /> <br /> &lt;!-- Завершение двухколоночной таблицы --&gt;<br /> |}<br /> <br /> == Мероприятия факультета компьютерных наук ==<br /> === Summer School 2015 ===<br /> [[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]<br /> #[[Lecture 1. Introduction|Introduction]]<br /> #[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]<br /> #[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]<br /> #[[Lecture 4. Parsing|Parsing]]<br /> #[[Lecture 5. Language sources|Language sources]]<br /> #[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]<br /> #[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]<br /> #[[NLP References|References]]<br /> <br /> == Архив ==<br /> * [[Учебная практика 1 курс (2015)]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9E_%D1%84%D0%B0%D0%BA%D1%83%D0%BB%D1%8C%D1%82%D0%B5%D1%82%D0%B5&diff=36211 2019-10-29T12:14:49Z

<p>Brainylyasha: </p> <hr /> <div>__NOTOC__ <br /> <br /> = Учебные курсы факультета компьютерных наук =<br /> <br /> == Курсы за 2019/20 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_1_2019/2020 | Математический анализ-1 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2019/2020_(основной_поток) | Математический анализ на ПМИ (основной поток)]]<br /> <br /> [[Дискретная_математика_1_2019/2020 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_1_2019/2020 | Основы и методология программирования-1 на ПМИ (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_1_2019/2020_(пилотный_поток) | Основы и методология программирования-1 на ПМИ (пилотный поток)]]<br /> <br /> [[Discrete_Mathematics_DSBA2019/2020 | Discrete Mathematics DSBA (ПАД)]]<br /> <br /> [[Calculus_DSBA2019/2020 | Calculus DSBA (ПАД)]]<br /> <br /> [[LAaG_DSBA_2019/2020 | Linear Algebra and Geometry (ПАД)]]<br /> <br /> [[Introduction_to_programming_DSBA_2019/2020 | Introduction to Programming (ПАД)]]<br /> <br /> [[English_DSBA_2019/2020 | English DSBA (ПАД)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_1_основной_поток_2019/202 | Алгоритмы и структуры данных-1 на ПМИ (основной поток)]]<br /> <br /> ||<br /> <br /> <br /> <br /> [[DM2-basic2019/2020 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[DM2-pilot2019/2020 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[Теория_вероятностей_2019/2020_(основной_поток)| Теория_вероятностей_2019/2020 на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_и_математическая_статистика_2019/2020_(пилотный_поток)| ТВиМС (пилотный поток)]]<br /> <br /> [[Математический_анализ_2019/2020_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_2_2019/2020_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2019/2020 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> [[Calculus_2_2019 | Calculus-2 DBSA (ПАД)]]<br /> <br /> [[Statistics_DSBA_2019/2020 | Statistics DSBA (ПАД)]]<br /> <br /> [[DM2 | Дискретная Математика-2 (ПАД)]]<br /> <br /> [[ADS2 | Алгоритмы и Структуры Данных-2 (ПАД)]]<br /> <br /> ||<br /> <br /> [[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Прикладная_статистика_в_машинном_обучении(2019)|Прикладная статистика в машинном обучении]]<br /> <br /> [[НИС_РС_1|НИС Распределенные системы]]<br /> <br /> [[Theory_of_Computing_2019_2020 | Theory of Computing, AMI]]<br /> <br /> [[Компьютерные_Сети | Компьютерные сети]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]<br /> <br /> [[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]<br /> <br /> ||<br /> <br /> [[InfTheo2019-2020|Теория информации]]<br /> <br /> [[Байесовские_методы_машинного_обучения_2019|Байесовские методы машинного обучения]]<br /> <br /> [[НИС Науки о данных]]<br /> <br /> [[НИС_РС_2|НИС Распределенные системы 2]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]<br /> <br /> [[Философия_науки_2019|Философия науки]]<br /> <br /> [[Глубинное обучение|Глубинное обучение]]<br /> <br /> [[NLP 2019|NLP Анализ данных]]<br /> <br /> [[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]<br /> <br /> ||<br /> [[MinorBioinformatics|Биоинформатика]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Современные_методы_машинного_обучения | Современные методы машинного обучения (ИАД)]]<br /> <br /> [[KotlinElective|Факультатив &quot;Язык Kotlin&quot; (2-3 модули)]]<br /> <br /> [[ISDElective|Факультатив &quot;Методы разработки программного обеспечения&quot; (1-2 модули)]]<br /> <br /> [[Введение в программирование (курс майнора)]]<br /> <br /> [[dopglavy_DM_1920|Допглавы дискретной математики]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей-2_2019/2020|ДГТВ-2]]<br /> <br /> ||<br /> <br /> <br /> |}<br /> <br /> == Курсы магистратуры ФКН ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс<br /> <br /> |-<br /> | [[Theory_of_Computing_2019_2020 | Theory of Computing]] || Науки о данных, специализация ТИ || 1 курс<br /> |-<br /> | [[Project_Seminar_2019_2020 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 курс<br /> |-<br /> | [[Stochastic_analysis_2019_2020 | Stochastic Calculus ]] || Statistical Learning Theory || 1 year<br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 1 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> |-<br /> | [[ Основы анализа и визуализация данных для медиа 2019/2020 | Основы анализа и визуализации данных для медиа ]] || Журналистика || 4 курс || 1 модуль<br /> |-<br /> | [[ Анализ данных в Python 2019-2020 | Анализ данных в Python ]] || Политология || 4 курс || 1-2 модули<br /> |-<br /> | [[Introduction to Data Culture 2019-2020 | Introduction to Data Culture ]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 1 курс || 2 модуль<br /> |-<br /> | [[ Основы анализа данных в международных отношениях | Основы анализа данных в международных отношениях ]] || Международные отношения || 2 курс || 1-2 модуль<br /> |-<br /> | [[Основы программирования в Python (Политология)|Основы программирования в Python]] || Политология || 3 курс || 1-2 модули<br /> |-<br /> | [[Основы программирования на Python осень 2019 матфак|Основы программирования на Python-1]] || Математика || 1-4 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая грамотность (История 2019) | Цифровая грамотность ]] || История || 1 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая грамотность (Востоковедение 2019) | Цифровая грамотность ]] || Востоковедение|| 1 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая_грамотность_2019-2020(философия) | Цифровая грамотность ]] || Философия || 1 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая грамотность (ассириология и античность 2019) | Цифровая грамотность ]] || Ассириология и античность|| 1 курс || 1-2 модули<br /> |-<br /> | [[ПМСАР-2_2019| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули<br /> |-<br /> | [[Работа с данными]] || Медиакоммуникации || 4 курс || 1 модуль<br /> |-<br /> | [[Машинное обучение (фэн 2019)]] || ФЭН || 3 курс || 1-2 модули<br /> |-<br /> | [[Natural_Language_Processing_Blended_2019_module1 | Natural Language Processing (blended)]] || Прикладная политология || 2 г.о. || 1 модуль<br /> |-<br /> | [[ ML_HSE_NES_2019 | Машинное обучение (ВШЭ-РЭШ)]] || Совместный бакалавриат ВШЭ-РЭШ || 3-4 курс || 1-2 модули<br /> |-<br /> | [[ Основы_анализа_и_визуализации_данных_ДИЯ_2019/2020 | Основы анализа и визуализации данных ]] || ДИЯ || 2 курс || 1,2 модуль<br /> |}<br /> <br /> =Архив=<br /> == Курсы за 2018/19 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_на_ПМИ_2018/2019_(пилотный_поток) | Математический анализ на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2018/2019_(основной_поток) | Математический анализ на ПМИ (основной поток)]]<br /> <br /> [[Calculus_DSBA_2018/2019 | Calculus I DSBA (ПАД)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2018/2019_(пилотный_поток) | Основы и методология программирования на ПМИ (пилотный поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2019_(С%2B%2B,_основной_поток) | Основы и методология программирования на ПМИ (С++, основной поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[LAaG_DSBA_2018/2019 | LAaG DSBA]]<br /> <br /> [[Дискретная_математика_1_2018/2019 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Discrete_Mathematics_DSBA2018/2019 |Discrete Mathematics DSBA (ПАД)]]<br /> <br /> [[Introduction_to_programming | Introduction to programming DSBA (ПАД)]]<br /> <br /> [[Introduction_to_programming_2 | Introduction to programming 2 DSBA (ПАД)]]<br /> <br /> [[Алгебра_на_ПМИ_2018/2019_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2018/2019_(основной_поток) | Алгебра на ПМИ (основной поток)]]<br /> <br /> [[Algebra_DSBA_2018/2019 | Algebra DSBA]]<br /> <br /> [http://hsealgebra19.wikidot.com Алгебра на ПИ]<br /> <br /> [[Алгоритмы_и_структуры_данных_2018/2019 | Алгоритмы и структуры данных на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> ||<br /> <br /> [http://math-info.hse.ru/s18/t Дифференциальные уравнения]<br /> <br /> [[Теория_вероятностей_2018/2019_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2018/2019_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_2018/2019_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_2018/2019_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]<br /> <br /> [[DM2-pilot2018/2019 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[DM2-basic2018/2019 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2018/2019 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Факультатив Теория вычислений]]<br /> <br /> ||<br /> <br /> [[Машинное_обучение_1/2018_2019 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Численные_Методы_2018 | Численные методы ]]<br /> <br /> [[PDC | Параллельные и распределенные вычисления]]<br /> <br /> [[Theory_of_Computing_2018_2019 | Theory of Computing, AMI]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]<br /> <br /> [[Прикладная_статистика_в_машинном_обучении(2018)|Прикладная статистика в машинном обучении]]<br /> <br /> [[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]<br /> <br /> [[НИС_РС|НИС Распределенные системы]]<br /> <br /> [[Основные методы анализа данных]]<br /> <br /> [[Теория баз данных]]<br /> <br /> [[Непрерывная оптимизация/2019|Непрерывная оптимизация (161-162)]]<br /> <br /> [[Непрерывная оптимизация (163-167)]]<br /> <br /> [[Сложность вычислений и логика в теоретической информатике]]<br /> <br /> [[Data analysis (Software Engineering) 2019|Data analysis]]<br /> <br /> [[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]<br /> <br /> [[Intro to DL Blended | Intro to DL Blended]]<br /> <br /> [[Дискретная оптимизация 2019 | Дискретная оптимизация 2019]]<br /> <br /> ||<br /> <br /> [[Statistical_learning_theory_2018_2019 | Introduction to statistical learning theory]]<br /> <br /> [[Анализ_неструктурированных_данных-2018 |Анализ неструктурированных данных ]]<br /> <br /> [[Байесовские_методы_машинного_обучения_2018|Байесовские методы машинного обучения]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]<br /> <br /> [[НИС_Науки_о_данных_2018/2019|НИС Науки о данных]]<br /> <br /> [[НИС_Распределенные_системы_(4_курс,_2018)|НИС Распределенные системы]]<br /> <br /> [[Теория_Информации_2018/2019|Теория информации]]<br /> <br /> [[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]<br /> <br /> [[Методы_и_системы_обработки_больших_данных_(осень_2018)|Методы и системы обработки больших данных]]<br /> <br /> [[Философия_науки_2018|Философия науки]]<br /> <br /> [[Теория баз данных]]<br /> <br /> [[ConvAppr19 | Выпуклое программирование и аппроксимационные алгоритмы (ТИ)]]<br /> <br /> [[Функциональное программирование 2019 | Функциональное программирование]]<br /> <br /> [[A_Theorist's_Toolkit_2018_2019 | A Theorist's Toolkit, AMI]]<br /> <br /> [[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]<br /> <br /> ||<br /> [[Дополнительные главы теории вероятностей 2019 | Дополнительные главы теории вероятностей 2019]]<br /> <br /> [[Дополнительные главы математической статистики 2019 | Дополнительные главы математической статистики 2019]]<br /> <br /> [[Введение в программирование (курс майнора) 2018/2019]]<br /> <br /> [[dopglavy_DM_1819|Допглавы дискретной математики]]<br /> <br /> [[Современные_методы_машинного_обучения_(курс_майнора)_2018/2019 | Современные методы машинного обучения (курс майнора) 2018/2019]]<br /> <br /> [[Прикладные_задачи_анализа_данных_(майнор_-_весна_2019) | Прикладные задачи анализа данных (майнор - весна 2019)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Функциональный анализ (весна_2019) | Функциональный анализ (весна_2019)]]<br /> <br /> [[KotlinElective| Язык Kotlin (3 и 4 модули 2018-2019)]]<br /> <br /> ||<br /> <br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 2 семестр ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> |-<br /> | [[Основы программирования на Python весна 2019 матфак|Основы программирования на Python-2]] || Математика || 2-4 курс || 3-4 модули<br /> |-<br /> | [[Цифровая_грамотность_(филология)|Цифровая грамотность]] || Филология || 1 курс || 3-4 модули<br /> |-<br /> | [[Цифровая_грамотность_(ИИ_и_культурология)|Цифровая грамотность]] || История искусств и Культурология || 1 курс || 3-4 модули<br /> |-<br /> | [[Цифровая_грамотность_(ИЯМК_2019)|Цифровая грамотность]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 1 курс || 3-4 модули<br /> |-<br /> | [[Основы_анализа_и_визуализации_данных_ДИЯ_2019|Анализ и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 3-4 модули<br /> |-<br /> | [[Научно-исследовательский_семинар_2019| Научно-исследовательский семинар]] || Политология || 1 курс || 3 модуль<br /> |-<br /> | [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |-<br /> | [[Основы_программирования_в_Python_2019|Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модули<br /> |-<br /> | [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули<br /> |-<br /> | [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули<br /> |-<br /> | [[ПМСАР-1|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 2 г.о. || 3-4 модули<br /> |-<br /> | [[Искусственный интеллект и большие данные_(2019)|Искусственный интеллект и большие данные]] || Дизайн, Мода, Современное искусство || 1 курс || 3-4 модули<br /> |-<br /> | [[Информационный менеджмент: Введение в Data Science|Информационный менеджмент: Введение в Data Science]] || Управление бизнесом &lt;br&gt; Маркетинг и рыночная аналитика || 1 курс || 4 модуль<br /> |-<br /> | [[Технологии анализа больших данных|Технологии анализа больших данных]] || ГМУ || 1 курс || 4 модуль<br /> |-<br /> | [[Основы программирования на Python (Прикладное программное обеспечение)|Основы программирования на Python (Прикладное программное обеспечение)]] || Социология || 1 курс || 4 модуль<br /> |-<br /> | [[Основы работы с данными|Основы работы с данными]] || Медиакоммуникации || 2 курс || 4 модуль<br /> |-<br /> | [[Введение_в_data_science_Социология_1_курс|Профориентационный семинар (Data Culture)]] || Социология || 1 курс || 4 модуль<br /> |-<br /> | [[Введение_в_анализ_данных_МирЭк_2019|Введение в анализ данных]] || Мировая экономика || 1 курс || 4 модуль<br /> <br /> |}<br /> <br /> === 1 семестр ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> |-<br /> | [[Основы анализа данных в международных отношениях 2018/2019|Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули<br /> |-<br /> | [[Introduction_to_Data_Culture_2018-2019|Introduction to Data Culture]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 1 курс || 2 модуль<br /> |-<br /> | [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули<br /> |-<br /> | [[Цифровая грамотность(востоковедение)|Цифровая грамотность]] || Востоковедение || 1 курс || 1 модуль<br /> |-<br /> | [[Разработка управленческих решений в маркетинге | Разработка управленческих решений в маркетинге]] || Маркетинг и рыночная аналитика || 2 курс || 1-2 модули<br /> |-<br /> | [[Информационные технологии в деятельности юриста_2018-2019| Информационные технологии в деятельности юриста]] || Юриспруденция || 1 курс || 2 модуль<br /> |-<br /> | [[Машинное обучение на матфаке 2018/2019| Машинное обучение]] || Факультет математики || 2-4 курсы || 1-2 модули<br /> |-<br /> | [[ПМСАР-2| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули<br /> |-<br /> | [[Анализ данных в Python (Политологи 1 семестр 1-2 модули)|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули<br /> |-<br /> | [[Основы анализа и визуализации данных для медиа (Журналисты 1 семестр 1 модуль)|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль<br /> |-<br /> | [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули<br /> |-<br /> | [[Введение в анализ текстов на Python для ФГН 2018|Введение в анализ текстов на Python для ФГН 2018]] || Фундаментальная и компьютерная лингвистика || 3 курс || 1, 2, 4 модули<br /> |-<br /> | [[Машинное обучение (ФЭН)]] || Факультет экономических наук || 3-4 курсы || 1-2 модули<br /> |-<br /> | [[Программирование_(python)_для_экономистов|Программирование (Python) для экономистов]] || Факультет экономических наук || 2 курс || 1-2 модули<br /> |-<br /> | [[Цифровая грамотность(философия)|Цифровая грамотность]] || Философия || 1 курс || 1-2 модули<br /> |-<br /> | [[Цифровая_грамотность_(историки)|Цифровая грамотность]] || История || 1 курс || 1-2 модули<br /> |-<br /> | [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 1-2 модули<br /> |-<br /> | [[Статистический анализ в среде R (Социологи 1 семестр 2 модуль)|Статистический анализ в среде R ]] || Социология || 4 курс || 2 модуль<br /> |-<br /> | [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |}<br /> <br /> ==Courses of the Statistical Learning Theory program==<br /> [[Neurobayesian_models_2019|Neurobayesian models]]<br /> <br /> == Курсы за 2017/18 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_на_ПМИ_2017/2018_(пилотный_поток) | Математический анализ на ПМИ 2017/2018 (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2017/2018_(основной_поток) | Математический анализ на ПМИ 2017/2018 (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(пилотный_поток,_1_модуль) | Основы и методология программирования на ПМИ 2017/2018 (пилотный поток, 1 модуль)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_2_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 2 модуль)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_3_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 3 модуль)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_2017/2018_(основной_поток) | Алгоритмы и структуры данных на ПМИ 2017/2018 (основной поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Дискретная_математика_1_2017/2018 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Алгоритмы и структуры данных 1 | Алгоритмы и структуры данных – 1 (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]<br /> <br /> [http://hsealgebra18.wikidot.com Алгебра на ПИ]<br /> <br /> ||<br /> [[Теория_вероятностей_2017/2018_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2017/2018_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Математический анализ-3 на ПМИ_2017/2018_(основной_поток) | Математический анализ-2 на ПМИ (основной поток)]]<br /> <br /> [[Математический анализ на ПМИ_2017/2018 | Математический анализ-3 на ПМИ (пилотный поток)]]<br /> <br /> [[DM2-pilot2017/2018 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[DM_2_2017_2018 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы и структуры данных_2_2017/2018 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Дифференциальные уравнения (2 курс, 2017/2018)| Дифференциальные уравнения]]<br /> <br /> ||<br /> [[Машинное_обучение_1/2017_2018 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2/2017_2018 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Численные_методы_2017 | Численные методы]]<br /> <br /> [[Statistics of Stochastic Processes|Статистика случайных процессов 2018]] <br /> <br /> [[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]<br /> <br /> [[Theory_of_Computing | Theory of Computing, AMI]]<br /> <br /> [[Statistical_learning_theory | Introduction to statistical learning theory]]<br /> <br /> [[Основные_методы_анализа_данных_(специализация_АДИС) | Основные методы анализа данных на ПМИ]]<br /> <br /> [[Анализ неструктурированных данных]]<br /> <br /> [[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]<br /> <br /> [[НИС_Распределенные_системы_(3_курс,_2017) | НИС Распределенные системы]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]<br /> <br /> [[Непрерывная_оптимизация | Непрерывная оптимизация]]<br /> <br /> [[ Сложность_и_логика| Сложность вычислений и логика в теоретической информатике]]<br /> <br /> [[Data_analysis_(Software_Engineering)_2018 | Data Analysis на ПИ]]<br /> <br /> [http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]<br /> <br /> [http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных Машинное обучение на больших данных]<br /> <br /> [[Дискретная_оптимизация | Дискретная оптимизация]]<br /> <br /> ||<br /> <br /> [[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]<br /> <br /> [[Философия_науки_2017 | Философия науки]]<br /> <br /> [[НИС_Распределенные_системы_(4_курс,_2017) | НИС Распределенные системы]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]<br /> <br /> [[Анализ неструктурированных данных]]<br /> <br /> [[Байесовские методы машинного обучения 2017 | Байесовские методы машинного обучения]]<br /> <br /> [[Функциональное программирование 2018 | Функциональное программирование]]<br /> <br /> [http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]<br /> <br /> ||<br /> <br /> [[Современные методы машинного обучения (курс майнора) 2017/2018]]<br /> <br /> [[Введение в программирование (курс майнора) 2017/2018]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2017-2018 | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Прикладные задачи анализа данных (майнор - весна 2018)]]<br /> <br /> [[Маго-лего &quot;Линейная алгебра в приложениях&quot; весна 2018 | Линейная алгебра в приложениях (маго-лего)]]<br /> <br /> [[Функциональный анализ 2017/18 | Функциональный анализ на ПМИ (факультатив)]]<br /> <br /> [[Дополнительные главы теории вероятностей и математической статистики (факультативы) | Дополнительные главы теории вероятностей и математической статистики (факультативы)]]<br /> <br /> [[Дополнительные главы дискретной математики 2017/18 | Дополнительные главы дискретной математики (факультатив)]]<br /> <br /> [[Цифровые технологии в гуманитарных науках]]<br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> <br /> === 2 семестр ===<br /> <br /> [[Цифровая_грамотность_2018_(2_семестр)|Цифровая грамотность (факультет гуманитарных наук — 2 семестр: ИЯМК, Филология, История искусств, Культурология, 1 курс)]]&lt;br /&gt;<br /> [[Научно-исследовательский семинар (ФСН) |Научно-исследовательский семинар (ОП &quot;Политология&quot;, 1 курс)]]&lt;br /&gt;<br /> [[Introduction_to_Data_Culture|Introduction to Data Culture (HSE and University of London Parallel Degree Programme in International Relations, 1 year)]]&lt;br /&gt;<br /> [[ИИ_и_БД|Искусственный интеллект и большие данные (ОП &quot;Дизайн&quot;, &quot;Мода&quot;, 1 курс)]]&lt;br /&gt;<br /> [[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП &quot;Фундаментальная и компьютерная лингвистика&quot;, 4 курс, 2 семестр)]]&lt;br /&gt;<br /> [[Основы анализа данных в международных отношениях|Основы анализа данных в международных отношениях (ОП &quot;Международные отношения&quot;, 2 курс, 4 модуль)]]&lt;br /&gt;<br /> [[Введение в data science (2_семестр)|Профориентационный семинар (блок по введению в data scicence) (Факультет социальных наук — 2 семестр: Социология, 1 курс)]]&lt;br /&gt;<br /> [[Введение в Data Science| Введение в Data Science (ФБиМ, 4 модуль)]]&lt;br /&gt;<br /> <br /> === 1 семестр ===<br /> <br /> [[Цифровая_грамотность|Цифровая грамотность (факультет гуманитарных наук — 1 семестр: История, Философия, 1 курс)]]&lt;br /&gt;<br /> [[Машинное обучение (факультет экономических наук)|Машинное обучение (факультет экономических наук)]] &lt;br /&gt;<br /> [[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП &quot;Фундаментальная и компьютерная лингвистика&quot;, 4 курс, 1 семестр)]]&lt;br /&gt;<br /> [[Извлечение и анализ интернет-данных | Извлечение и анализ интернет-данных (факультет экономических наук)]]&lt;br /&gt;<br /> [[Анализ больших данных в социальных науках (ФСН, 2017) | Анализ больших данных в социальных науках (ФСН, 2017)]]&lt;br /&gt;<br /> [[Информационные_технологии_в_деятельности_юриста|Информационные технологии в деятельности юриста (Факультет права)]] &lt;br /&gt;<br /> [[Машинное_обучение_для_лингвистов|Машинное обучение (магистратура Школы лингвистики)]] &lt;br /&gt;<br /> <br /> == Курсы магистратуры Финансовые технологии и анализ данных ==<br /> <br /> [[Вероятностные_модели_и_прикладная_статистика_в_финансовой_математике|Вероятностные модели и прикладная статистика в финансовой математике]] <br /> <br /> <br /> [[Рекомендательные системы и поиск закономерностей в данных|Рекомендательные системы и поиск закономерностей в данных]]<br /> <br /> <br /> == Courses of Data Science master program/Курсы магистерской программы &quot;Науки о данных&quot; ==<br /> <br /> [[Introduction to Machine Learning and Data Mining|Introduction to Machine Learning and Data Mining]]<br /> <br /> == Курсы за 2016/17 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3-4 курс !! майноры<br /> |-<br /> |<br /> <br /> [[Математический анализ на ПМИ_2016/2017 | Математический анализ на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная алгебра и геометрия_2016/2017 | Линейная алгебра и геометрия на ПМИ]]<br /> <br /> [[Дискретная_математика_1_2016/2017 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Основы и методология программирования_2016/2017_пилотный_поток | Основы и методология программирования на ПМИ (пилотный поток)]]<br /> <br /> [[Основы и методология программирования_2016/2017 | Основы и методология программирования на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_(пилотный_поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_(основной_поток) | Алгоритмы и структуры данных на ПМИ (основной поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]<br /> <br /> [http://hsealgebra17.wikidot.com/ Алгебра на ПИ]<br /> <br /> || <br /> <br /> [[Математический анализ_2016/2017 | Математический анализ-3 на ПМИ (основной поток)]]<br /> <br /> [[Математически_анализ_3_на_ПМИ_(пилотный_поток) | Математический анализ-3 на ПМИ (пилотный поток)]]<br /> <br /> [[DM_2_2016_2017 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Дискретная математика_2_2016/2017 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[Алгоритмы и структуры данных_2_2016/2017 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Теория вероятностей_2016/2017 | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2016/2017_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы]]<br /> <br /> [[Факультатив_теория_вычислений_2016/2017 | Факультатив теория вычислений на ПМИ]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей_(факультатив,_2017) | Дополнительные главы теории вероятностей (факультатив)]]<br /> <br /> [[Дифференциальные_уравнения_(2_курс,_2016/2017) | Дифференциальные уравнения]]<br /> <br /> [[Математическая_статистика_2016/2017_(пилотный_поток) | Математическая статистика на ПМИ (пилотный поток)]]<br /> <br /> [[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы ]]<br /> <br /> || <br /> <br /> [[НИС_Машинное_обучение_и_приложения_2016/2017 | НИС Машинное обучение и приложения на ПМИ]]<br /> <br /> [[Машинное_обучение_1/2016_2017 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2/2016_2017 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Прикладной_статистический_анализ_данных | Прикладной статистический анализ данных на ПМИ]]<br /> <br /> [[Численные_методы_в_анализе_данных | Численные методы в анализе данных на ПМИ]]<br /> <br /> [http://www.machinelearning.ru/wiki/index.php?title=Статистика_случайных_процессов_(курс_лекций,_ФКН_ВШЭ) Вероятностные модели и статистика случайных процессов на ПМИ]<br /> <br /> [http://www.machinelearning.ru/wiki/index.php?title=Opt Методы оптимизации на ПМИ (специализации МОП и РС)]<br /> <br /> [[Методы_оптимизации_(весна_2017)|Методы оптимизации 2 (дискретная оптимизация)]]<br /> <br /> [[НИС_Распределенные_системы_(осень_2016) | НИС Распределенные системы]]<br /> <br /> [[Анализ и верификация алгоритмов биржевой торговли | Анализ и верификация алгоритмов для систем биржевой торговли ]]<br /> <br /> [[Программирование_на_графических_процессорах | Программирование на графических процессорах]]<br /> <br /> [[ЯРПО | Языки разработки ПО (курс по выбору) на ПМИ]]<br /> <br /> [[Data analysis (Software Engineering) 2017 | Data analysis на ПИ]]<br /> <br /> [[Базы данных 2 | Базы данных 2 ]]<br /> <br /> [[Компьютерные сети 2 | Компьютерные сети 2]]<br /> <br /> [[Машинное_обучение_на_больших_данных | Машинное обучение на больших данных на ПМИ]]<br /> <br /> ||<br /> <br /> [[Современные_методы_машинного_обучения_(курс_майнора) | Современные методы машинного обучения (курс майнора)]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_программирование_2016/2017 | Введение в программирование (курс майнора)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2016-2017 | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Прикладные задачи анализа данных| Прикладные задачи анализа данных (курс майнора)]]<br /> <br /> |}<br /> <br /> {|width=100%<br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Первая колонка --&gt;<br /> <br /> === Курсы за 2015/16 учебный год ===<br /> {|<br /> |-<br /> | [[Технологии программирования|Технологии программирования на ПМИ]]<br /> |-<br /> |[[ОиМП-2015|Основы и методология программирования на ПМИ]]<br /> |-<br /> |[[Алгоритмы и структуры данных 2016]]<br /> |-<br /> |[[Линейная алгебра и геометрия_2015/2016 | Линейная алгебра и геометрия на ПМИ]]<br /> |-<br /> |[[Алгебра_2015/2016 | Алгебра на ПМИ]]<br /> |-<br /> |[http://hsealgebra.wikidot.com/ Алгебра на ПИ]<br /> |-<br /> |[[Компьютерные системы]]<br /> |-<br /> |[[Математический анализ на ПМИ_2015/2016 | Математический анализ на ПМИ]]<br /> |-<br /> |[[Факультатив_Матпрактикум | Матпрактикум (факультатив) на ПМИ]]<br /> |-<br /> |[[Data analysis (Software Engineering)]]&lt;br /&gt;<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора) на ПМИ]]<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2015-2016|Введение в анализ данных (курс майнора) на ПМИ]]<br /> |-<br /> |[[НИС Машинное обучение и приложения|НИС Машинное обучение и приложения на ПМИ]]<br /> |-<br /> |[[Архитектура компьютеров и системное программирование (ПМИ_4, 2015/2016)|Архитектура компьютеров и системное программирование (4 курс)]]<br /> |-<br /> |[[Дифференциальные уравнения (2 курс, 2015/2016)| Дифференциальные уравнения]]<br /> |-<br /> |[[Введение в VBA|Введение в VBA]]<br /> |}<br /> <br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Вторая колонка --&gt;<br /> <br /> === Курсы за 2014/15 учебный год ===<br /> {|<br /> |-<br /> |[[Основы и методологии программирования]]&lt;br /&gt;<br /> |-<br /> |[[Алгоритмы и структуры данных 2015 | Алгоритмы и структуры данных]]&lt;br /&gt;<br /> |-<br /> |[[Анализ данных (Программная инженерия)]]&lt;br /&gt;<br /> |-<br /> |[[Алгебра_2014/2015 | Алгебра]]&lt;br /&gt;<br /> |-<br /> |[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]<br /> |}<br /> <br /> ==== Проектная работа ====<br /> {|<br /> |-<br /> |[[Проектная работа]] &lt;br /&gt;<br /> |-<br /> |[[Учебная практика 1 курс (2016)]]<br /> |-<br /> |[[Проектная работа 2 курс (2016)]]<br /> |}<br /> <br /> &lt;!-- Завершение двухколоночной таблицы --&gt;<br /> |}<br /> <br /> == Мероприятия факультета компьютерных наук ==<br /> === Summer School 2015 ===<br /> [[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]<br /> #[[Lecture 1. Introduction|Introduction]]<br /> #[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]<br /> #[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]<br /> #[[Lecture 4. Parsing|Parsing]]<br /> #[[Lecture 5. Language sources|Language sources]]<br /> #[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]<br /> #[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]<br /> #[[NLP References|References]]<br /> <br /> == Архив ==<br /> * [[Учебная практика 1 курс (2015)]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9E_%D1%84%D0%B0%D0%BA%D1%83%D0%BB%D1%8C%D1%82%D0%B5%D1%82%D0%B5&diff=36210 2019-10-29T12:13:01Z

<p>Brainylyasha: /* 1 семестр */</p> <hr /> <div>__NOTOC__ <br /> <br /> = Учебные курсы факультета компьютерных наук =<br /> <br /> == Курсы за 2019/20 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_1_2019/2020 | Математический анализ-1 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2019/2020_(основной_поток) | Математический анализ на ПМИ (основной поток)]]<br /> <br /> [[Дискретная_математика_1_2019/2020 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_1_2019/2020 | Основы и методология программирования-1 на ПМИ (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_1_2019/2020_(пилотный_поток) | Основы и методология программирования-1 на ПМИ (пилотный поток)]]<br /> <br /> [[Discrete_Mathematics_DSBA2019/2020 | Discrete Mathematics DSBA (ПАД)]]<br /> <br /> [[Calculus_DSBA2019/2020 | Calculus DSBA (ПАД)]]<br /> <br /> [[LAaG_DSBA_2019/2020 | Linear Algebra and Geometry (ПАД)]]<br /> <br /> [[Introduction_to_programming_DSBA_2019/2020 | Introduction to Programming (ПАД)]]<br /> <br /> [[English_DSBA_2019/2020 | English DSBA (ПАД)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_1_основной_поток_2019/202 | Алгоритмы и структуры данных-1 на ПМИ (основной поток)]]<br /> <br /> ||<br /> <br /> <br /> <br /> [[DM2-basic2019/2020 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[DM2-pilot2019/2020 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[Теория_вероятностей_2019/2020_(основной_поток)| Теория_вероятностей_2019/2020 на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_и_математическая_статистика_2019/2020_(пилотный_поток)| ТВиМС (пилотный поток)]]<br /> <br /> [[Математический_анализ_2019/2020_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_2_2019/2020_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2019/2020 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> [[Calculus_2_2019 | Calculus-2 DBSA (ПАД)]]<br /> <br /> [[Statistics_DSBA_2019/2020 | Statistics DSBA (ПАД)]]<br /> <br /> [[DM2 | Дискретная Математика-2 (ПАД)]]<br /> <br /> [[ADS2 | Алгоритмы и Структуры Данных-2 (ПАД)]]<br /> <br /> ||<br /> <br /> [[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Прикладная_статистика_в_машинном_обучении(2019)|Прикладная статистика в машинном обучении]]<br /> <br /> [[НИС_РС_1|НИС Распределенные системы]]<br /> <br /> [[Theory_of_Computing_2019_2020 | Theory of Computing, AMI]]<br /> <br /> [[Компьютерные_Сети | Компьютерные сети]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]<br /> <br /> [[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]<br /> <br /> ||<br /> <br /> [[InfTheo2019-2020|Теория информации]]<br /> <br /> [[Байесовские_методы_машинного_обучения_2019|Байесовские методы машинного обучения]]<br /> <br /> [[НИС Науки о данных]]<br /> <br /> [[НИС_РС_2|НИС Распределенные системы 2]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]<br /> <br /> [[Философия_науки_2019|Философия науки]]<br /> <br /> [[Глубинное обучение|Глубинное обучение]]<br /> <br /> [[NLP 2019|NLP Анализ данных]]<br /> <br /> [[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]<br /> <br /> ||<br /> [[MinorBioinformatics|Биоинформатика]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Современные_методы_машинного_обучения | Современные методы машинного обучения (ИАД)]]<br /> <br /> [[KotlinElective|Факультатив &quot;Язык Kotlin&quot; (2-3 модули)]]<br /> <br /> [[ISDElective|Факультатив &quot;Методы разработки программного обеспечения&quot; (1-2 модули)]]<br /> <br /> [[Введение в программирование (курс майнора)]]<br /> <br /> [[dopglavy_DM_1920|Допглавы дискретной математики]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей-2_2019/2020|ДГТВ-2]]<br /> <br /> ||<br /> <br /> <br /> |}<br /> <br /> == Курсы магистратуры ФКН ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс<br /> <br /> |-<br /> | [[Theory_of_Computing_2019_2020 | Theory of Computing]] || Науки о данных, специализация ТИ || 1 курс<br /> |-<br /> | [[Project_Seminar_2019_2020 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 курс<br /> |-<br /> | [[Stochastic_analysis_2019_2020 | Stochastic Calculus ]] || Statistical Learning Theory || 1 year<br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 1 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> |-<br /> | [[ Основы анализа и визуализация данных для медиа 2019/2020 | Основы анализа и визуализации данных для медиа ]] || Журналистика || 4 курс || 1 модуль<br /> |-<br /> | [[ Анализ данных в Python 2019-2020 | Анализ данных в Python ]] || Политология || 4 курс || 1-2 модули<br /> |-<br /> | [[Introduction to Data Culture 2019-2020 | Introduction to Data Culture ]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 1 курс || 2 модуль<br /> |-<br /> | [[ Основы анализа данных в международных отношениях | Основы анализа данных в международных отношениях ]] || Международные отношения || 2 курс || 1-2 модуль<br /> |-<br /> | [[Основы программирования в Python (Политология)|Основы программирования в Python]] || Политология || 3 курс || 1-2 модули<br /> |-<br /> | [[Основы программирования на Python осень 2019 матфак|Основы программирования на Python-1]] || Математика || 1-4 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая грамотность (История 2019) | Цифровая грамотность ]] || История || 1 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая грамотность (Востоковедение 2019) | Цифровая грамотность ]] || Востоковедение|| 1 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая_грамотность_2019-2020(философия) | Цифровая грамотность ]] || Философия || 1 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая грамотность (ассириология и античность 2019) | Цифровая грамотность ]] || Ассириология и античность|| 1 курс || 1-2 модули<br /> |-<br /> | [[ПМСАР-2_2019| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули<br /> |-<br /> | [[Работа с данными]] || Медиакоммуникации || 4 курс || 1 модуль<br /> |-<br /> | [[Машинное обучение (фэн 2019)]] || ФЭН || 3 курс || 1-2 модули<br /> |-<br /> | [[Natural_Language_Processing_Blended_2019_module1 | Natural Language Processing (blended)]] || Прикладная политология || 2 г.о. || 1 модуль<br /> |-<br /> | [[ ML_HSE_NES_2019 | Машинное обучение (ВШЭ-РЭШ)]] || Совместный бакалавриат ВШЭ-РЭШ || 3-4 курс || 1-2 модули<br /> |-<br /> | [[ Основы_анализа_и_визуализации_данных_ДИЯ_2019/2020 | Основы анализа и визуализации данных ]] || ДИЯ || 2 курс || 1,2 модуль<br /> |}<br /> <br /> =Архив=<br /> == Курсы за 2018/19 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_на_ПМИ_2018/2019_(пилотный_поток) | Математический анализ на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2018/2019_(основной_поток) | Математический анализ на ПМИ (основной поток)]]<br /> <br /> [[Calculus_DSBA_2018/2019 | Calculus I DSBA (ПАД)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2018/2019_(пилотный_поток) | Основы и методология программирования на ПМИ (пилотный поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2019_(С%2B%2B,_основной_поток) | Основы и методология программирования на ПМИ (С++, основной поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[LAaG_DSBA_2018/2019 | LAaG DSBA]]<br /> <br /> [[Дискретная_математика_1_2018/2019 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Discrete_Mathematics_DSBA2018/2019 |Discrete Mathematics DSBA (ПАД)]]<br /> <br /> [[Introduction_to_programming | Introduction to programming DSBA (ПАД)]]<br /> <br /> [[Introduction_to_programming_2 | Introduction to programming 2 DSBA (ПАД)]]<br /> <br /> [[Алгебра_на_ПМИ_2018/2019_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2018/2019_(основной_поток) | Алгебра на ПМИ (основной поток)]]<br /> <br /> [[Algebra_DSBA_2018/2019 | Algebra DSBA]]<br /> <br /> [http://hsealgebra19.wikidot.com Алгебра на ПИ]<br /> <br /> [[Алгоритмы_и_структуры_данных_2018/2019 | Алгоритмы и структуры данных на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> ||<br /> <br /> [http://math-info.hse.ru/s18/t Дифференциальные уравнения]<br /> <br /> [[Теория_вероятностей_2018/2019_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2018/2019_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_2018/2019_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_2018/2019_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]<br /> <br /> [[DM2-pilot2018/2019 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[DM2-basic2018/2019 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2018/2019 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Факультатив Теория вычислений]]<br /> <br /> ||<br /> <br /> [[Машинное_обучение_1/2018_2019 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Численные_Методы_2018 | Численные методы ]]<br /> <br /> [[PDC | Параллельные и распределенные вычисления]]<br /> <br /> [[Theory_of_Computing_2018_2019 | Theory of Computing, AMI]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]<br /> <br /> [[Прикладная_статистика_в_машинном_обучении(2018)|Прикладная статистика в машинном обучении]]<br /> <br /> [[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]<br /> <br /> [[НИС_РС|НИС Распределенные системы]]<br /> <br /> [[Основные методы анализа данных]]<br /> <br /> [[Теория баз данных]]<br /> <br /> [[Непрерывная оптимизация/2019|Непрерывная оптимизация (161-162)]]<br /> <br /> [[Непрерывная оптимизация (163-167)]]<br /> <br /> [[Сложность вычислений и логика в теоретической информатике]]<br /> <br /> [[Data analysis (Software Engineering) 2019|Data analysis]]<br /> <br /> [[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]<br /> <br /> [[Intro to DL Blended | Intro to DL Blended]]<br /> <br /> [[Дискретная оптимизация 2019 | Дискретная оптимизация 2019]]<br /> <br /> ||<br /> <br /> [[Statistical_learning_theory_2018_2019 | Introduction to statistical learning theory]]<br /> <br /> [[Анализ_неструктурированных_данных-2018 |Анализ неструктурированных данных ]]<br /> <br /> [[Байесовские_методы_машинного_обучения_2018|Байесовские методы машинного обучения]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]<br /> <br /> [[НИС_Науки_о_данных_2018/2019|НИС Науки о данных]]<br /> <br /> [[НИС_Распределенные_системы_(4_курс,_2018)|НИС Распределенные системы]]<br /> <br /> [[Теория_Информации_2018/2019|Теория информации]]<br /> <br /> [[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]<br /> <br /> [[Методы_и_системы_обработки_больших_данных_(осень_2018)|Методы и системы обработки больших данных]]<br /> <br /> [[Философия_науки_2018|Философия науки]]<br /> <br /> [[Теория баз данных]]<br /> <br /> [[ConvAppr19 | Выпуклое программирование и аппроксимационные алгоритмы (ТИ)]]<br /> <br /> [[Функциональное программирование 2019 | Функциональное программирование]]<br /> <br /> [[A_Theorist's_Toolkit_2018_2019 | A Theorist's Toolkit, AMI]]<br /> <br /> [[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]<br /> <br /> ||<br /> [[Дополнительные главы теории вероятностей 2019 | Дополнительные главы теории вероятностей 2019]]<br /> <br /> [[Дополнительные главы математической статистики 2019 | Дополнительные главы математической статистики 2019]]<br /> <br /> [[Введение в программирование (курс майнора) 2018/2019]]<br /> <br /> [[dopglavy_DM_1819|Допглавы дискретной математики]]<br /> <br /> [[Современные_методы_машинного_обучения_(курс_майнора)_2018/2019 | Современные методы машинного обучения (курс майнора) 2018/2019]]<br /> <br /> [[Прикладные_задачи_анализа_данных_(майнор_-_весна_2019) | Прикладные задачи анализа данных (майнор - весна 2019)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Функциональный анализ (весна_2019) | Функциональный анализ (весна_2019)]]<br /> <br /> [[KotlinElective| Язык Kotlin (3 и 4 модули 2018-2019)]]<br /> <br /> ||<br /> <br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 2 семестр ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> |-<br /> | [[Основы программирования на Python весна 2019 матфак|Основы программирования на Python-2]] || Математика || 2-4 курс || 3-4 модули<br /> |-<br /> | [[Цифровая_грамотность_(филология)|Цифровая грамотность]] || Филология || 1 курс || 3-4 модули<br /> |-<br /> | [[Цифровая_грамотность_(ИИ_и_культурология)|Цифровая грамотность]] || История искусств и Культурология || 1 курс || 3-4 модули<br /> |-<br /> | [[Цифровая_грамотность_(ИЯМК_2019)|Цифровая грамотность]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 1 курс || 3-4 модули<br /> |-<br /> | [[Основы_анализа_и_визуализации_данных_ДИЯ_2019|Анализ и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 3-4 модули<br /> |-<br /> | [[Научно-исследовательский_семинар_2019| Научно-исследовательский семинар]] || Политология || 1 курс || 3 модуль<br /> |-<br /> | [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |-<br /> | [[Основы_программирования_в_Python_2019|Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модули<br /> |-<br /> | [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули<br /> |-<br /> | [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули<br /> |-<br /> | [[ПМСАР-1|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 2 г.о. || 3-4 модули<br /> |-<br /> | [[Искусственный интеллект и большие данные_(2019)|Искусственный интеллект и большие данные]] || Дизайн, Мода, Современное искусство || 1 курс || 3-4 модули<br /> |-<br /> | [[Информационный менеджмент: Введение в Data Science|Информационный менеджмент: Введение в Data Science]] || Управление бизнесом &lt;br&gt; Маркетинг и рыночная аналитика || 1 курс || 4 модуль<br /> |-<br /> | [[Технологии анализа больших данных|Технологии анализа больших данных]] || ГМУ || 1 курс || 4 модуль<br /> |-<br /> | [[Основы программирования на Python (Прикладное программное обеспечение)|Основы программирования на Python (Прикладное программное обеспечение)]] || Социология || 1 курс || 4 модуль<br /> |-<br /> | [[Основы работы с данными|Основы работы с данными]] || Медиакоммуникации || 2 курс || 4 модуль<br /> |-<br /> | [[Введение_в_data_science_Социология_1_курс|Профориентационный семинар (Data Culture)]] || Социология || 1 курс || 4 модуль<br /> |-<br /> | [[Введение_в_анализ_данных_МирЭк_2019|Введение в анализ данных]] || Мировая экономика || 1 курс || 4 модуль<br /> <br /> |}<br /> <br /> === 1 семестр ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> |-<br /> | [[Основы анализа данных в международных отношениях 2018/2019|Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули<br /> |-<br /> | [[Introduction_to_Data_Culture_2018-2019|Introduction to Data Culture]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 1 курс || 2 модуль<br /> |-<br /> | [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули<br /> |-<br /> | [[Цифровая грамотность(востоковедение)|Цифровая грамотность]] || Востоковедение || 1 курс || 1 модуль<br /> |-<br /> | [[Разработка управленческих решений в маркетинге | Разработка управленческих решений в маркетинге]] || Маркетинг и рыночная аналитика || 2 курс || 1-2 модули<br /> |-<br /> | [[Информационные технологии в деятельности юриста_2018-2019| Информационные технологии в деятельности юриста]] || Юриспруденция || 1 курс || 2 модуль<br /> |-<br /> | [[Машинное обучение на матфаке 2018/2019| Машинное обучение]] || Факультет математики || 2-4 курсы || 1-2 модули<br /> |-<br /> | [[ПМСАР-2| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули<br /> |-<br /> | [[Анализ данных в Python (Политологи 1 семестр 1-2 модули)|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули<br /> |-<br /> | [[Основы анализа и визуализации данных для медиа (Журналисты 1 семестр 1 модуль)|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль<br /> |-<br /> | [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули<br /> |-<br /> | [[Введение в анализ текстов на Python для ФГН 2018|Введение в анализ текстов на Python для ФГН 2018]] || Фундаментальная и компьютерная лингвистика || 3 курс || 1, 2, 4 модули<br /> |-<br /> | [[Машинное обучение (ФЭН)]] || Факультет экономических наук || 3-4 курсы || 1-2 модули<br /> |-<br /> | [[Программирование_(python)_для_экономистов|Программирование (Python) для экономистов]] || Факультет экономических наук || 2 курс || 1-2 модули<br /> |-<br /> | [[Цифровая грамотность(философия)|Цифровая грамотность]] || Философия || 1 курс || 1-2 модули<br /> |-<br /> | [[Цифровая_грамотность_(историки)|Цифровая грамотность]] || История || 1 курс || 1-2 модули<br /> |-<br /> | [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 1-2 модули<br /> |-<br /> | [[Статистический анализ в среде R (Социологи 1 семестр 2 модуль)|Статистический анализ в среде R ]] || Социология || 4 курс || 2 модуль<br /> |-<br /> | [[Методы_машинного_обучения_(Прикладная_политология)|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |}<br /> <br /> ==Courses of the Statistical Learning Theory program==<br /> [[Neurobayesian_models_2019|Neurobayesian models]]<br /> <br /> == Курсы за 2017/18 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_на_ПМИ_2017/2018_(пилотный_поток) | Математический анализ на ПМИ 2017/2018 (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2017/2018_(основной_поток) | Математический анализ на ПМИ 2017/2018 (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(пилотный_поток,_1_модуль) | Основы и методология программирования на ПМИ 2017/2018 (пилотный поток, 1 модуль)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_2_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 2 модуль)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_3_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 3 модуль)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_2017/2018_(основной_поток) | Алгоритмы и структуры данных на ПМИ 2017/2018 (основной поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Дискретная_математика_1_2017/2018 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Алгоритмы и структуры данных 1 | Алгоритмы и структуры данных – 1 (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]<br /> <br /> [http://hsealgebra18.wikidot.com Алгебра на ПИ]<br /> <br /> ||<br /> [[Теория_вероятностей_2017/2018_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2017/2018_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Математический анализ-3 на ПМИ_2017/2018_(основной_поток) | Математический анализ-2 на ПМИ (основной поток)]]<br /> <br /> [[Математический анализ на ПМИ_2017/2018 | Математический анализ-3 на ПМИ (пилотный поток)]]<br /> <br /> [[DM2-pilot2017/2018 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[DM_2_2017_2018 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы и структуры данных_2_2017/2018 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Дифференциальные уравнения (2 курс, 2017/2018)| Дифференциальные уравнения]]<br /> <br /> ||<br /> [[Машинное_обучение_1/2017_2018 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2/2017_2018 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Численные_методы_2017 | Численные методы]]<br /> <br /> [[Statistics of Stochastic Processes|Статистика случайных процессов 2018]] <br /> <br /> [[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]<br /> <br /> [[Theory_of_Computing | Theory of Computing, AMI]]<br /> <br /> [[Statistical_learning_theory | Introduction to statistical learning theory]]<br /> <br /> [[Основные_методы_анализа_данных_(специализация_АДИС) | Основные методы анализа данных на ПМИ]]<br /> <br /> [[Анализ неструктурированных данных]]<br /> <br /> [[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]<br /> <br /> [[НИС_Распределенные_системы_(3_курс,_2017) | НИС Распределенные системы]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]<br /> <br /> [[Непрерывная_оптимизация | Непрерывная оптимизация]]<br /> <br /> [[ Сложность_и_логика| Сложность вычислений и логика в теоретической информатике]]<br /> <br /> [[Data_analysis_(Software_Engineering)_2018 | Data Analysis на ПИ]]<br /> <br /> [http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]<br /> <br /> [http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных Машинное обучение на больших данных]<br /> <br /> [[Дискретная_оптимизация | Дискретная оптимизация]]<br /> <br /> ||<br /> <br /> [[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]<br /> <br /> [[Философия_науки_2017 | Философия науки]]<br /> <br /> [[НИС_Распределенные_системы_(4_курс,_2017) | НИС Распределенные системы]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]<br /> <br /> [[Анализ неструктурированных данных]]<br /> <br /> [[Байесовские методы машинного обучения 2017 | Байесовские методы машинного обучения]]<br /> <br /> [[Функциональное программирование 2018 | Функциональное программирование]]<br /> <br /> [http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]<br /> <br /> ||<br /> <br /> [[Современные методы машинного обучения (курс майнора) 2017/2018]]<br /> <br /> [[Введение в программирование (курс майнора) 2017/2018]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2017-2018 | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Прикладные задачи анализа данных (майнор - весна 2018)]]<br /> <br /> [[Маго-лего &quot;Линейная алгебра в приложениях&quot; весна 2018 | Линейная алгебра в приложениях (маго-лего)]]<br /> <br /> [[Функциональный анализ 2017/18 | Функциональный анализ на ПМИ (факультатив)]]<br /> <br /> [[Дополнительные главы теории вероятностей и математической статистики (факультативы) | Дополнительные главы теории вероятностей и математической статистики (факультативы)]]<br /> <br /> [[Дополнительные главы дискретной математики 2017/18 | Дополнительные главы дискретной математики (факультатив)]]<br /> <br /> [[Цифровые технологии в гуманитарных науках]]<br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> <br /> === 2 семестр ===<br /> <br /> [[Цифровая_грамотность_2018_(2_семестр)|Цифровая грамотность (факультет гуманитарных наук — 2 семестр: ИЯМК, Филология, История искусств, Культурология, 1 курс)]]&lt;br /&gt;<br /> [[Научно-исследовательский семинар (ФСН) |Научно-исследовательский семинар (ОП &quot;Политология&quot;, 1 курс)]]&lt;br /&gt;<br /> [[Introduction_to_Data_Culture|Introduction to Data Culture (HSE and University of London Parallel Degree Programme in International Relations, 1 year)]]&lt;br /&gt;<br /> [[ИИ_и_БД|Искусственный интеллект и большие данные (ОП &quot;Дизайн&quot;, &quot;Мода&quot;, 1 курс)]]&lt;br /&gt;<br /> [[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП &quot;Фундаментальная и компьютерная лингвистика&quot;, 4 курс, 2 семестр)]]&lt;br /&gt;<br /> [[Основы анализа данных в международных отношениях|Основы анализа данных в международных отношениях (ОП &quot;Международные отношения&quot;, 2 курс, 4 модуль)]]&lt;br /&gt;<br /> [[Введение в data science (2_семестр)|Профориентационный семинар (блок по введению в data scicence) (Факультет социальных наук — 2 семестр: Социология, 1 курс)]]&lt;br /&gt;<br /> [[Введение в Data Science| Введение в Data Science (ФБиМ, 4 модуль)]]&lt;br /&gt;<br /> <br /> === 1 семестр ===<br /> <br /> [[Цифровая_грамотность|Цифровая грамотность (факультет гуманитарных наук — 1 семестр: История, Философия, 1 курс)]]&lt;br /&gt;<br /> [[Машинное обучение (факультет экономических наук)|Машинное обучение (факультет экономических наук)]] &lt;br /&gt;<br /> [[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП &quot;Фундаментальная и компьютерная лингвистика&quot;, 4 курс, 1 семестр)]]&lt;br /&gt;<br /> [[Извлечение и анализ интернет-данных | Извлечение и анализ интернет-данных (факультет экономических наук)]]&lt;br /&gt;<br /> [[Анализ больших данных в социальных науках (ФСН, 2017) | Анализ больших данных в социальных науках (ФСН, 2017)]]&lt;br /&gt;<br /> [[Информационные_технологии_в_деятельности_юриста|Информационные технологии в деятельности юриста (Факультет права)]] &lt;br /&gt;<br /> [[Машинное_обучение_для_лингвистов|Машинное обучение (магистратура Школы лингвистики)]] &lt;br /&gt;<br /> <br /> == Курсы магистратуры Финансовые технологии и анализ данных ==<br /> <br /> [[Вероятностные_модели_и_прикладная_статистика_в_финансовой_математике|Вероятностные модели и прикладная статистика в финансовой математике]] <br /> <br /> <br /> [[Рекомендательные системы и поиск закономерностей в данных|Рекомендательные системы и поиск закономерностей в данных]]<br /> <br /> <br /> == Courses of Data Science master program/Курсы магистерской программы &quot;Науки о данных&quot; ==<br /> <br /> [[Introduction to Machine Learning and Data Mining|Introduction to Machine Learning and Data Mining]]<br /> <br /> == Курсы за 2016/17 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3-4 курс !! майноры<br /> |-<br /> |<br /> <br /> [[Математический анализ на ПМИ_2016/2017 | Математический анализ на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная алгебра и геометрия_2016/2017 | Линейная алгебра и геометрия на ПМИ]]<br /> <br /> [[Дискретная_математика_1_2016/2017 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Основы и методология программирования_2016/2017_пилотный_поток | Основы и методология программирования на ПМИ (пилотный поток)]]<br /> <br /> [[Основы и методология программирования_2016/2017 | Основы и методология программирования на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_(пилотный_поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_(основной_поток) | Алгоритмы и структуры данных на ПМИ (основной поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]<br /> <br /> [http://hsealgebra17.wikidot.com/ Алгебра на ПИ]<br /> <br /> || <br /> <br /> [[Математический анализ_2016/2017 | Математический анализ-3 на ПМИ (основной поток)]]<br /> <br /> [[Математически_анализ_3_на_ПМИ_(пилотный_поток) | Математический анализ-3 на ПМИ (пилотный поток)]]<br /> <br /> [[DM_2_2016_2017 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Дискретная математика_2_2016/2017 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[Алгоритмы и структуры данных_2_2016/2017 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Теория вероятностей_2016/2017 | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2016/2017_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы]]<br /> <br /> [[Факультатив_теория_вычислений_2016/2017 | Факультатив теория вычислений на ПМИ]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей_(факультатив,_2017) | Дополнительные главы теории вероятностей (факультатив)]]<br /> <br /> [[Дифференциальные_уравнения_(2_курс,_2016/2017) | Дифференциальные уравнения]]<br /> <br /> [[Математическая_статистика_2016/2017_(пилотный_поток) | Математическая статистика на ПМИ (пилотный поток)]]<br /> <br /> [[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы ]]<br /> <br /> || <br /> <br /> [[НИС_Машинное_обучение_и_приложения_2016/2017 | НИС Машинное обучение и приложения на ПМИ]]<br /> <br /> [[Машинное_обучение_1/2016_2017 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2/2016_2017 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Прикладной_статистический_анализ_данных | Прикладной статистический анализ данных на ПМИ]]<br /> <br /> [[Численные_методы_в_анализе_данных | Численные методы в анализе данных на ПМИ]]<br /> <br /> [http://www.machinelearning.ru/wiki/index.php?title=Статистика_случайных_процессов_(курс_лекций,_ФКН_ВШЭ) Вероятностные модели и статистика случайных процессов на ПМИ]<br /> <br /> [http://www.machinelearning.ru/wiki/index.php?title=Opt Методы оптимизации на ПМИ (специализации МОП и РС)]<br /> <br /> [[Методы_оптимизации_(весна_2017)|Методы оптимизации 2 (дискретная оптимизация)]]<br /> <br /> [[НИС_Распределенные_системы_(осень_2016) | НИС Распределенные системы]]<br /> <br /> [[Анализ и верификация алгоритмов биржевой торговли | Анализ и верификация алгоритмов для систем биржевой торговли ]]<br /> <br /> [[Программирование_на_графических_процессорах | Программирование на графических процессорах]]<br /> <br /> [[ЯРПО | Языки разработки ПО (курс по выбору) на ПМИ]]<br /> <br /> [[Data analysis (Software Engineering) 2017 | Data analysis на ПИ]]<br /> <br /> [[Базы данных 2 | Базы данных 2 ]]<br /> <br /> [[Компьютерные сети 2 | Компьютерные сети 2]]<br /> <br /> [[Машинное_обучение_на_больших_данных | Машинное обучение на больших данных на ПМИ]]<br /> <br /> ||<br /> <br /> [[Современные_методы_машинного_обучения_(курс_майнора) | Современные методы машинного обучения (курс майнора)]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_программирование_2016/2017 | Введение в программирование (курс майнора)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2016-2017 | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Прикладные задачи анализа данных| Прикладные задачи анализа данных (курс майнора)]]<br /> <br /> |}<br /> <br /> {|width=100%<br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Первая колонка --&gt;<br /> <br /> === Курсы за 2015/16 учебный год ===<br /> {|<br /> |-<br /> | [[Технологии программирования|Технологии программирования на ПМИ]]<br /> |-<br /> |[[ОиМП-2015|Основы и методология программирования на ПМИ]]<br /> |-<br /> |[[Алгоритмы и структуры данных 2016]]<br /> |-<br /> |[[Линейная алгебра и геометрия_2015/2016 | Линейная алгебра и геометрия на ПМИ]]<br /> |-<br /> |[[Алгебра_2015/2016 | Алгебра на ПМИ]]<br /> |-<br /> |[http://hsealgebra.wikidot.com/ Алгебра на ПИ]<br /> |-<br /> |[[Компьютерные системы]]<br /> |-<br /> |[[Математический анализ на ПМИ_2015/2016 | Математический анализ на ПМИ]]<br /> |-<br /> |[[Факультатив_Матпрактикум | Матпрактикум (факультатив) на ПМИ]]<br /> |-<br /> |[[Data analysis (Software Engineering)]]&lt;br /&gt;<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора) на ПМИ]]<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2015-2016|Введение в анализ данных (курс майнора) на ПМИ]]<br /> |-<br /> |[[НИС Машинное обучение и приложения|НИС Машинное обучение и приложения на ПМИ]]<br /> |-<br /> |[[Архитектура компьютеров и системное программирование (ПМИ_4, 2015/2016)|Архитектура компьютеров и системное программирование (4 курс)]]<br /> |-<br /> |[[Дифференциальные уравнения (2 курс, 2015/2016)| Дифференциальные уравнения]]<br /> |-<br /> |[[Введение в VBA|Введение в VBA]]<br /> |}<br /> <br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Вторая колонка --&gt;<br /> <br /> === Курсы за 2014/15 учебный год ===<br /> {|<br /> |-<br /> |[[Основы и методологии программирования]]&lt;br /&gt;<br /> |-<br /> |[[Алгоритмы и структуры данных 2015 | Алгоритмы и структуры данных]]&lt;br /&gt;<br /> |-<br /> |[[Анализ данных (Программная инженерия)]]&lt;br /&gt;<br /> |-<br /> |[[Алгебра_2014/2015 | Алгебра]]&lt;br /&gt;<br /> |-<br /> |[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]<br /> |}<br /> <br /> ==== Проектная работа ====<br /> {|<br /> |-<br /> |[[Проектная работа]] &lt;br /&gt;<br /> |-<br /> |[[Учебная практика 1 курс (2016)]]<br /> |-<br /> |[[Проектная работа 2 курс (2016)]]<br /> |}<br /> <br /> &lt;!-- Завершение двухколоночной таблицы --&gt;<br /> |}<br /> <br /> == Мероприятия факультета компьютерных наук ==<br /> === Summer School 2015 ===<br /> [[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]<br /> #[[Lecture 1. Introduction|Introduction]]<br /> #[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]<br /> #[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]<br /> #[[Lecture 4. Parsing|Parsing]]<br /> #[[Lecture 5. Language sources|Language sources]]<br /> #[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]<br /> #[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]<br /> #[[NLP References|References]]<br /> <br /> == Архив ==<br /> * [[Учебная практика 1 курс (2015)]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=36205 2019-10-29T10:33:11Z

<p>Brainylyasha: /* О курсе */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ &quot;Прикладная политология&quot;] в 2-3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Панков Алексей Алексеевич ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Ревина Полина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Семинары ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> == Семинары ==<br /> <br /> == Практические задания ==<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=36204 2019-10-29T10:32:37Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ &quot;Прикладная политология&quot;] в 2-3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Панков Алексей Алексеевич ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Ревина Полина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:00 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Семинары ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> == Семинары ==<br /> <br /> == Практические задания ==<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=36203 2019-10-29T10:32:23Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ &quot;Прикладная политология&quot;] в 2-3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Панков Алексей Алексеевич ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Ревина Полина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:00 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чатепо ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Семинары ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> == Семинары ==<br /> <br /> == Практические задания ==<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=36202 2019-10-29T10:29:00Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ &quot;Прикладная политология&quot;] в 2-3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Панков Алексей Алексеевич ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Ревина Полина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:00 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/292689583.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чатепо ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Семинары ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> == Семинары ==<br /> == Практические задания ==<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_(%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%B0%D1%8F_%D0%BF%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)&diff=36201 2019-10-29T10:24:27Z

<p>Brainylyasha: Новая страница: «== О курсе == Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ &quot;Прикладная п…»</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ &quot;Прикладная политология&quot;] в 2-3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Панков Алексей Алексеевич ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Ревина Полина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:00 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/292689583.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чатепо ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Семинары ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> == Семинары ==<br /> == Практические задания ==<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_1/2023_2024&diff=36200 2019-10-29T10:24:08Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 12:10 - 13:30, ауд. R404 (Покровский бульвар, 11).<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/292689583.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> [https://www.youtube.com/watch?v=OBG6EUSRC9g&amp;list=PLEqoHzpnmTfDwuwrFHWVHdr1-qJsfqCUX Видеозаписи лекций 18/19 года]<br /> <br /> Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+171@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://t.me/joinchat/AAAAAEtiwm9A8i-78LNcKQ<br /> <br /> Чат в telegram для обсуждений (предназначение чата до конца не ясно, вопросы может быть правильнее задавать в чатах групп): https://t.me/joinchat/A5rlQBUrWTeXl7eBbnyBcQ<br /> <br /> Ссылка на курс в Anytask: https://anytask.org/course/537<br /> <br /> [https://docs.google.com/spreadsheets/d/1QIUMUkjzHfRqNIkYHVb4jsi3Pkq7URAQWSW8c9UwE-g/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент <br /> |-<br /> | 171 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || [https://t.me/granilace Виктор Куканов]<br /> |-<br /> | 172 (МОП) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || [https://t.me/svdcvt Соня Дымченко]<br /> |-<br /> | 173 (ТИ) || [https://www.hse.ru/org/persons/? Хрушков Павел Вадимович] || [https://t.me/resokolov Роман Соколов]<br /> |-<br /> | 174 (АДИС) || [https://www.hse.ru/org/persons/? Кохтев Вадим Михайлович] || [https://t.me/widepeepoBlanket Евгений Алаев]<br /> |-<br /> | 175 (РС) || [https://www.hse.ru/org/persons/228364473 Волохова Александра Константиновна] || [https://t.me/President153 Ярослав Пудяков]<br /> |-<br /> | 176 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [https://t.me/arcstranger Николай Пальчиков]<br /> |-<br /> | Магистратура ФТиАД || [https://www.hse.ru/org/persons/? Рысьмятова Анастасия Александровна] || [https://t.me/oleg_top Олег Дешеулин]<br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Письменная контрольная работа<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.15 * ПР + 0.4 * ДЗ + 0.15 * КР + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> Ко всем конспектам на GitHub есть исходники. Исправления и дополнения всячески приветствуются!<br /> <br /> '''Лекция 1''' (6 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture01-intro.pdf Конспект]]<br /> <br /> '''Лекция 2''' (13 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture02-linregr.pdf Конспект]]<br /> <br /> '''Лекция 3''' (20 сентября). Переобучение и регуляризация. Разреженные линейные модели. Квантильная регрессия. Подготовка признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture03-linregr.pdf Конспект]]<br /> <br /> '''Лекция 4''' (27 сентября). Линейная классификация. Отступ и верхние оценки на пороговую функцию потерь. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture04-linclass.pdf Конспект]]<br /> <br /> '''Лекция 5''' (4 октября). Линейная классификация. Логистическая регрессия и оценки вероятности классов. Метод опорных векторов. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture05-linclass.pdf Конспект]]<br /> <br /> '''Лекция 6''' (11 октября). Многоклассовая классификация, сведение к бинарным задачам. Многоклассовая логистическая регрессия. Классификация с пересекающимися классами. Метрики качества многоклассовой классификации.<br /> <br /> '''Лекция 7''' (18 октября). Решающие деревья. Жадный алгоритм построения. Выбор лучшего разбиения с помощью критерия информативности. Критерии информативности для регрессии и классификации. Учёт пропусков в деревьях. Решающие деревья и категориальные признаки. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' Области применения машинного обучения. Инструменты data scientist'а. Pandas и разведочный анализ данных. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/seminars/sem01-intro.ipynb Ноутбук]]<br /> <br /> '''Семинар 2.''' Линейная регрессия. Библиотека scikit-learn. Валидация моделей. Работа с категориальными признаками. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/seminars/sem02-sklearn-linreg.ipynb Ноутбук]]<br /> <br /> '''Семинар 3.''' Градиент и его свойства. Векторное дифференцирование. Градиентый спуск, его модификации, практические аспекты. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/seminars/sem03-linregr-part1.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/seminars/sem03-linregr-part2.ipynb Ноутбук]]<br /> <br /> '''Семинар 4.''' Предобработка данных. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/seminars/sem04-features.pdf Конспект]] [[https://nbviewer.jupyter.org/github/esokolov/ml-course-hse/blob/master/2019-fall/seminars/sem04-features.ipynb Ноутбук]]<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна.<br /> <br /> '''Задание 1.''' Работа с Pandas и Matplotlib.<br /> <br /> Мягкий дедлайн: 15.09.2019 23:59. <br /> <br /> Жесткий дедлайн: 17.09.2019 23:59.<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/homeworks-practice/homework-practice-01.ipynb Ноутбук с заданием]]<br /> <br /> '''Задание 2.''' Exploratory Data Analysis и линейная регрессия.<br /> <br /> Мягкий дедлайн: 01.10.2019 23:59. <br /> <br /> Жесткий дедлайн: 04.10.2019 23:59 (за каждый день просрочки снимается 2 балла).<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/homeworks-practice/homework-practice-02.ipynb Ноутбук с заданием]]<br /> <br /> '''Задание 3.''' Градиентный спуск своими руками.<br /> <br /> Мягкий дедлайн: 15.10.2019 07:59. <br /> <br /> Жесткий дедлайн: 17.10.2019 23:59.<br /> <br /> '''Задание 4.''' Метод опорных векторов, категориальные признаки, калибровка предсказаний и отбор признаков.<br /> <br /> Мягкий дедлайн: 11.11.2019 07:59. <br /> <br /> Жесткий дедлайн: 13.11.2019 23:59.<br /> <br /> [[https://nbviewer.jupyter.org/github/esokolov/ml-course-hse/blob/master/2019-fall/homeworks-practice/homework-practice-04.ipynb Ноутбук с заданием]]<br /> <br /> ==Теоретические домашние задания==<br /> <br /> Теоретические ДЗ не проверяются, но задачи из них могут войти в проверочные работы на семинарах.<br /> <br /> '''Теоретическое домашнее задание 1''': линейная регрессия и векторное дифференцирование [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/homeworks-theory/homework-theory-01-linregr.pdf ссылка]]<br /> <br /> == Бонусы за соревнования ==<br /> <br /> За успешное участие в соревнованиях по анализу данных могут быть выставлены бонусные баллы, которые можно прибавить к оценке за любое практическое или теоретическое домашнее задание, а также за самостоятельную работу. Под успешным участием понимается попадание в топ-10% мест; если соревнование особо сложное и крупное, может рассматриваться и попадание в топ-20% мест. Конкретное число баллов определяется преподавателями и зависит от сложности соревнования и занятого места. За одно соревнование можно получить не более 5 баллов. Для получения оценки необходимо предоставить краткий отчёт о решении задачи.<br /> <br /> == Контрольная работа ==<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_1/2018_2019 | 2018/2019 учебный год]]<br /> <br /> [[Машинное_обучение_1/2017_2018 | 2017/2018 учебный год]]<br /> <br /> [[Машинное_обучение_1/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_1/2023_2024&diff=36199 2019-10-29T10:22:40Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса программы [https://www.hse.ru/ma/ps/ &quot;Прикладная политология&quot;] в 2-3 модулях.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] ([https://t.me/brainylyasha tg])<br /> <br /> '''Семинарист:''' Панков Алексей Алексеевич ([https://t.me/apnkv tg])<br /> <br /> '''Ассистент:''' Ревина Полина ([https://t.me/polinalv tg])<br /> <br /> Занятия проходят по вторникам, 18:00 — 21:00, ауд. 320а (ул. Мясницкая, 11).<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/292689583.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q<br /> <br /> [https://docs.google.com/spreadsheets/d/1GBfsKa_YaAfFtx9EdkoF_6kyPa6x4Py-KYFDS115Tfg/edit?usp=sharing Таблица с оценками]<br /> <br /> '''Вопросы''' по курсу можно задавать в чатепо ссылке выше, а также в телеграм преподавателям и ассистенту.<br /> <br /> === Семинары ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Проект<br /> * Коллоквиум<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)<br /> <br /> ПР — средняя оценка за самостоятельные работы на семинарах<br /> <br /> ДЗ — средняя оценка за практические домашние работы на Python<br /> <br /> Проект — оценка за проект<br /> <br /> Кол — оценка за коллоквиум<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.<br /> <br /> При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> == Семинары ==<br /> == Практические задания ==<br /> <br /> == Экзамен ==<br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[http://wiki.cs.hse.ru/%D0%9C%D0%9C%D0%9E_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_201810 | 2018/2019 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_2/2023_2024&diff=32995 2019-03-25T14:16:16Z

<p>Brainylyasha: /* Практические задания */</p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3-4 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 12:10 - 13:30, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/219874286.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+161@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://t.me/joinchat/AAAAAFhaKwm7kIqKGeAojA<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQE2eFY0LN0AWcGH3qA<br /> <br /> [https://docs.google.com/spreadsheets/d/1u832G7b9aRyayoncaKXr7XPD6WisDr85AYRBKSVCMq0/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Расписание<br /> |-<br /> | 161 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || <br /> |-<br /> | 162 (МОП) || [https://www.hse.ru/org/persons/137283751 Атанов Андрей Игоревич] || <br /> |-<br /> | Курс по выбору || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || <br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> Консультации с преподавателями и учебными ассистентами по курсу проводятся по предварительной договорённости.<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;коллоквиум&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> Накопленная, экзаменационная и итоговая оценки округляются арифметически.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 13''' (18 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/lecture-notes/lecture13-kernels.pdf Конспект]]<br /> <br /> '''Лекция 14''' (1 февраля). Аппроксимация ядер, метод случайных признаков Фурье. Ядра для строк, all-subsequences kernel. Ядровой метод главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture14-kernels.pdf Конспект]]<br /> <br /> '''Лекция 15''' (8 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/lecture-notes/lecture15-em.pdf Конспект]]<br /> <br /> '''Лекция 16''' (15 февраля). Работа с несбалансированными выборками. Одноклассовые методы и обнаружение аномалий: статистический и метрический подходы. Одноклассовый SVM. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/lecture-notes/lecture16-anomaly.pdf Конспект]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 14'''. Решение задач условной оптимизации. Условия Куна-Таккера. Двойственная задача SVM. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem14-svm.pdf Конспект]]<br /> <br /> '''Семинар 15'''. Решение задач на ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem15-kernels.pdf Конспект]]<br /> <br /> '''Семинар 16'''. EM-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem16-em.pdf Конспект]]<br /> <br /> '''Семинар 17'''. Оценки максимального правдоподобия на параметры многомерного нормального распределения. Байесовские классификаторы. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem17-bayes.pdf Конспект]]<br /> <br /> '''Семинар 18'''. Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem18-unsupervised.pdf Конспект]]<br /> <br /> '''Семинар 19'''. Multi-label классификация, focal loss. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem19-multilabel.pdf Конспект]]<br /> <br /> '''Семинар 20'''. Вывод ALS и HALS для LFM. Факторизационные машины. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem20-recommendations.pdf Конспект]]<br /> <br /> '''Семинар 21'''. Метод k ближайших соседей. Способы задания расстояния на различных типах признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem21-knn.pdf Конспект]]<br /> <br /> == Теоретические задания ==<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна.<br /> <br /> '''Задание 8.''' Кластеризация.<br /> <br /> Мягкий дедлайн: 24.03.2019 05:59 MSK<br /> <br /> Жесткий дедлайн: 28.03.2019 05:59 MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/homeworks-practice/homework-practice-08.ipynb Условие]<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> 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.<br /> <br /> В лидербордах каждого из соревнований присутствуют несколько базовых решений (бейзлайнов), каждое из которых соответствует определённой оценке. Например, для получения оценки не ниже 8 баллов необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бейзлайна. Далее для студента, преодолевшего бейзлайн на N_1 баллов, но не преодолевшего бейзлайн на N_2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N_2 - (N_2 - N_1) * i / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бейзлайн на N_1 баллов, но не преодолевших бейзлайн на N_2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> Единственное исключение из формулы — студенты, преодолевшие самый сильный бейзлайн, получают прибавку 1/M к своей оценке.<br /> <br /> Чтобы вас не пропустили при проверке решений соревнования, '''необходимо''' использовать следующий формат для имени команды (вкладка Team): <br /> <br /> «Имя Фамилия номер_группы»<br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''.<br /> <br /> == Коллоквиум ==<br /> <br /> == Экзамен ==<br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_2/2017_2018 | 2017/2018 учебный год]]<br /> <br /> [[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_2/2023_2024&diff=32994 2019-03-25T14:15:14Z

<p>Brainylyasha: /* Практические задания */</p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3-4 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 12:10 - 13:30, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/219874286.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+161@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://t.me/joinchat/AAAAAFhaKwm7kIqKGeAojA<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQE2eFY0LN0AWcGH3qA<br /> <br /> [https://docs.google.com/spreadsheets/d/1u832G7b9aRyayoncaKXr7XPD6WisDr85AYRBKSVCMq0/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Расписание<br /> |-<br /> | 161 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || <br /> |-<br /> | 162 (МОП) || [https://www.hse.ru/org/persons/137283751 Атанов Андрей Игоревич] || <br /> |-<br /> | Курс по выбору || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || <br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> Консультации с преподавателями и учебными ассистентами по курсу проводятся по предварительной договорённости.<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;коллоквиум&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> Накопленная, экзаменационная и итоговая оценки округляются арифметически.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 13''' (18 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/lecture-notes/lecture13-kernels.pdf Конспект]]<br /> <br /> '''Лекция 14''' (1 февраля). Аппроксимация ядер, метод случайных признаков Фурье. Ядра для строк, all-subsequences kernel. Ядровой метод главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture14-kernels.pdf Конспект]]<br /> <br /> '''Лекция 15''' (8 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/lecture-notes/lecture15-em.pdf Конспект]]<br /> <br /> '''Лекция 16''' (15 февраля). Работа с несбалансированными выборками. Одноклассовые методы и обнаружение аномалий: статистический и метрический подходы. Одноклассовый SVM. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/lecture-notes/lecture16-anomaly.pdf Конспект]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 14'''. Решение задач условной оптимизации. Условия Куна-Таккера. Двойственная задача SVM. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem14-svm.pdf Конспект]]<br /> <br /> '''Семинар 15'''. Решение задач на ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem15-kernels.pdf Конспект]]<br /> <br /> '''Семинар 16'''. EM-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem16-em.pdf Конспект]]<br /> <br /> '''Семинар 17'''. Оценки максимального правдоподобия на параметры многомерного нормального распределения. Байесовские классификаторы. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem17-bayes.pdf Конспект]]<br /> <br /> '''Семинар 18'''. Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem18-unsupervised.pdf Конспект]]<br /> <br /> '''Семинар 19'''. Multi-label классификация, focal loss. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem19-multilabel.pdf Конспект]]<br /> <br /> '''Семинар 20'''. Вывод ALS и HALS для LFM. Факторизационные машины. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem20-recommendations.pdf Конспект]]<br /> <br /> '''Семинар 21'''. Метод k ближайших соседей. Способы задания расстояния на различных типах признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem21-knn.pdf Конспект]]<br /> <br /> == Теоретические задания ==<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна.<br /> <br /> '''Задание 8.''' Кластеризация.<br /> <br /> Мягкий дедлайн: 24.03.2019 05:59 MSK<br /> <br /> Жесткий дедлайн: 28.03.2019 05:59 MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/homeworks-practice/homework-practice-08.ipynb Github].<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> 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.<br /> <br /> В лидербордах каждого из соревнований присутствуют несколько базовых решений (бейзлайнов), каждое из которых соответствует определённой оценке. Например, для получения оценки не ниже 8 баллов необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бейзлайна. Далее для студента, преодолевшего бейзлайн на N_1 баллов, но не преодолевшего бейзлайн на N_2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N_2 - (N_2 - N_1) * i / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бейзлайн на N_1 баллов, но не преодолевших бейзлайн на N_2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> Единственное исключение из формулы — студенты, преодолевшие самый сильный бейзлайн, получают прибавку 1/M к своей оценке.<br /> <br /> Чтобы вас не пропустили при проверке решений соревнования, '''необходимо''' использовать следующий формат для имени команды (вкладка Team): <br /> <br /> «Имя Фамилия номер_группы»<br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''.<br /> <br /> == Коллоквиум ==<br /> <br /> == Экзамен ==<br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_2/2017_2018 | 2017/2018 учебный год]]<br /> <br /> [[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_2/2023_2024&diff=32992 2019-03-25T14:13:32Z

<p>Brainylyasha: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3-4 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 12:10 - 13:30, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/219874286.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+161@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://t.me/joinchat/AAAAAFhaKwm7kIqKGeAojA<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQE2eFY0LN0AWcGH3qA<br /> <br /> [https://docs.google.com/spreadsheets/d/1u832G7b9aRyayoncaKXr7XPD6WisDr85AYRBKSVCMq0/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Расписание<br /> |-<br /> | 161 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || <br /> |-<br /> | 162 (МОП) || [https://www.hse.ru/org/persons/137283751 Атанов Андрей Игоревич] || <br /> |-<br /> | Курс по выбору || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || <br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> Консультации с преподавателями и учебными ассистентами по курсу проводятся по предварительной договорённости.<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;коллоквиум&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> Накопленная, экзаменационная и итоговая оценки округляются арифметически.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 13''' (18 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/lecture-notes/lecture13-kernels.pdf Конспект]]<br /> <br /> '''Лекция 14''' (1 февраля). Аппроксимация ядер, метод случайных признаков Фурье. Ядра для строк, all-subsequences kernel. Ядровой метод главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture14-kernels.pdf Конспект]]<br /> <br /> '''Лекция 15''' (8 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/lecture-notes/lecture15-em.pdf Конспект]]<br /> <br /> '''Лекция 16''' (15 февраля). Работа с несбалансированными выборками. Одноклассовые методы и обнаружение аномалий: статистический и метрический подходы. Одноклассовый SVM. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/lecture-notes/lecture16-anomaly.pdf Конспект]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 14'''. Решение задач условной оптимизации. Условия Куна-Таккера. Двойственная задача SVM. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem14-svm.pdf Конспект]]<br /> <br /> '''Семинар 15'''. Решение задач на ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem15-kernels.pdf Конспект]]<br /> <br /> '''Семинар 16'''. EM-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem16-em.pdf Конспект]]<br /> <br /> '''Семинар 17'''. Оценки максимального правдоподобия на параметры многомерного нормального распределения. Байесовские классификаторы. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem17-bayes.pdf Конспект]]<br /> <br /> '''Семинар 18'''. Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem18-unsupervised.pdf Конспект]]<br /> <br /> '''Семинар 19'''. Multi-label классификация, focal loss. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem19-multilabel.pdf Конспект]]<br /> <br /> '''Семинар 20'''. Вывод ALS и HALS для LFM. Факторизационные машины. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem20-recommendations.pdf Конспект]]<br /> <br /> '''Семинар 21'''. Метод k ближайших соседей. Способы задания расстояния на различных типах признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem21-knn.pdf Конспект]]<br /> <br /> == Теоретические задания ==<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна. <br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> 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.<br /> <br /> В лидербордах каждого из соревнований присутствуют несколько базовых решений (бейзлайнов), каждое из которых соответствует определённой оценке. Например, для получения оценки не ниже 8 баллов необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бейзлайна. Далее для студента, преодолевшего бейзлайн на N_1 баллов, но не преодолевшего бейзлайн на N_2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N_2 - (N_2 - N_1) * i / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бейзлайн на N_1 баллов, но не преодолевших бейзлайн на N_2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> Единственное исключение из формулы — студенты, преодолевшие самый сильный бейзлайн, получают прибавку 1/M к своей оценке.<br /> <br /> Чтобы вас не пропустили при проверке решений соревнования, '''необходимо''' использовать следующий формат для имени команды (вкладка Team): <br /> <br /> «Имя Фамилия номер_группы»<br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''.<br /> <br /> == Коллоквиум ==<br /> <br /> == Экзамен ==<br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_2/2017_2018 | 2017/2018 учебный год]]<br /> <br /> [[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_1/2023_2024&diff=29380 2018-09-23T20:57:41Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 12:10 - 13:30, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/219888994.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+161@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://t.me/joinchat/AAAAAEprV-8gsyFBkYbvkg<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQE2eFY0LN0AWcGH3qA<br /> <br /> Ссылка на курс в Anytask: https://anytask.org/course/390<br /> <br /> [https://docs.google.com/spreadsheets/d/1u832G7b9aRyayoncaKXr7XPD6WisDr85AYRBKSVCMq0/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | 161 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || [https://t.me/mryab Рябинин Максим] || || пятница, 10:30 - 11:50, ауд. 503 <br /> |-<br /> | 162 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || [http://t.me/bazpasha Хрушков Павел] || || <br /> |-<br /> | 163 (АДИС) || [https://t.me/despairazure Кохтев Вадим Михайлович] || [http://t.me/marka_17 Маркович Александр] || || <br /> |-<br /> | 164 (АДИС) || [https://www.hse.ru/org/persons/137283751 Атанов Андрей Игоревич] || [http://t.me/liza_s Свитанько Лиза] || || <br /> |-<br /> | 165 (РС) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || [http://t.me/akiiino Попов Никита] || || вторник, 9:00 – 10:20, ауд. 311<br /> |-<br /> | 166 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [http://t.me/Saigetsu Хайдуров Руслан] || || <br /> |-<br /> | Магистратура ФТиАД || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || [https://t.me/nbagiyan Багиян Нерсес] || || <br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Контрольная работа<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> Накопленная, экзаменационная и итоговая оценки округляются арифметически.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (3 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture01-intro.pdf Конспект]]<br /> <br /> '''Лекция 2''' (14 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture02-linregr.pdf Конспект]]<br /> <br /> '''Лекция 3''' (21 сентября). Переобучение и регуляризация. Разреженные линейные модели. Квантильная регрессия. Подготовка признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture03-linregr.pdf Конспект]]<br /> <br /> '''Лекция 4''' (28 сентября). Линейная классификация. Отступ и верхние оценки на пороговую функцию потерь. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект]]<br /> <br /> '''Лекция 5''' (1 октября). Линейная классификация. Логистическая регрессия и оценки вероятности классов. Метод опорных векторов.<br /> <br /> '''Лекция 6''' (12 октября). Многоклассовая классификация, сведение к бинарным задачам. Многоклассовая логистическая регрессия. Классификация с пересекающимися классами. Метрики качества многоклассовой классификации. Категориальные признаки: хэширование и счётчики.<br /> <br /> '''Лекция 7''' (19 октября). Решающие деревья. Жадный алгоритм построения. Выбор лучшего разбиения с помощью критерия информативности. Критерии информативности для регрессии и классификации. Учёт пропусков в деревьях. Решающие деревья и категориальные признаки.<br /> <br /> '''Лекция 8''' (2 ноября). Бутстрап и бэггинг. Разложение ошибки на смещение и разброс (bias-variance decomposition). Случайный лес. Вычисление расстояний с помощью лесов.<br /> <br /> '''Лекция 9''' (9 ноября). Градиентный бустинг. Регуляризация. Особенности бустинга над деревьями. Взвешивание объектов в градиентном бустинге.<br /> <br /> '''Лекция 10''' (16 ноября). Оптимизация второго порядка в градиентном бустинге. Регуляризация деревьев. XGBoost. Стекинг.<br /> <br /> '''Лекция 11''' (23 ноября). Графы вычислений, их обучение и метод обратного распространения ошибки. Полносвязные, свёрточные и рекуррентные слои. Возможности аппроксимации.<br /> <br /> '''Лекция 12''' (30 ноября). Обучение без учителя. Кластеризация: метрики качества, K-Means, иерархический и графовый подходы. Визуализация, t-SNE. Обучение представлений. word2vec.<br /> <br /> '''Лекция 13''' (7 декабря). Метод главных компонент, его связь с матричными разложениями. Рекомендательные системы: постановка задачи, коллаборативные методы, матричные разложения, контентные методы.<br /> <br /> == Семинары ==<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна. <br /> <br /> '''Задание 1.''' Работа с Pandas и Matplotlib.<br /> <br /> Мягкий дедлайн: 07:59 15.09.2018. <br /> <br /> Жесткий дедлайн: 23:59 16.09.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-01.ipynb Github].<br /> <br /> '''Задание 2.''' Numpy. Линейная регрессия.<br /> <br /> Дата выдачи: 17.09.2018<br /> <br /> Мягкий дедлайн: 2:59MSK 24.09.2018<br /> <br /> Жесткий дедлайн: 23:59MSK 26.09.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02.ipynb Условие], <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02-templates.zip архив с шаблонами],<br /> [https://contest.yandex.ru/contest/9148/enter/ соревнование в Яндекс.Контесте],<br /> [https://official.contest.yandex.ru/contest/9148/enter/ альтернативная ссылка на соревнование в Яндекс.Контесте].<br /> <br /> '''Задание 3.''' Регуляризация. Градиентный спуск.<br /> <br /> Дата выдачи: 22.09.2018<br /> <br /> Мягкий дедлайн: 7:59MSK 02.10.2018<br /> <br /> Жесткий дедлайн: 23:59MSK 03.10.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-03.ipynb Условие], <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/data/homework-practice-03-data.csv данные], <br /> [https://contest.yandex.ru/contest/9247 соревнование в Яндекс.Контесте], <br /> [https://official.contest.yandex.ru/contest/9247 альтернативная ссылка на соревнование в Яндекс.Контесте].<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> 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.<br /> <br /> <br /> В лидербордах каждого из соревнований присутствуют несколько базовых решений (бейзлайнов), каждое из которых соответствует определённой оценке. Например, для получения оценки не ниже 8 баллов необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бейзлайна. Далее для студента, преодолевшего бейзлайн на N_1 баллов, но не преодолевшего бейзлайн на N_2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N_2 - (N_2 - N_1) * i / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бейзлайн на N_1 баллов, но не преодолевших бейзлайн на N_2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> Единственное исключение из формулы — студенты, преодолевшие самый сильный бейзлайн, получают прибавку 1/M к своей оценке.<br /> <br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''.<br /> <br /> === Соревнование 1: House pricing ===<br /> <br /> Дата выдачи: 15.09.2018<br /> <br /> Срок окончания соревнования: 30.09.2018 23:59MSK<br /> <br /> Срок отправки кода: 03.10.2018 23:59MSK<br /> <br /> Бейзлайны: на 4 и на 8 баллов<br /> <br /> [https://www.kaggle.com/t/5a486fc7863548a58cfc1f702690b5c3 Ссылка на участие в соревновании]<br /> <br /> ==Теоретические домашние задания==<br /> <br /> == Бонусы за соревнования ==<br /> <br /> За успешное участие в соревнованиях по анализу данных могут быть выставлены бонусные баллы, которые можно прибавить к оценке за любое практическое или теоретическое домашнее задание, а также за самостоятельную работу. Под успешным участием понимается попадание в топ-10% мест; если соревнование особо сложное и крупное, может рассматриваться и попадание в топ-20% мест. Конкретное число баллов определяется преподавателями и зависит от сложности соревнования и занятого места. За одно соревнование можно получить не более 5 баллов. Для получения оценки необходимо предоставить краткий отчёт о решении задачи.<br /> <br /> == Контрольная работа ==<br /> <br /> == Экзамен ==<br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_1/2017_2018 | 2017/2018 учебный год]]<br /> <br /> [[Машинное_обучение_1/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_1/2023_2024&diff=29379 2018-09-23T20:50:28Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 12:10 - 13:30, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/219888994.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+161@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://t.me/joinchat/AAAAAEprV-8gsyFBkYbvkg<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQE2eFY0LN0AWcGH3qA<br /> <br /> Ссылка на курс в Anytask: https://anytask.org/course/390<br /> <br /> [https://docs.google.com/spreadsheets/d/1u832G7b9aRyayoncaKXr7XPD6WisDr85AYRBKSVCMq0/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | 161 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || [https://t.me/mryab Рябинин Максим] || || пятница, 10:30 - 11:50, ауд. 503 <br /> |-<br /> | 162 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || [http://t.me/bazpasha Хрушков Павел] || || <br /> |-<br /> | 163 (АДИС) || [https://t.me/despairazure Кохтев Вадим Михайлович] || [http://t.me/marka_17 Маркович Александр] || || <br /> |-<br /> | 164 (АДИС) || [https://www.hse.ru/org/persons/137283751 Атанов Андрей Игоревич] || [http://t.me/liza_s Свитанько Лиза] || || <br /> |-<br /> | 165 (РС) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || [http://t.me/akiiino Попов Никита] || || вторник, 9:00 – 10:20, ауд. 311<br /> |-<br /> | 166 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [http://t.me/Saigetsu Хайдуров Руслан] || || <br /> |-<br /> | Магистратура ФТиАД || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || [https://t.me/nbagiyan Багиян Нерсес] || || <br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Контрольная работа<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> Накопленная, экзаменационная и итоговая оценки округляются арифметически.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (3 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture01-intro.pdf Конспект]]<br /> <br /> '''Лекция 2''' (14 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture02-linregr.pdf Конспект]]<br /> <br /> '''Лекция 3''' (21 сентября). Переобучение и регуляризация. Разреженные линейные модели. Квантильная регрессия. Подготовка признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture03-linregr.pdf Конспект]]<br /> <br /> '''Лекция 4''' (28 сентября). Линейная классификация. Отступ и верхние оценки на пороговую функцию потерь. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект]]<br /> <br /> '''Лекция 5''' (1 октября). Линейная классификация. Логистическая регрессия и оценки вероятности классов. Метод опорных векторов.<br /> <br /> '''Лекция 6''' (12 октября). Многоклассовая классификация, сведение к бинарным задачам. Многоклассовая логистическая регрессия. Классификация с пересекающимися классами. Метрики качества многоклассовой классификации. Категориальные признаки: хэширование и счётчики.<br /> <br /> '''Лекция 7''' (19 октября). Решающие деревья. Жадный алгоритм построения. Выбор лучшего разбиения с помощью критерия информативности. Критерии информативности для регрессии и классификации. Учёт пропусков в деревьях. Решающие деревья и категориальные признаки.<br /> <br /> '''Лекция 8''' (2 ноября). Бутстрап и бэггинг. Разложение ошибки на смещение и разброс (bias-variance decomposition). Случайный лес. Вычисление расстояний с помощью лесов.<br /> <br /> '''Лекция 9''' (9 ноября). Градиентный бустинг. Регуляризация. Особенности бустинга над деревьями. Взвешивание объектов в градиентном бустинге.<br /> <br /> '''Лекция 10''' (16 ноября). Оптимизация второго порядка в градиентном бустинге. Регуляризация деревьев. XGBoost. Стекинг.<br /> <br /> '''Лекция 11''' (23 ноября). Графы вычислений, их обучение и метод обратного распространения ошибки. Полносвязные, свёрточные и рекуррентные слои. Возможности аппроксимации.<br /> <br /> '''Лекция 12''' (30 ноября). Обучение без учителя. Кластеризация: метрики качества, K-Means, иерархический и графовый подходы. Визуализация, t-SNE. Обучение представлений. word2vec.<br /> <br /> '''Лекция 13''' (7 декабря). Метод главных компонент, его связь с матричными разложениями. Рекомендательные системы: постановка задачи, коллаборативные методы, матричные разложения, контентные методы.<br /> <br /> == Семинары ==<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна. <br /> <br /> '''Задание 1.''' Работа с Pandas и Matplotlib.<br /> <br /> Мягкий дедлайн: 07:59 15.09.2018. <br /> <br /> Жесткий дедлайн: 23:59 16.09.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-01.ipynb Github].<br /> <br /> '''Задание 2.''' Numpy. Линейная регрессия.<br /> <br /> Дата выдачи: 17.09.2018<br /> <br /> Мягкий дедлайн: 2:59MSK 24.09.2018<br /> <br /> Жесткий дедлайн: 23:59MSK 26.09.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02.ipynb Условие], <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02-templates.zip архив с шаблонами],<br /> [https://contest.yandex.ru/contest/9148/enter/ соревнование в Яндекс.Контесте],<br /> [https://official.contest.yandex.ru/contest/9148/enter/ альтернативная ссылка на соревнование в Яндекс.Контесте].<br /> <br /> '''Задание 3.''' Регуляризация. Градиентный спуск.<br /> <br /> Дата выдачи: 22.09.2018<br /> <br /> Мягкий дедлайн: 7:59MSK 02.10.2018<br /> <br /> Жесткий дедлайн: 23:59MSK 03.10.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-03.ipynb Условие], <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/data/homework-practice-03-data.csv данные]<br /> [https://contest.yandex.ru/contest/9247 соревнование в Яндекс.Контесте]<br /> [https://official.contest.yandex.ru/contest/9247 альтернативная ссылка на соревнование в Яндекс.Контесте].<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> 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.<br /> <br /> <br /> В лидербордах каждого из соревнований присутствуют несколько базовых решений (бейзлайнов), каждое из которых соответствует определённой оценке. Например, для получения оценки не ниже 8 баллов необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бейзлайна. Далее для студента, преодолевшего бейзлайн на N_1 баллов, но не преодолевшего бейзлайн на N_2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N_2 - (N_2 - N_1) * i / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бейзлайн на N_1 баллов, но не преодолевших бейзлайн на N_2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> Единственное исключение из формулы — студенты, преодолевшие самый сильный бейзлайн, получают прибавку 1/M к своей оценке.<br /> <br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''.<br /> <br /> === Соревнование 1: House pricing ===<br /> <br /> Дата выдачи: 15.09.2018<br /> <br /> Срок окончания соревнования: 30.09.2018 23:59MSK<br /> <br /> Срок отправки кода: 03.10.2018 23:59MSK<br /> <br /> Бейзлайны: на 4 и на 8 баллов<br /> <br /> [https://www.kaggle.com/t/5a486fc7863548a58cfc1f702690b5c3 Ссылка на участие в соревновании]<br /> <br /> ==Теоретические домашние задания==<br /> <br /> == Бонусы за соревнования ==<br /> <br /> За успешное участие в соревнованиях по анализу данных могут быть выставлены бонусные баллы, которые можно прибавить к оценке за любое практическое или теоретическое домашнее задание, а также за самостоятельную работу. Под успешным участием понимается попадание в топ-10% мест; если соревнование особо сложное и крупное, может рассматриваться и попадание в топ-20% мест. Конкретное число баллов определяется преподавателями и зависит от сложности соревнования и занятого места. За одно соревнование можно получить не более 5 баллов. Для получения оценки необходимо предоставить краткий отчёт о решении задачи.<br /> <br /> == Контрольная работа ==<br /> <br /> == Экзамен ==<br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_1/2017_2018 | 2017/2018 учебный год]]<br /> <br /> [[Машинное_обучение_1/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_1/2023_2024&diff=29355 2018-09-22T19:57:54Z

<p>Brainylyasha: /* Практические задания */</p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 12:10 - 13:30, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/219888994.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+161@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://t.me/joinchat/AAAAAEprV-8gsyFBkYbvkg<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQE2eFY0LN0AWcGH3qA<br /> <br /> Ссылка на курс в Anytask: https://anytask.org/course/390<br /> <br /> [https://docs.google.com/spreadsheets/d/1u832G7b9aRyayoncaKXr7XPD6WisDr85AYRBKSVCMq0/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | 161 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || [https://t.me/mryab Рябинин Максим] || || пятница, 10:30 - 11:50, ауд. 503 <br /> |-<br /> | 162 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || [http://t.me/bazpasha Хрушков Павел] || || <br /> |-<br /> | 163 (АДИС) || [https://t.me/despairazure Кохтев Вадим Михайлович] || [http://t.me/marka_17 Маркович Александр] || || <br /> |-<br /> | 164 (АДИС) || [https://www.hse.ru/org/persons/137283751 Атанов Андрей Игоревич] || [http://t.me/liza_s Свитанько Лиза] || || <br /> |-<br /> | 165 (РС) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || [http://t.me/akiiino Попов Никита] || || вторник, 9:00 – 10:20, ауд. 311<br /> |-<br /> | 166 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [http://t.me/Saigetsu Хайдуров Руслан] || || <br /> |-<br /> | Магистратура ФТиАД || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || [https://t.me/nbagiyan Багиян Нерсес] || || <br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Контрольная работа<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> Накопленная, экзаменационная и итоговая оценки округляются арифметически.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (3 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture01-intro.pdf Конспект]]<br /> <br /> '''Лекция 2''' (14 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture02-linregr.pdf Конспект]]<br /> <br /> '''Лекция 3''' (21 сентября). Переобучение и регуляризация. Разреженные линейные модели. Квантильная регрессия. Подготовка признаков.<br /> <br /> '''Лекция 4''' (28 сентября). Линейная классификация. Отступ и верхние оценки на пороговую функцию потерь. Метрики качества классификации.<br /> <br /> '''Лекция 5''' (1 октября). Линейная классификация. Логистическая регрессия и оценки вероятности классов. Метод опорных векторов.<br /> <br /> '''Лекция 6''' (12 октября). Многоклассовая классификация, сведение к бинарным задачам. Многоклассовая логистическая регрессия. Классификация с пересекающимися классами. Метрики качества многоклассовой классификации. Категориальные признаки: хэширование и счётчики.<br /> <br /> '''Лекция 7''' (19 октября). Решающие деревья. Жадный алгоритм построения. Выбор лучшего разбиения с помощью критерия информативности. Критерии информативности для регрессии и классификации. Учёт пропусков в деревьях. Решающие деревья и категориальные признаки.<br /> <br /> '''Лекция 8''' (2 ноября). Бутстрап и бэггинг. Разложение ошибки на смещение и разброс (bias-variance decomposition). Случайный лес. Вычисление расстояний с помощью лесов.<br /> <br /> '''Лекция 9''' (9 ноября). Градиентный бустинг. Регуляризация. Особенности бустинга над деревьями. Взвешивание объектов в градиентном бустинге.<br /> <br /> '''Лекция 10''' (16 ноября). Оптимизация второго порядка в градиентном бустинге. Регуляризация деревьев. XGBoost. Стекинг.<br /> <br /> '''Лекция 11''' (23 ноября). Графы вычислений, их обучение и метод обратного распространения ошибки. Полносвязные, свёрточные и рекуррентные слои. Возможности аппроксимации.<br /> <br /> '''Лекция 12''' (30 ноября). Обучение без учителя. Кластеризация: метрики качества, K-Means, иерархический и графовый подходы. Визуализация, t-SNE. Обучение представлений. word2vec.<br /> <br /> '''Лекция 13''' (7 декабря). Метод главных компонент, его связь с матричными разложениями. Рекомендательные системы: постановка задачи, коллаборативные методы, матричные разложения, контентные методы.<br /> <br /> == Семинары ==<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна. <br /> <br /> '''Задание 1.''' Работа с Pandas и Matplotlib.<br /> <br /> Мягкий дедлайн: 07:59 15.09.2018. <br /> <br /> Жесткий дедлайн: 23:59 16.09.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-01.ipynb Github].<br /> <br /> '''Задание 2.''' Numpy. Линейная регрессия.<br /> <br /> Дата выдачи: 17.09.2018<br /> <br /> Мягкий дедлайн: 2:59MSK 24.09.2018<br /> <br /> Жесткий дедлайн: 23:59MSK 26.09.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02.ipynb Условие], <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02-templates.zip архив с шаблонами],<br /> [https://contest.yandex.ru/contest/9148/enter/ соревнование в Яндекс.Контесте],<br /> [https://official.contest.yandex.ru/contest/9148/enter/ альтернативная ссылка на соревнование в Яндекс.Контесте].<br /> <br /> '''Задание 3.''' Регуляризация. Градиентный спуск.<br /> <br /> Дата выдачи: 22.09.2018<br /> <br /> Мягкий дедлайн: 7:59MSK 30.09.2018<br /> <br /> Жесткий дедлайн: 23:59MSK 02.10.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-03.ipynb Условие], <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/data/homework-practice-03-data.csv данные]<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> 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.<br /> <br /> <br /> В лидербордах каждого из соревнований присутствуют несколько базовых решений (бейзлайнов), каждое из которых соответствует определённой оценке. Например, для получения оценки не ниже 8 баллов необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бейзлайна. Далее для студента, преодолевшего бейзлайн на N_1 баллов, но не преодолевшего бейзлайн на N_2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N_2 - (N_2 - N_1) * i / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бейзлайн на N_1 баллов, но не преодолевших бейзлайн на N_2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> Единственное исключение из формулы — студенты, преодолевшие самый сильный бейзлайн, получают прибавку 1/M к своей оценке.<br /> <br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''.<br /> <br /> === Соревнование 1: House pricing ===<br /> <br /> Дата выдачи: 15.09.2018<br /> <br /> Срок окончания соревнования: 30.09.2018 23:59MSK<br /> <br /> Срок отправки кода: 03.10.2018 23:59MSK<br /> <br /> Бейзлайны: на 4 и на 8 баллов<br /> <br /> [https://www.kaggle.com/t/5a486fc7863548a58cfc1f702690b5c3 Ссылка на участие в соревновании]<br /> <br /> ==Теоретические домашние задания==<br /> <br /> == Бонусы за соревнования ==<br /> <br /> За успешное участие в соревнованиях по анализу данных могут быть выставлены бонусные баллы, которые можно прибавить к оценке за любое практическое или теоретическое домашнее задание, а также за самостоятельную работу. Под успешным участием понимается попадание в топ-10% мест; если соревнование особо сложное и крупное, может рассматриваться и попадание в топ-20% мест. Конкретное число баллов определяется преподавателями и зависит от сложности соревнования и занятого места. За одно соревнование можно получить не более 5 баллов. Для получения оценки необходимо предоставить краткий отчёт о решении задачи.<br /> <br /> == Контрольная работа ==<br /> <br /> == Экзамен ==<br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_1/2017_2018 | 2017/2018 учебный год]]<br /> <br /> [[Машинное_обучение_1/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_1/2023_2024&diff=29276 2018-09-20T11:12:53Z

<p>Brainylyasha: /* Правила участия и оценивания */</p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 12:10 - 13:30, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/219888994.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+161@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://t.me/joinchat/AAAAAEprV-8gsyFBkYbvkg<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQE2eFY0LN0AWcGH3qA<br /> <br /> Ссылка на курс в Anytask: https://anytask.org/course/390<br /> <br /> [https://docs.google.com/spreadsheets/d/1u832G7b9aRyayoncaKXr7XPD6WisDr85AYRBKSVCMq0/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | 161 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || [https://t.me/mryab Рябинин Максим] || || пятница, 10:30 - 11:50, ауд. 503 <br /> |-<br /> | 162 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || [http://t.me/bazpasha Хрушков Павел] || || <br /> |-<br /> | 163 (АДИС) || [https://t.me/despairazure Кохтев Вадим Михайлович] || [http://t.me/marka_17 Маркович Александр] || || <br /> |-<br /> | 164 (АДИС) || [https://www.hse.ru/org/persons/137283751 Атанов Андрей Игоревич] || [http://t.me/liza_s Свитанько Лиза] || || <br /> |-<br /> | 165 (РС) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || [http://t.me/akiiino Попов Никита] || || вторник, 9:00 – 10:20, ауд. 311<br /> |-<br /> | 166 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [http://t.me/Saigetsu Хайдуров Руслан] || || <br /> |-<br /> | Магистратура ФТиАД || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || [https://t.me/nbagiyan Багиян Нерсес] || || <br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Контрольная работа<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> Накопленная, экзаменационная и итоговая оценки округляются арифметически.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (3 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture01-intro.pdf Конспект]]<br /> <br /> '''Лекция 2''' (14 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture02-linregr.pdf Конспект]]<br /> <br /> '''Лекция 3''' (21 сентября). Переобучение и регуляризация. Разреженные линейные модели. Квантильная регрессия. Подготовка признаков.<br /> <br /> '''Лекция 4''' (28 сентября). Линейная классификация. Отступ и верхние оценки на пороговую функцию потерь. Метрики качества классификации.<br /> <br /> '''Лекция 5''' (1 октября). Линейная классификация. Логистическая регрессия и оценки вероятности классов. Метод опорных векторов.<br /> <br /> '''Лекция 6''' (12 октября). Многоклассовая классификация, сведение к бинарным задачам. Многоклассовая логистическая регрессия. Классификация с пересекающимися классами. Метрики качества многоклассовой классификации. Категориальные признаки: хэширование и счётчики.<br /> <br /> '''Лекция 7''' (19 октября). Решающие деревья. Жадный алгоритм построения. Выбор лучшего разбиения с помощью критерия информативности. Критерии информативности для регрессии и классификации. Учёт пропусков в деревьях. Решающие деревья и категориальные признаки.<br /> <br /> '''Лекция 8''' (2 ноября). Бутстрап и бэггинг. Разложение ошибки на смещение и разброс (bias-variance decomposition). Случайный лес. Вычисление расстояний с помощью лесов.<br /> <br /> '''Лекция 9''' (9 ноября). Градиентный бустинг. Регуляризация. Особенности бустинга над деревьями. Взвешивание объектов в градиентном бустинге.<br /> <br /> '''Лекция 10''' (16 ноября). Оптимизация второго порядка в градиентном бустинге. Регуляризация деревьев. XGBoost. Стекинг.<br /> <br /> '''Лекция 11''' (23 ноября). Графы вычислений, их обучение и метод обратного распространения ошибки. Полносвязные, свёрточные и рекуррентные слои. Возможности аппроксимации.<br /> <br /> '''Лекция 12''' (30 ноября). Обучение без учителя. Кластеризация: метрики качества, K-Means, иерархический и графовый подходы. Визуализация, t-SNE. Обучение представлений. word2vec.<br /> <br /> '''Лекция 13''' (7 декабря). Метод главных компонент, его связь с матричными разложениями. Рекомендательные системы: постановка задачи, коллаборативные методы, матричные разложения, контентные методы.<br /> <br /> == Семинары ==<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна. <br /> <br /> '''Задание 1.''' Работа с Pandas и Matplotlib.<br /> <br /> Мягкий дедлайн: 07:59 15.09.2018. <br /> <br /> Жесткий дедлайн: 23:59 16.09.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-01.ipynb Github].<br /> <br /> '''Задание 2.''' Numpy. Линейная регрессия.<br /> <br /> Дата выдачи: 17.09.2018<br /> <br /> Мягкий дедлайн: 2:59MSK 24.09.2018<br /> <br /> Жесткий дедлайн: 23:59MSK 26.09.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02.ipynb Условие], <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02-templates.zip архив с шаблонами],<br /> [https://contest.yandex.ru/contest/9148/enter/ соревнование в Яндекс.Контесте],<br /> [https://official.contest.yandex.ru/contest/9148/enter/ альтернативная ссылка на соревнование в Яндекс.Контесте].<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> 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.<br /> <br /> <br /> В лидербордах каждого из соревнований присутствуют несколько базовых решений (бейзлайнов), каждое из которых соответствует определённой оценке. Например, для получения оценки не ниже 8 баллов необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бейзлайна. Далее для студента, преодолевшего бейзлайн на N_1 баллов, но не преодолевшего бейзлайн на N_2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N_2 - (N_2 - N_1) * i / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бейзлайн на N_1 баллов, но не преодолевших бейзлайн на N_2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> Единственное исключение из формулы — студенты, преодолевшие самый сильный бейзлайн, получают прибавку 1/M к своей оценке.<br /> <br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''.<br /> <br /> === Соревнование 1: House pricing ===<br /> <br /> Дата выдачи: 15.09.2018<br /> <br /> Срок окончания соревнования: 30.09.2018 23:59MSK<br /> <br /> Срок отправки кода: 03.10.2018 23:59MSK<br /> <br /> Бейзлайны: на 4 и на 8 баллов<br /> <br /> [https://www.kaggle.com/t/5a486fc7863548a58cfc1f702690b5c3 Ссылка на участие в соревновании]<br /> <br /> ==Теоретические домашние задания==<br /> <br /> == Бонусы за соревнования ==<br /> <br /> За успешное участие в соревнованиях по анализу данных могут быть выставлены бонусные баллы, которые можно прибавить к оценке за любое практическое или теоретическое домашнее задание, а также за самостоятельную работу. Под успешным участием понимается попадание в топ-10% мест; если соревнование особо сложное и крупное, может рассматриваться и попадание в топ-20% мест. Конкретное число баллов определяется преподавателями и зависит от сложности соревнования и занятого места. За одно соревнование можно получить не более 5 баллов. Для получения оценки необходимо предоставить краткий отчёт о решении задачи.<br /> <br /> == Контрольная работа ==<br /> <br /> == Экзамен ==<br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_1/2017_2018 | 2017/2018 учебный год]]<br /> <br /> [[Машинное_обучение_1/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_2/2023_2024&diff=28212 2018-06-21T10:15:48Z

<p>Brainylyasha: /* Правила выставления оценок */</p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3-4 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 10:30 - 11:50, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/edu/courses/205514318 Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+151@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_2_course_2017<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQEQ7r16nvyHbyXtjNA<br /> <br /> [https://docs.google.com/spreadsheets/d/16wj3eH2crdGY-MFqiMMUoy1E7uo80nYT2MYfz3Y7gx4/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Расписание<br /> |-<br /> | 151 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> | 152 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> Консультации с преподавателями и учебными ассистентами по курсу проводятся по предварительной договорённости.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий<br /> * Теоретические домашние задания<br /> * Практические домашние работы на Python<br /> * Соревнования по анализу данных<br /> * Письменный коллоквиум в конце 3-го модуля<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.2 * O&lt;sub&gt;теоретические дз&lt;/sub&gt; + 0.4 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> Накопленная оценка, оценка за экзамен и итоговая округляются арифметически.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 14''' (12 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture14-kernels.pdf Конспект]]<br /> <br /> '''Лекция 15''' (19 января). Условная оптимизация, двойственные задачи, теорема Куна-Таккера. Двойственная задача SVM. Типы объектов в SVM. Kernel trick. Связь SVM с RBF-ядром и kNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture15-kernels.pdf Конспект]]<br /> <br /> '''Лекция 16''' (26 января). RKHS и теорема о представлении. Аппроксимация ядер, метод случайных признаков Фурье. Ядровой метод главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture16-kernels.pdf Конспект]]<br /> <br /> '''Лекция 17''' (2 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture17-em.pdf Конспект]]<br /> <br /> '''Лекция 18''' (9 февраля). Работа с несбалансированными выборками. Одноклассовые методы и обнаружение аномалий: статистический и метрический подходы. Одноклассовый SVM. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture18-anomaly.pdf Конспект]]<br /> <br /> '''Лекция 19''' (16 февраля). Рекомендательные системы. Коллаборативные модели: memory-based, матричные разложения, факторизационные машины. Контентные модели. Метрики качества. Архитектура рекомендательных систем. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture19-recommender.pdf Конспект]]<br /> <br /> '''Лекция 22''' (13 апреля). Метрические методы. Метод k ближайших соседей для классификации и регрессии, его оптимальность. Измерение расстояний между текстами с помощью их внутренних представлений. Приближенные методы поиска соседей и locality sensitive hashing. Композиции хэш-функций, LSH forest. Обучение метрик, методы NCA и LMNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture22-knn.pdf Конспект]]<br /> <br /> '''Лекция 23''' (27 апреля). Обучение ранжированию. Метрики качества ранжирования. Примеры факторов в ранжировании: BM25 и PageRank. Поточечный, попарный и списочный подходы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture23-ranking.pdf Конспект]]<br /> <br /> == Семинары ==<br /> '''Семинар 12''' (12 января). Ядра, спрямляющие пространства. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem12-kernels.pdf Конспект]]<br /> <br /> '''Семинар 13''' (19 января). Решение задач условной оптимизации. Условия Куна-Таккера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem13-kernels.pdf Конспект]]<br /> <br /> '''Семинар 14''' (26 января). Двойственная задача метода опорных векторов. All-subsequences kernel. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem14-kernels.pdf Конспект]]<br /> <br /> '''Семинар 15''' (2 февраля). Линейный дискриминант Фишера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem15-kernels.pdf Конспект]]<br /> <br /> '''Семинар 16''' (9 февраля). EM-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem16-em.pdf Конспект]]<br /> <br /> '''Семинар 17''' (2 марта). EM-алгоритм для метода главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem17-em.pdf Конспект]]<br /> <br /> '''Семинар 18''' (16 марта). Параметрические методы восстановления плотности распределения. Байесовские классификаторы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem18-bayes.pdf Конспект]]<br /> <br /> '''Семинар 19''' (23 марта). Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem19-unsupervised.pdf Конспект]]<br /> <br /> '''Семинар 20''' (13 апреля). Рекомендательные системы. Вывод формул для ALS и HALS. Факторизационные машины. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem20-recommender.pdf Конспект]]<br /> <br /> '''Семинар 21''' (27 апреля). Модели попарных соотношений. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem21-ranking.pdf Конспект]]<br /> <br /> '''Семинар 22''' (11 мая). Обобщенные линейные модели. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem22-glm.pdf Конспект]]<br /> <br /> '''Семинар 23''' (18 мая). Generative adversarial networks. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem23-gan.pdf Конспект]]<br /> <br /> '''Семинар 24''' (1 июня). Дифференциальная приватность.<br /> <br /> == Теоретические задания ==<br /> Все дедлайны жёсткие. До дедлайна необходимо сдать фотографии/сканы решений либо решение, набранное в TeX. Если у проверяющих возникнут вопросы к решениям, то студента могут пригласить на защиту домашней работы. За полностью правильную работу, набранную в TeX, выставляется 1 бонусный балл (если работа набирает меньше баллов, то и бонусы пропорционально уменьшаются).<br /> <br /> Оценки: https://docs.google.com/spreadsheets/d/1yLf9KChFzLrJgY_Dj0cydaz4ivFnPXw4Gi93mExWm-I/edit?usp=sharing (если в графе def стоит 0 — студент вызван на защиту).<br /> <br /> '''ДЗ №9'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-09-kernels.pdf Условие]]<br /> <br /> Дата выдачи: 14.02.2018<br /> <br /> Срок отправки решений: 01.03.2018 23:59MSK<br /> <br /> Защита: 06.04.2018 12:10 (ауд. 505)<br /> <br /> '''ДЗ №10'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-10-unsupervised.pdf Условие]]<br /> <br /> Дата выдачи: 11.04.2018<br /> <br /> Срок отправки решений: 29.04.2018 23:59MSK<br /> <br /> '''ДЗ №11 (не оценивается)'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-11-glm.pdf Условие]]<br /> <br /> Дата выдачи: 03.06.2018<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> '''Задание 1.''' Графы вычислений и обратное распространение ошибки<br /> <br /> Дата выдачи: 10.03.2018<br /> <br /> Мягкий дедлайн: 28.03.2018 23:59MSK<br /> <br /> Жесткий дедлайн: 04.04.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-04/homework-practice-04.ipynb Условие]<br /> <br /> '''Задание 2.''' Частичное обучение и поиск аномалий<br /> <br /> Дата выдачи: 07.05.2018<br /> <br /> Мягкий дедлайн: 23.05.2018 23:59MSK<br /> <br /> Жесткий дедлайн: 30.05.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-05.ipynb Условие]<br /> <br /> '''Задание 3 (бонусное).''' Обобщенные линейные модели<br /> <br /> Дата выдачи: 04.06.2018<br /> <br /> Жесткий дедлайн: 14.06.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-06/homework-practice-06.ipynb Условие]<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> 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.<br /> <br /> <br /> В лидербордах каждого из соревнований присутствуют 3 базовых решения (бенчмарка), для получения оценки не ниже 4, 6 и 8 баллов соответственно, необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бенчмарка. Далее для студента, преодолевшего бенчмарк на N баллов, но не преодолевшего бенчмарк на N+2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N + 2 - 2 * (i - [N = 8]) / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бенчмарк на N баллов, но не преодолевших бенчмарк на N+2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде.<br /> <br /> === Соревнование 1: Система рекомендаций для интернет-магазина ===<br /> <br /> Дата выдачи: 21.03.2018<br /> <br /> Срок окончания соревнования: 21.04.2018 23:59MSK<br /> <br /> Срок отправки кода: 24.04.2018 23:59MSK<br /> <br /> [https://www.kaggle.com/t/1de924dddc0b40c9aa32925325bfc4be Ссылка на участие в соревновании]<br /> <br /> === Соревнование 2: Cryptocurrency trading ===<br /> <br /> Дата выдачи: 06.05.2018<br /> <br /> Срок закрытия контеста на kaggle: 07.06.2018 02:59MSK<br /> <br /> Срок отправки model.py и кода, воспроизводящего результат: 09.06.2018 23:59MSK<br /> <br /> [https://www.kaggle.com/t/bacd0e3585f74e1a9308d4eaaee02a94 Ссылка на участие в соревновании]<br /> <br /> == Контрольная работа ==<br /> <br /> Дата: 08.06.2018<br /> <br /> [https://docs.google.com/document/d/1KQYX50F4qeCoV3aAQulvgdfMIvWbPCtCIS8mhFIMnr4/edit?usp=sharing Вопросы к контрольной]<br /> <br /> Каждый вариант будет состоять из теоретического вопроса и нескольких задач по аналогии с домашними заданиями и задачами из семинаров.<br /> <br /> == Экзамен ==<br /> <br /> [https://docs.google.com/document/d/1TZt2je50Q4EJyZ6g25Q7LEJi_YkjZsimhxwAiy_10Kg/edit?usp=sharing Вопросы к экзамену]<br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_2/2023_2024&diff=28171 2018-06-14T14:05:10Z

<p>Brainylyasha: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3-4 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 10:30 - 11:50, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/edu/courses/205514318 Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+151@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_2_course_2017<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQEQ7r16nvyHbyXtjNA<br /> <br /> [https://docs.google.com/spreadsheets/d/16wj3eH2crdGY-MFqiMMUoy1E7uo80nYT2MYfz3Y7gx4/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Расписание<br /> |-<br /> | 151 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> | 152 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> Консультации с преподавателями и учебными ассистентами по курсу проводятся по предварительной договорённости.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий<br /> * Теоретические домашние задания<br /> * Практические домашние работы на Python<br /> * Соревнования по анализу данных<br /> * Письменный коллоквиум в конце 3-го модуля<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.2 * O&lt;sub&gt;теоретические дз&lt;/sub&gt; + 0.4 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 14''' (12 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture14-kernels.pdf Конспект]]<br /> <br /> '''Лекция 15''' (19 января). Условная оптимизация, двойственные задачи, теорема Куна-Таккера. Двойственная задача SVM. Типы объектов в SVM. Kernel trick. Связь SVM с RBF-ядром и kNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture15-kernels.pdf Конспект]]<br /> <br /> '''Лекция 16''' (26 января). RKHS и теорема о представлении. Аппроксимация ядер, метод случайных признаков Фурье. Ядровой метод главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture16-kernels.pdf Конспект]]<br /> <br /> '''Лекция 17''' (2 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture17-em.pdf Конспект]]<br /> <br /> '''Лекция 18''' (9 февраля). Работа с несбалансированными выборками. Одноклассовые методы и обнаружение аномалий: статистический и метрический подходы. Одноклассовый SVM. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture18-anomaly.pdf Конспект]]<br /> <br /> '''Лекция 19''' (16 февраля). Рекомендательные системы. Коллаборативные модели: memory-based, матричные разложения, факторизационные машины. Контентные модели. Метрики качества. Архитектура рекомендательных систем. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture19-recommender.pdf Конспект]]<br /> <br /> '''Лекция 22''' (13 апреля). Метрические методы. Метод k ближайших соседей для классификации и регрессии, его оптимальность. Измерение расстояний между текстами с помощью их внутренних представлений. Приближенные методы поиска соседей и locality sensitive hashing. Композиции хэш-функций, LSH forest. Обучение метрик, методы NCA и LMNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture22-knn.pdf Конспект]]<br /> <br /> '''Лекция 23''' (27 апреля). Обучение ранжированию. Метрики качества ранжирования. Примеры факторов в ранжировании: BM25 и PageRank. Поточечный, попарный и списочный подходы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture23-ranking.pdf Конспект]]<br /> <br /> == Семинары ==<br /> '''Семинар 12''' (12 января). Ядра, спрямляющие пространства. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem12-kernels.pdf Конспект]]<br /> <br /> '''Семинар 13''' (19 января). Решение задач условной оптимизации. Условия Куна-Таккера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem13-kernels.pdf Конспект]]<br /> <br /> '''Семинар 14''' (26 января). Двойственная задача метода опорных векторов. All-subsequences kernel. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem14-kernels.pdf Конспект]]<br /> <br /> '''Семинар 15''' (2 февраля). Линейный дискриминант Фишера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem15-kernels.pdf Конспект]]<br /> <br /> '''Семинар 16''' (9 февраля). EM-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem16-em.pdf Конспект]]<br /> <br /> '''Семинар 17''' (2 марта). EM-алгоритм для метода главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem17-em.pdf Конспект]]<br /> <br /> '''Семинар 18''' (16 марта). Параметрические методы восстановления плотности распределения. Байесовские классификаторы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem18-bayes.pdf Конспект]]<br /> <br /> '''Семинар 19''' (23 марта). Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem19-unsupervised.pdf Конспект]]<br /> <br /> '''Семинар 20''' (13 апреля). Рекомендательные системы. Вывод формул для ALS и HALS. Факторизационные машины. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem20-recommender.pdf Конспект]]<br /> <br /> '''Семинар 21''' (27 апреля). Модели попарных соотношений. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem21-ranking.pdf Конспект]]<br /> <br /> '''Семинар 22''' (11 мая). Обобщенные линейные модели. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem22-glm.pdf Конспект]]<br /> <br /> '''Семинар 23''' (18 мая). Generative adversarial networks. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem23-gan.pdf Конспект]]<br /> <br /> '''Семинар 24''' (1 июня). Дифференциальная приватность.<br /> <br /> == Теоретические задания ==<br /> Все дедлайны жёсткие. До дедлайна необходимо сдать фотографии/сканы решений либо решение, набранное в TeX. Если у проверяющих возникнут вопросы к решениям, то студента могут пригласить на защиту домашней работы. За полностью правильную работу, набранную в TeX, выставляется 1 бонусный балл (если работа набирает меньше баллов, то и бонусы пропорционально уменьшаются).<br /> <br /> Оценки: https://docs.google.com/spreadsheets/d/1yLf9KChFzLrJgY_Dj0cydaz4ivFnPXw4Gi93mExWm-I/edit?usp=sharing (если в графе def стоит 0 — студент вызван на защиту).<br /> <br /> '''ДЗ №9'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-09-kernels.pdf Условие]]<br /> <br /> Дата выдачи: 14.02.2018<br /> <br /> Срок отправки решений: 01.03.2018 23:59MSK<br /> <br /> Защита: 06.04.2018 12:10 (ауд. 505)<br /> <br /> '''ДЗ №10'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-10-unsupervised.pdf Условие]]<br /> <br /> Дата выдачи: 11.04.2018<br /> <br /> Срок отправки решений: 29.04.2018 23:59MSK<br /> <br /> '''ДЗ №11 (не оценивается)'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-11-glm.pdf Условие]]<br /> <br /> Дата выдачи: 03.06.2018<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> '''Задание 1.''' Графы вычислений и обратное распространение ошибки<br /> <br /> Дата выдачи: 10.03.2018<br /> <br /> Мягкий дедлайн: 28.03.2018 23:59MSK<br /> <br /> Жесткий дедлайн: 04.04.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-04/homework-practice-04.ipynb Условие]<br /> <br /> '''Задание 2.''' Частичное обучение и поиск аномалий<br /> <br /> Дата выдачи: 07.05.2018<br /> <br /> Мягкий дедлайн: 23.05.2018 23:59MSK<br /> <br /> Жесткий дедлайн: 30.05.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-05.ipynb Условие]<br /> <br /> '''Задание 3 (бонусное).''' Обобщенные линейные модели<br /> <br /> Дата выдачи: 04.06.2018<br /> <br /> Жесткий дедлайн: 14.06.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-06/homework-practice-06.ipynb Условие]<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> 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.<br /> <br /> <br /> В лидербордах каждого из соревнований присутствуют 3 базовых решения (бенчмарка), для получения оценки не ниже 4, 6 и 8 баллов соответственно, необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бенчмарка. Далее для студента, преодолевшего бенчмарк на N баллов, но не преодолевшего бенчмарк на N+2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N + 2 - 2 * (i - [N = 8]) / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бенчмарк на N баллов, но не преодолевших бенчмарк на N+2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде.<br /> <br /> === Соревнование 1: Система рекомендаций для интернет-магазина ===<br /> <br /> Дата выдачи: 21.03.2018<br /> <br /> Срок окончания соревнования: 21.04.2018 23:59MSK<br /> <br /> Срок отправки кода: 24.04.2018 23:59MSK<br /> <br /> [https://www.kaggle.com/t/1de924dddc0b40c9aa32925325bfc4be Ссылка на участие в соревновании]<br /> <br /> === Соревнование 2: Cryptocurrency trading ===<br /> <br /> Дата выдачи: 06.05.2018<br /> <br /> Срок закрытия контеста на kaggle: 07.06.2018 02:59MSK<br /> <br /> Срок отправки model.py и кода, воспроизводящего результат: 09.06.2018 23:59MSK<br /> <br /> [https://www.kaggle.com/t/bacd0e3585f74e1a9308d4eaaee02a94 Ссылка на участие в соревновании]<br /> <br /> == Контрольная работа ==<br /> <br /> Дата: 08.06.2018<br /> <br /> [https://docs.google.com/document/d/1KQYX50F4qeCoV3aAQulvgdfMIvWbPCtCIS8mhFIMnr4/edit?usp=sharing Вопросы к контрольной]<br /> <br /> Каждый вариант будет состоять из теоретического вопроса и нескольких задач по аналогии с домашними заданиями и задачами из семинаров.<br /> <br /> == Экзамен ==<br /> <br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_2/2023_2024&diff=28122 2018-06-06T09:38:42Z

<p>Brainylyasha: /* Соревнование 2: Cryptocurrency trading */</p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3-4 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 10:30 - 11:50, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/edu/courses/205514318 Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+151@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_2_course_2017<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQEQ7r16nvyHbyXtjNA<br /> <br /> [https://docs.google.com/spreadsheets/d/16wj3eH2crdGY-MFqiMMUoy1E7uo80nYT2MYfz3Y7gx4/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Расписание<br /> |-<br /> | 151 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> | 152 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> Консультации с преподавателями и учебными ассистентами по курсу проводятся по предварительной договорённости.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий<br /> * Теоретические домашние задания<br /> * Практические домашние работы на Python<br /> * Соревнования по анализу данных<br /> * Письменный коллоквиум в конце 3-го модуля<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.2 * O&lt;sub&gt;теоретические дз&lt;/sub&gt; + 0.4 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 14''' (12 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture14-kernels.pdf Конспект]]<br /> <br /> '''Лекция 15''' (19 января). Условная оптимизация, двойственные задачи, теорема Куна-Таккера. Двойственная задача SVM. Типы объектов в SVM. Kernel trick. Связь SVM с RBF-ядром и kNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture15-kernels.pdf Конспект]]<br /> <br /> '''Лекция 16''' (26 января). RKHS и теорема о представлении. Аппроксимация ядер, метод случайных признаков Фурье. Ядровой метод главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture16-kernels.pdf Конспект]]<br /> <br /> '''Лекция 17''' (2 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture17-em.pdf Конспект]]<br /> <br /> '''Лекция 18''' (9 февраля). Работа с несбалансированными выборками. Одноклассовые методы и обнаружение аномалий: статистический и метрический подходы. Одноклассовый SVM. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture18-anomaly.pdf Конспект]]<br /> <br /> '''Лекция 19''' (16 февраля). Рекомендательные системы. Коллаборативные модели: memory-based, матричные разложения, факторизационные машины. Контентные модели. Метрики качества. Архитектура рекомендательных систем. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture19-recommender.pdf Конспект]]<br /> <br /> '''Лекция 22''' (13 апреля). Метрические методы. Метод k ближайших соседей для классификации и регрессии, его оптимальность. Измерение расстояний между текстами с помощью их внутренних представлений. Приближенные методы поиска соседей и locality sensitive hashing. Композиции хэш-функций, LSH forest. Обучение метрик, методы NCA и LMNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture22-knn.pdf Конспект]]<br /> <br /> '''Лекция 23''' (27 апреля). Обучение ранжированию. Метрики качества ранжирования. Примеры факторов в ранжировании: BM25 и PageRank. Поточечный, попарный и списочный подходы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture23-ranking.pdf Конспект]]<br /> <br /> == Семинары ==<br /> '''Семинар 12''' (12 января). Ядра, спрямляющие пространства. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem12-kernels.pdf Конспект]]<br /> <br /> '''Семинар 13''' (19 января). Решение задач условной оптимизации. Условия Куна-Таккера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem13-kernels.pdf Конспект]]<br /> <br /> '''Семинар 14''' (26 января). Двойственная задача метода опорных векторов. All-subsequences kernel. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem14-kernels.pdf Конспект]]<br /> <br /> '''Семинар 15''' (2 февраля). Линейный дискриминант Фишера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem15-kernels.pdf Конспект]]<br /> <br /> '''Семинар 16''' (9 февраля). EM-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem16-em.pdf Конспект]]<br /> <br /> '''Семинар 17''' (2 марта). EM-алгоритм для метода главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem17-em.pdf Конспект]]<br /> <br /> '''Семинар 18''' (16 марта). Параметрические методы восстановления плотности распределения. Байесовские классификаторы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem18-bayes.pdf Конспект]]<br /> <br /> '''Семинар 19''' (23 марта). Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem19-unsupervised.pdf Конспект]]<br /> <br /> == Теоретические задания ==<br /> Все дедлайны жёсткие. До дедлайна необходимо сдать фотографии/сканы решений либо решение, набранное в TeX. Если у проверяющих возникнут вопросы к решениям, то студента могут пригласить на защиту домашней работы. За полностью правильную работу, набранную в TeX, выставляется 1 бонусный балл (если работа набирает меньше баллов, то и бонусы пропорционально уменьшаются).<br /> <br /> Оценки: https://docs.google.com/spreadsheets/d/1yLf9KChFzLrJgY_Dj0cydaz4ivFnPXw4Gi93mExWm-I/edit?usp=sharing (если в графе def стоит 0 — студент вызван на защиту).<br /> <br /> '''ДЗ №9'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-09-kernels.pdf Условие]]<br /> <br /> Дата выдачи: 14.02.2018<br /> <br /> Срок отправки решений: 01.03.2018 23:59MSK<br /> <br /> Защита: 06.04.2018 12:10 (ауд. 505)<br /> <br /> '''ДЗ №10'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-10-unsupervised.pdf Условие]]<br /> <br /> Дата выдачи: 11.04.2018<br /> <br /> Срок отправки решений: 29.04.2018 23:59MSK<br /> <br /> '''ДЗ №11 (не оценивается)'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-11-glm.pdf Условие]]<br /> <br /> Дата выдачи: 03.06.2018<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> '''Задание 1.''' Графы вычислений и обратное распространение ошибки<br /> <br /> Дата выдачи: 10.03.2018<br /> <br /> Мягкий дедлайн: 28.03.2018 23:59MSK<br /> <br /> Жесткий дедлайн: 04.04.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-04/homework-practice-04.ipynb Условие]<br /> <br /> '''Задание 2.''' Частичное обучение и поиск аномалий<br /> <br /> Дата выдачи: 07.05.2018<br /> <br /> Мягкий дедлайн: 23.05.2018 23:59MSK<br /> <br /> Жесткий дедлайн: 30.05.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-05.ipynb Условие]<br /> <br /> '''Задание 3 (бонусное).''' Обобщенные линейные модели<br /> <br /> Дата выдачи: 04.06.2018<br /> <br /> Жесткий дедлайн: 14.06.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-06/homework-practice-06.ipynb Условие]<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> 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.<br /> <br /> <br /> В лидербордах каждого из соревнований присутствуют 3 базовых решения (бенчмарка), для получения оценки не ниже 4, 6 и 8 баллов соответственно, необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бенчмарка. Далее для студента, преодолевшего бенчмарк на N баллов, но не преодолевшего бенчмарк на N+2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N + 2 - 2 * (i - [N = 8]) / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бенчмарк на N баллов, но не преодолевших бенчмарк на N+2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде.<br /> <br /> === Соревнование 1: Система рекомендаций для интернет-магазина ===<br /> <br /> Дата выдачи: 21.03.2018<br /> <br /> Срок окончания соревнования: 21.04.2018 23:59MSK<br /> <br /> Срок отправки кода: 24.04.2018 23:59MSK<br /> <br /> [https://www.kaggle.com/t/1de924dddc0b40c9aa32925325bfc4be Ссылка на участие в соревновании]<br /> <br /> === Соревнование 2: Cryptocurrency trading ===<br /> <br /> Дата выдачи: 06.05.2018<br /> <br /> Срок окончания соревнования: 06.06.2018 23:59MSK<br /> <br /> Срок отправки model.py и всего необходимого для '''запуска''' модели: 06.06.2018 23:59MSK<br /> <br /> Срок отправки кода, воспроизводящего результат: 09.06.2018 23:59MSK<br /> <br /> [https://www.kaggle.com/t/bacd0e3585f74e1a9308d4eaaee02a94 Ссылка на участие в соревновании]<br /> <br /> == Контрольная работа ==<br /> <br /> Дата: 08.06.2018<br /> <br /> [https://docs.google.com/document/d/1KQYX50F4qeCoV3aAQulvgdfMIvWbPCtCIS8mhFIMnr4/edit?usp=sharing Вопросы к коллоквиуму]<br /> <br /> Каждый вариант будет состоять из теоретического вопроса и нескольких задач по аналогии с домашними заданиями и задачами из семинаров.<br /> <br /> == Экзамен ==<br /> <br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_2/2023_2024&diff=28121 2018-06-06T09:38:29Z

<p>Brainylyasha: /* Соревнования */</p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3-4 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 10:30 - 11:50, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/edu/courses/205514318 Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+151@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_2_course_2017<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQEQ7r16nvyHbyXtjNA<br /> <br /> [https://docs.google.com/spreadsheets/d/16wj3eH2crdGY-MFqiMMUoy1E7uo80nYT2MYfz3Y7gx4/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Расписание<br /> |-<br /> | 151 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> | 152 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> Консультации с преподавателями и учебными ассистентами по курсу проводятся по предварительной договорённости.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий<br /> * Теоретические домашние задания<br /> * Практические домашние работы на Python<br /> * Соревнования по анализу данных<br /> * Письменный коллоквиум в конце 3-го модуля<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.2 * O&lt;sub&gt;теоретические дз&lt;/sub&gt; + 0.4 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 14''' (12 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture14-kernels.pdf Конспект]]<br /> <br /> '''Лекция 15''' (19 января). Условная оптимизация, двойственные задачи, теорема Куна-Таккера. Двойственная задача SVM. Типы объектов в SVM. Kernel trick. Связь SVM с RBF-ядром и kNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture15-kernels.pdf Конспект]]<br /> <br /> '''Лекция 16''' (26 января). RKHS и теорема о представлении. Аппроксимация ядер, метод случайных признаков Фурье. Ядровой метод главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture16-kernels.pdf Конспект]]<br /> <br /> '''Лекция 17''' (2 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture17-em.pdf Конспект]]<br /> <br /> '''Лекция 18''' (9 февраля). Работа с несбалансированными выборками. Одноклассовые методы и обнаружение аномалий: статистический и метрический подходы. Одноклассовый SVM. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture18-anomaly.pdf Конспект]]<br /> <br /> '''Лекция 19''' (16 февраля). Рекомендательные системы. Коллаборативные модели: memory-based, матричные разложения, факторизационные машины. Контентные модели. Метрики качества. Архитектура рекомендательных систем. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture19-recommender.pdf Конспект]]<br /> <br /> '''Лекция 22''' (13 апреля). Метрические методы. Метод k ближайших соседей для классификации и регрессии, его оптимальность. Измерение расстояний между текстами с помощью их внутренних представлений. Приближенные методы поиска соседей и locality sensitive hashing. Композиции хэш-функций, LSH forest. Обучение метрик, методы NCA и LMNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture22-knn.pdf Конспект]]<br /> <br /> '''Лекция 23''' (27 апреля). Обучение ранжированию. Метрики качества ранжирования. Примеры факторов в ранжировании: BM25 и PageRank. Поточечный, попарный и списочный подходы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture23-ranking.pdf Конспект]]<br /> <br /> == Семинары ==<br /> '''Семинар 12''' (12 января). Ядра, спрямляющие пространства. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem12-kernels.pdf Конспект]]<br /> <br /> '''Семинар 13''' (19 января). Решение задач условной оптимизации. Условия Куна-Таккера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem13-kernels.pdf Конспект]]<br /> <br /> '''Семинар 14''' (26 января). Двойственная задача метода опорных векторов. All-subsequences kernel. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem14-kernels.pdf Конспект]]<br /> <br /> '''Семинар 15''' (2 февраля). Линейный дискриминант Фишера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem15-kernels.pdf Конспект]]<br /> <br /> '''Семинар 16''' (9 февраля). EM-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem16-em.pdf Конспект]]<br /> <br /> '''Семинар 17''' (2 марта). EM-алгоритм для метода главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem17-em.pdf Конспект]]<br /> <br /> '''Семинар 18''' (16 марта). Параметрические методы восстановления плотности распределения. Байесовские классификаторы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem18-bayes.pdf Конспект]]<br /> <br /> '''Семинар 19''' (23 марта). Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem19-unsupervised.pdf Конспект]]<br /> <br /> == Теоретические задания ==<br /> Все дедлайны жёсткие. До дедлайна необходимо сдать фотографии/сканы решений либо решение, набранное в TeX. Если у проверяющих возникнут вопросы к решениям, то студента могут пригласить на защиту домашней работы. За полностью правильную работу, набранную в TeX, выставляется 1 бонусный балл (если работа набирает меньше баллов, то и бонусы пропорционально уменьшаются).<br /> <br /> Оценки: https://docs.google.com/spreadsheets/d/1yLf9KChFzLrJgY_Dj0cydaz4ivFnPXw4Gi93mExWm-I/edit?usp=sharing (если в графе def стоит 0 — студент вызван на защиту).<br /> <br /> '''ДЗ №9'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-09-kernels.pdf Условие]]<br /> <br /> Дата выдачи: 14.02.2018<br /> <br /> Срок отправки решений: 01.03.2018 23:59MSK<br /> <br /> Защита: 06.04.2018 12:10 (ауд. 505)<br /> <br /> '''ДЗ №10'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-10-unsupervised.pdf Условие]]<br /> <br /> Дата выдачи: 11.04.2018<br /> <br /> Срок отправки решений: 29.04.2018 23:59MSK<br /> <br /> '''ДЗ №11 (не оценивается)'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-11-glm.pdf Условие]]<br /> <br /> Дата выдачи: 03.06.2018<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> '''Задание 1.''' Графы вычислений и обратное распространение ошибки<br /> <br /> Дата выдачи: 10.03.2018<br /> <br /> Мягкий дедлайн: 28.03.2018 23:59MSK<br /> <br /> Жесткий дедлайн: 04.04.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-04/homework-practice-04.ipynb Условие]<br /> <br /> '''Задание 2.''' Частичное обучение и поиск аномалий<br /> <br /> Дата выдачи: 07.05.2018<br /> <br /> Мягкий дедлайн: 23.05.2018 23:59MSK<br /> <br /> Жесткий дедлайн: 30.05.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-05.ipynb Условие]<br /> <br /> '''Задание 3 (бонусное).''' Обобщенные линейные модели<br /> <br /> Дата выдачи: 04.06.2018<br /> <br /> Жесткий дедлайн: 14.06.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-06/homework-practice-06.ipynb Условие]<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> 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.<br /> <br /> <br /> В лидербордах каждого из соревнований присутствуют 3 базовых решения (бенчмарка), для получения оценки не ниже 4, 6 и 8 баллов соответственно, необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бенчмарка. Далее для студента, преодолевшего бенчмарк на N баллов, но не преодолевшего бенчмарк на N+2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N + 2 - 2 * (i - [N = 8]) / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бенчмарк на N баллов, но не преодолевших бенчмарк на N+2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде.<br /> <br /> === Соревнование 1: Система рекомендаций для интернет-магазина ===<br /> <br /> Дата выдачи: 21.03.2018<br /> <br /> Срок окончания соревнования: 21.04.2018 23:59MSK<br /> <br /> Срок отправки кода: 24.04.2018 23:59MSK<br /> <br /> [https://www.kaggle.com/t/1de924dddc0b40c9aa32925325bfc4be Ссылка на участие в соревновании]<br /> <br /> === Соревнование 2: Cryptocurrency trading ===<br /> <br /> Дата выдачи: 06.05.2018<br /> <br /> Срок окончания соревнования: 06.06.2018 23:59MSK<br /> <br /> Срок отправки model.py и всего необходимого для **запуска** модели: 06.06.2018 23:59MSK<br /> <br /> Срок отправки кода, воспроизводящего результат: 09.06.2018 23:59MSK<br /> <br /> [https://www.kaggle.com/t/bacd0e3585f74e1a9308d4eaaee02a94 Ссылка на участие в соревновании]<br /> <br /> == Контрольная работа ==<br /> <br /> Дата: 08.06.2018<br /> <br /> [https://docs.google.com/document/d/1KQYX50F4qeCoV3aAQulvgdfMIvWbPCtCIS8mhFIMnr4/edit?usp=sharing Вопросы к коллоквиуму]<br /> <br /> Каждый вариант будет состоять из теоретического вопроса и нескольких задач по аналогии с домашними заданиями и задачами из семинаров.<br /> <br /> == Экзамен ==<br /> <br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_2/2023_2024&diff=28099 2018-06-03T19:44:18Z

<p>Brainylyasha: /* Теоретические задания */</p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3-4 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 10:30 - 11:50, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/edu/courses/205514318 Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+151@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_2_course_2017<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQEQ7r16nvyHbyXtjNA<br /> <br /> [https://docs.google.com/spreadsheets/d/16wj3eH2crdGY-MFqiMMUoy1E7uo80nYT2MYfz3Y7gx4/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Расписание<br /> |-<br /> | 151 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> | 152 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> Консультации с преподавателями и учебными ассистентами по курсу проводятся по предварительной договорённости.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий<br /> * Теоретические домашние задания<br /> * Практические домашние работы на Python<br /> * Соревнования по анализу данных<br /> * Письменный коллоквиум в конце 3-го модуля<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.2 * O&lt;sub&gt;теоретические дз&lt;/sub&gt; + 0.4 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 14''' (12 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture14-kernels.pdf Конспект]]<br /> <br /> '''Лекция 15''' (19 января). Условная оптимизация, двойственные задачи, теорема Куна-Таккера. Двойственная задача SVM. Типы объектов в SVM. Kernel trick. Связь SVM с RBF-ядром и kNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture15-kernels.pdf Конспект]]<br /> <br /> '''Лекция 16''' (26 января). RKHS и теорема о представлении. Аппроксимация ядер, метод случайных признаков Фурье. Ядровой метод главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture16-kernels.pdf Конспект]]<br /> <br /> '''Лекция 17''' (2 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture17-em.pdf Конспект]]<br /> <br /> '''Лекция 18''' (9 февраля). Работа с несбалансированными выборками. Одноклассовые методы и обнаружение аномалий: статистический и метрический подходы. Одноклассовый SVM. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture18-anomaly.pdf Конспект]]<br /> <br /> '''Лекция 19''' (16 февраля). Рекомендательные системы. Коллаборативные модели: memory-based, матричные разложения, факторизационные машины. Контентные модели. Метрики качества. Архитектура рекомендательных систем. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture19-recommender.pdf Конспект]]<br /> <br /> '''Лекция 22''' (13 апреля). Метрические методы. Метод k ближайших соседей для классификации и регрессии, его оптимальность. Измерение расстояний между текстами с помощью их внутренних представлений. Приближенные методы поиска соседей и locality sensitive hashing. Композиции хэш-функций, LSH forest. Обучение метрик, методы NCA и LMNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture22-knn.pdf Конспект]]<br /> <br /> '''Лекция 23''' (27 апреля). Обучение ранжированию. Метрики качества ранжирования. Примеры факторов в ранжировании: BM25 и PageRank. Поточечный, попарный и списочный подходы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture23-ranking.pdf Конспект]]<br /> <br /> == Семинары ==<br /> '''Семинар 12''' (12 января). Ядра, спрямляющие пространства. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem12-kernels.pdf Конспект]]<br /> <br /> '''Семинар 13''' (19 января). Решение задач условной оптимизации. Условия Куна-Таккера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem13-kernels.pdf Конспект]]<br /> <br /> '''Семинар 14''' (26 января). Двойственная задача метода опорных векторов. All-subsequences kernel. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem14-kernels.pdf Конспект]]<br /> <br /> '''Семинар 15''' (2 февраля). Линейный дискриминант Фишера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem15-kernels.pdf Конспект]]<br /> <br /> '''Семинар 16''' (9 февраля). EM-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem16-em.pdf Конспект]]<br /> <br /> '''Семинар 17''' (2 марта). EM-алгоритм для метода главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem17-em.pdf Конспект]]<br /> <br /> '''Семинар 18''' (16 марта). Параметрические методы восстановления плотности распределения. Байесовские классификаторы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem18-bayes.pdf Конспект]]<br /> <br /> '''Семинар 19''' (23 марта). Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem19-unsupervised.pdf Конспект]]<br /> <br /> == Теоретические задания ==<br /> Все дедлайны жёсткие. До дедлайна необходимо сдать фотографии/сканы решений либо решение, набранное в TeX. Если у проверяющих возникнут вопросы к решениям, то студента могут пригласить на защиту домашней работы. За полностью правильную работу, набранную в TeX, выставляется 1 бонусный балл (если работа набирает меньше баллов, то и бонусы пропорционально уменьшаются).<br /> <br /> Оценки: https://docs.google.com/spreadsheets/d/1yLf9KChFzLrJgY_Dj0cydaz4ivFnPXw4Gi93mExWm-I/edit?usp=sharing (если в графе def стоит 0 — студент вызван на защиту).<br /> <br /> '''ДЗ №9'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-09-kernels.pdf Условие]]<br /> <br /> Дата выдачи: 14.02.2018<br /> <br /> Срок отправки решений: 01.03.2018 23:59MSK<br /> <br /> Защита: 06.04.2018 12:10 (ауд. 505)<br /> <br /> '''ДЗ №10'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-10-unsupervised.pdf Условие]]<br /> <br /> Дата выдачи: 11.04.2018<br /> <br /> Срок отправки решений: 29.04.2018 23:59MSK<br /> <br /> '''ДЗ №11 (не оценивается)'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-11-glm.pdf Условие]]<br /> <br /> Дата выдачи: 03.06.2018<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> '''Задание 1.''' Графы вычислений и обратное распространение ошибки<br /> <br /> Дата выдачи: 10.03.2018<br /> <br /> Мягкий дедлайн: 28.03.2018 23:59MSK<br /> <br /> Жесткий дедлайн: 04.04.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-04/homework-practice-04.ipynb Условие]<br /> <br /> '''Задание 2.''' Частичное обучение и поиск аномалий<br /> <br /> Дата выдачи: 07.05.2018<br /> <br /> Мягкий дедлайн: 23.05.2018 23:59MSK<br /> <br /> Жесткий дедлайн: 30.05.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-05.ipynb Условие]<br /> <br /> '''Задание 3 (бонусное).''' Обобщенные линейные модели<br /> <br /> Дата выдачи: 04.06.2018<br /> <br /> Жесткий дедлайн: 14.06.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-06/homework-practice-06.ipynb Условие]<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> 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.<br /> <br /> <br /> В лидербордах каждого из соревнований присутствуют 3 базовых решения (бенчмарка), для получения оценки не ниже 4, 6 и 8 баллов соответственно, необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бенчмарка. Далее для студента, преодолевшего бенчмарк на N баллов, но не преодолевшего бенчмарк на N+2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N + 2 - 2 * (i - [N = 8]) / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бенчмарк на N баллов, но не преодолевших бенчмарк на N+2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде.<br /> <br /> === Соревнование 1: Система рекомендаций для интернет-магазина ===<br /> <br /> Дата выдачи: 21.03.2018<br /> <br /> Срок окончания соревнования: 21.04.2018 23:59MSK<br /> <br /> Срок отправки кода: 24.04.2018 23:59MSK<br /> <br /> [https://www.kaggle.com/t/1de924dddc0b40c9aa32925325bfc4be Ссылка на участие в соревновании]<br /> <br /> === Соревнование 2: Cryptocurrency trading ===<br /> <br /> Дата выдачи: 06.05.2018<br /> <br /> Срок окончания соревнования: 03.06.2018 23:59MSK<br /> <br /> Срок отправки кода: 06.06.2018 23:59MSK<br /> <br /> [https://www.kaggle.com/t/bacd0e3585f74e1a9308d4eaaee02a94 Ссылка на участие в соревновании]<br /> <br /> == Контрольная работа ==<br /> <br /> Дата: 08.06.2018<br /> <br /> [https://docs.google.com/document/d/1KQYX50F4qeCoV3aAQulvgdfMIvWbPCtCIS8mhFIMnr4/edit?usp=sharing Вопросы к коллоквиуму]<br /> <br /> Каждый вариант будет состоять из теоретического вопроса и нескольких задач по аналогии с домашними заданиями и задачами из семинаров.<br /> <br /> == Экзамен ==<br /> <br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_2/2023_2024&diff=28098 2018-06-03T19:43:11Z

<p>Brainylyasha: </p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3-4 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 10:30 - 11:50, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/edu/courses/205514318 Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+151@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_2_course_2017<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQEQ7r16nvyHbyXtjNA<br /> <br /> [https://docs.google.com/spreadsheets/d/16wj3eH2crdGY-MFqiMMUoy1E7uo80nYT2MYfz3Y7gx4/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Расписание<br /> |-<br /> | 151 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> | 152 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> Консультации с преподавателями и учебными ассистентами по курсу проводятся по предварительной договорённости.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий<br /> * Теоретические домашние задания<br /> * Практические домашние работы на Python<br /> * Соревнования по анализу данных<br /> * Письменный коллоквиум в конце 3-го модуля<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.2 * O&lt;sub&gt;теоретические дз&lt;/sub&gt; + 0.4 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 14''' (12 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture14-kernels.pdf Конспект]]<br /> <br /> '''Лекция 15''' (19 января). Условная оптимизация, двойственные задачи, теорема Куна-Таккера. Двойственная задача SVM. Типы объектов в SVM. Kernel trick. Связь SVM с RBF-ядром и kNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture15-kernels.pdf Конспект]]<br /> <br /> '''Лекция 16''' (26 января). RKHS и теорема о представлении. Аппроксимация ядер, метод случайных признаков Фурье. Ядровой метод главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture16-kernels.pdf Конспект]]<br /> <br /> '''Лекция 17''' (2 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture17-em.pdf Конспект]]<br /> <br /> '''Лекция 18''' (9 февраля). Работа с несбалансированными выборками. Одноклассовые методы и обнаружение аномалий: статистический и метрический подходы. Одноклассовый SVM. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture18-anomaly.pdf Конспект]]<br /> <br /> '''Лекция 19''' (16 февраля). Рекомендательные системы. Коллаборативные модели: memory-based, матричные разложения, факторизационные машины. Контентные модели. Метрики качества. Архитектура рекомендательных систем. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture19-recommender.pdf Конспект]]<br /> <br /> '''Лекция 22''' (13 апреля). Метрические методы. Метод k ближайших соседей для классификации и регрессии, его оптимальность. Измерение расстояний между текстами с помощью их внутренних представлений. Приближенные методы поиска соседей и locality sensitive hashing. Композиции хэш-функций, LSH forest. Обучение метрик, методы NCA и LMNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture22-knn.pdf Конспект]]<br /> <br /> '''Лекция 23''' (27 апреля). Обучение ранжированию. Метрики качества ранжирования. Примеры факторов в ранжировании: BM25 и PageRank. Поточечный, попарный и списочный подходы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture23-ranking.pdf Конспект]]<br /> <br /> == Семинары ==<br /> '''Семинар 12''' (12 января). Ядра, спрямляющие пространства. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem12-kernels.pdf Конспект]]<br /> <br /> '''Семинар 13''' (19 января). Решение задач условной оптимизации. Условия Куна-Таккера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem13-kernels.pdf Конспект]]<br /> <br /> '''Семинар 14''' (26 января). Двойственная задача метода опорных векторов. All-subsequences kernel. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem14-kernels.pdf Конспект]]<br /> <br /> '''Семинар 15''' (2 февраля). Линейный дискриминант Фишера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem15-kernels.pdf Конспект]]<br /> <br /> '''Семинар 16''' (9 февраля). EM-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem16-em.pdf Конспект]]<br /> <br /> '''Семинар 17''' (2 марта). EM-алгоритм для метода главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem17-em.pdf Конспект]]<br /> <br /> '''Семинар 18''' (16 марта). Параметрические методы восстановления плотности распределения. Байесовские классификаторы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem18-bayes.pdf Конспект]]<br /> <br /> '''Семинар 19''' (23 марта). Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem19-unsupervised.pdf Конспект]]<br /> <br /> == Теоретические задания ==<br /> Все дедлайны жёсткие. До дедлайна необходимо сдать фотографии/сканы решений либо решение, набранное в TeX. Если у проверяющих возникнут вопросы к решениям, то студента могут пригласить на защиту домашней работы. За полностью правильную работу, набранную в TeX, выставляется 1 бонусный балл (если работа набирает меньше баллов, то и бонусы пропорционально уменьшаются).<br /> <br /> Оценки: https://docs.google.com/spreadsheets/d/1yLf9KChFzLrJgY_Dj0cydaz4ivFnPXw4Gi93mExWm-I/edit?usp=sharing (если в графе def стоит 0 — студент вызван на защиту).<br /> <br /> '''ДЗ №9'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-09-kernels.pdf Условие]]<br /> <br /> Дата выдачи: 14.02.2018<br /> <br /> Срок отправки решений: 01.03.2018 23:59MSK<br /> <br /> Защита: 06.04.2018 12:10 (ауд. 505)<br /> <br /> '''ДЗ №10'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-10-unsupervised.pdf Условие]]<br /> <br /> Дата выдачи: 11.04.2018<br /> <br /> Срок отправки решений: 29.04.2018 23:59MSK<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> '''Задание 1.''' Графы вычислений и обратное распространение ошибки<br /> <br /> Дата выдачи: 10.03.2018<br /> <br /> Мягкий дедлайн: 28.03.2018 23:59MSK<br /> <br /> Жесткий дедлайн: 04.04.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-04/homework-practice-04.ipynb Условие]<br /> <br /> '''Задание 2.''' Частичное обучение и поиск аномалий<br /> <br /> Дата выдачи: 07.05.2018<br /> <br /> Мягкий дедлайн: 23.05.2018 23:59MSK<br /> <br /> Жесткий дедлайн: 30.05.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-05.ipynb Условие]<br /> <br /> '''Задание 3 (бонусное).''' Обобщенные линейные модели<br /> <br /> Дата выдачи: 04.06.2018<br /> <br /> Жесткий дедлайн: 14.06.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-06/homework-practice-06.ipynb Условие]<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> 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.<br /> <br /> <br /> В лидербордах каждого из соревнований присутствуют 3 базовых решения (бенчмарка), для получения оценки не ниже 4, 6 и 8 баллов соответственно, необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бенчмарка. Далее для студента, преодолевшего бенчмарк на N баллов, но не преодолевшего бенчмарк на N+2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N + 2 - 2 * (i - [N = 8]) / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бенчмарк на N баллов, но не преодолевших бенчмарк на N+2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде.<br /> <br /> === Соревнование 1: Система рекомендаций для интернет-магазина ===<br /> <br /> Дата выдачи: 21.03.2018<br /> <br /> Срок окончания соревнования: 21.04.2018 23:59MSK<br /> <br /> Срок отправки кода: 24.04.2018 23:59MSK<br /> <br /> [https://www.kaggle.com/t/1de924dddc0b40c9aa32925325bfc4be Ссылка на участие в соревновании]<br /> <br /> === Соревнование 2: Cryptocurrency trading ===<br /> <br /> Дата выдачи: 06.05.2018<br /> <br /> Срок окончания соревнования: 03.06.2018 23:59MSK<br /> <br /> Срок отправки кода: 06.06.2018 23:59MSK<br /> <br /> [https://www.kaggle.com/t/bacd0e3585f74e1a9308d4eaaee02a94 Ссылка на участие в соревновании]<br /> <br /> == Контрольная работа ==<br /> <br /> Дата: 08.06.2018<br /> <br /> [https://docs.google.com/document/d/1KQYX50F4qeCoV3aAQulvgdfMIvWbPCtCIS8mhFIMnr4/edit?usp=sharing Вопросы к коллоквиуму]<br /> <br /> Каждый вариант будет состоять из теоретического вопроса и нескольких задач по аналогии с домашними заданиями и задачами из семинаров.<br /> <br /> == Экзамен ==<br /> <br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_2/2023_2024&diff=27658 2018-04-22T19:25:33Z

<p>Brainylyasha: /* Соревнования */</p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3-4 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 10:30 - 11:50, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/edu/courses/205514318 Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+151@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_2_course_2017<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQEQ7r16nvyHbyXtjNA<br /> <br /> [https://docs.google.com/spreadsheets/d/16wj3eH2crdGY-MFqiMMUoy1E7uo80nYT2MYfz3Y7gx4/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Расписание<br /> |-<br /> | 151 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> | 152 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> Консультации с преподавателями и учебными ассистентами по курсу проводятся по предварительной договорённости.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий<br /> * Теоретические домашние задания<br /> * Практические домашние работы на Python<br /> * Соревнования по анализу данных<br /> * Письменный коллоквиум в конце 3-го модуля<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.2 * O&lt;sub&gt;теоретические дз&lt;/sub&gt; + 0.4 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 14''' (12 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture14-kernels.pdf Конспект]]<br /> <br /> '''Лекция 15''' (19 января). Условная оптимизация, двойственные задачи, теорема Куна-Таккера. Двойственная задача SVM. Типы объектов в SVM. Kernel trick. Связь SVM с RBF-ядром и kNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture15-kernels.pdf Конспект]]<br /> <br /> '''Лекция 16''' (26 января). RKHS и теорема о представлении. Аппроксимация ядер, метод случайных признаков Фурье. Ядровой метод главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture16-kernels.pdf Конспект]]<br /> <br /> '''Лекция 17''' (2 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture17-em.pdf Конспект]]<br /> <br /> '''Лекция 18''' (9 февраля). Работа с несбалансированными выборками. Одноклассовые методы и обнаружение аномалий: статистический и метрический подходы. Одноклассовый SVM. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture18-anomaly.pdf Конспект]]<br /> <br /> '''Лекция 19''' (16 февраля). Рекомендательные системы. Коллаборативные модели: memory-based, матричные разложения, факторизационные машины. Контентные модели. Метрики качества. Архитектура рекомендательных систем. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture19-recommender.pdf Конспект]]<br /> <br /> '''Лекция 22''' (13 апреля). Метрические методы. Метод k ближайших соседей для классификации и регрессии, его оптимальность. Измерение расстояний между текстами с помощью их внутренних представлений. Приближенные методы поиска соседей и locality sensitive hashing. Композиции хэш-функций, LSH forest. Обучение метрик, методы NCA и LMNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture22-knn.pdf Конспект]]<br /> <br /> == Семинары ==<br /> '''Семинар 12''' (12 января). Ядра, спрямляющие пространства. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem12-kernels.pdf Конспект]]<br /> <br /> '''Семинар 13''' (19 января). Решение задач условной оптимизации. Условия Куна-Таккера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem13-kernels.pdf Конспект]]<br /> <br /> '''Семинар 14''' (26 января). Двойственная задача метода опорных векторов. All-subsequences kernel. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem14-kernels.pdf Конспект]]<br /> <br /> '''Семинар 15''' (2 февраля). Линейный дискриминант Фишера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem15-kernels.pdf Конспект]]<br /> <br /> '''Семинар 16''' (9 февраля). EM-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem16-em.pdf Конспект]]<br /> <br /> '''Семинар 17''' (2 марта). EM-алгоритм для метода главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem17-em.pdf Конспект]]<br /> <br /> '''Семинар 18''' (16 марта). Параметрические методы восстановления плотности распределения. Байесовские классификаторы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem18-bayes.pdf Конспект]]<br /> <br /> '''Семинар 19''' (23 марта). Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem19-unsupervised.pdf Конспект]]<br /> <br /> == Теоретические задания ==<br /> Все дедлайны жёсткие. До дедлайна необходимо сдать фотографии/сканы решений либо решение, набранное в TeX. Если у проверяющих возникнут вопросы к решениям, то студента могут пригласить на защиту домашней работы. За полностью правильную работу, набранную в TeX, выставляется 1 бонусный балл (если работа набирает меньше баллов, то и бонусы пропорционально уменьшаются).<br /> <br /> Оценки: https://docs.google.com/spreadsheets/d/1yLf9KChFzLrJgY_Dj0cydaz4ivFnPXw4Gi93mExWm-I/edit?usp=sharing (если в графе def стоит 0 — студент вызван на защиту).<br /> <br /> '''ДЗ №9'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-09-kernels.pdf Условие]]<br /> <br /> Дата выдачи: 14.02.2018<br /> <br /> Срок отправки решений: 01.03.2018 23:59MSK<br /> <br /> Защита: 06.04.2018 12:10 (ауд. 505)<br /> <br /> '''ДЗ №10'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-10-unsupervised.pdf Условие]]<br /> <br /> Дата выдачи: 11.04.2018<br /> <br /> Срок отправки решений: 29.04.2018 23:59MSK<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> '''Задание 1.''' Графы вычислений и обратное распространение ошибки<br /> <br /> Дата выдачи: 10.03.2018<br /> <br /> Мягкий дедлайн: 28.03.2018 23:59MSK<br /> <br /> Жесткий дедлайн: 04.04.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-04/homework-practice-04.ipynb Условие]<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> 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.<br /> <br /> <br /> В лидербордах каждого из соревнований присутствуют 3 базовых решения (бенчмарка), для получения оценки не ниже 4, 6 и 8 баллов соответственно, необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бенчмарка. Далее для студента, преодолевшего бенчмарк на N баллов, но не преодолевшего бенчмарк на N+2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N + 2 - 2 * (i - [N = 8]) / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бенчмарк на N баллов, но не преодолевших бенчмарк на N+2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде.<br /> <br /> === Соревнование 1: Система рекомендаций для интернет-магазина ===<br /> <br /> Дата выдачи: 21.03.2018<br /> <br /> Срок окончания соревнования: 21.04.2018 23:59MSK<br /> <br /> Срок отправки кода: 24.04.2018 23:59MSK<br /> <br /> [https://www.kaggle.com/t/1de924dddc0b40c9aa32925325bfc4be Ссылка на участие в соревновании]<br /> <br /> == Контрольная работа ==<br /> <br /> <br /> == Экзамен ==<br /> <br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_2/2023_2024&diff=27548 2018-04-11T10:35:53Z

<p>Brainylyasha: /* Теоретические задания */</p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3-4 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 10:30 - 11:50, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/edu/courses/205514318 Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+151@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_2_course_2017<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQEQ7r16nvyHbyXtjNA<br /> <br /> [https://docs.google.com/spreadsheets/d/16wj3eH2crdGY-MFqiMMUoy1E7uo80nYT2MYfz3Y7gx4/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Расписание<br /> |-<br /> | 151 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> | 152 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || пятница, 12:10 - 13:30, ауд. ??<br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> Консультации с преподавателями и учебными ассистентами по курсу проводятся по предварительной договорённости.<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий<br /> * Теоретические домашние задания<br /> * Практические домашние работы на Python<br /> * Соревнования по анализу данных<br /> * Письменный коллоквиум в конце 3-го модуля<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.2 * O&lt;sub&gt;теоретические дз&lt;/sub&gt; + 0.4 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 14''' (12 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture14-kernels.pdf Конспект]]<br /> <br /> '''Лекция 15''' (19 января). Условная оптимизация, двойственные задачи, теорема Куна-Таккера. Двойственная задача SVM. Типы объектов в SVM. Kernel trick. Связь SVM с RBF-ядром и kNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture15-kernels.pdf Конспект]]<br /> <br /> '''Лекция 16''' (26 января). RKHS и теорема о представлении. Аппроксимация ядер, метод случайных признаков Фурье. Ядровой метод главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture16-kernels.pdf Конспект]]<br /> <br /> '''Лекция 17''' (2 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture17-em.pdf Конспект]]<br /> <br /> '''Лекция 18''' (9 февраля). Работа с несбалансированными выборками. Одноклассовые методы и обнаружение аномалий: статистический и метрический подходы. Одноклассовый SVM. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture18-anomaly.pdf Конспект]]<br /> <br /> == Семинары ==<br /> '''Семинар 12''' (12 января). Ядра, спрямляющие пространства. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem12-kernels.pdf Конспект]]<br /> <br /> '''Семинар 13''' (19 января). Решение задач условной оптимизации. Условия Куна-Таккера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem13-kernels.pdf Конспект]]<br /> <br /> '''Семинар 14''' (26 января). Двойственная задача метода опорных векторов. All-subsequences kernel. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem14-kernels.pdf Конспект]]<br /> <br /> '''Семинар 15''' (2 февраля). Линейный дискриминант Фишера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem15-kernels.pdf Конспект]]<br /> <br /> '''Семинар 16''' (9 февраля). EM-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem16-em.pdf Конспект]]<br /> <br /> '''Семинар 17''' (2 марта). EM-алгоритм для метода главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem17-em.pdf Конспект]]<br /> <br /> '''Семинар 18''' (16 марта). Параметрические методы восстановления плотности распределения. Байесовские классификаторы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem18-bayes.pdf Конспект]]<br /> <br /> '''Семинар 19''' (23 марта). Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem19-unsupervised.pdf Конспект]]<br /> <br /> == Теоретические задания ==<br /> Все дедлайны жёсткие. До дедлайна необходимо сдать фотографии/сканы решений либо решение, набранное в TeX. Если у проверяющих возникнут вопросы к решениям, то студента могут пригласить на защиту домашней работы. За полностью правильную работу, набранную в TeX, выставляется 1 бонусный балл (если работа набирает меньше баллов, то и бонусы пропорционально уменьшаются).<br /> <br /> Оценки: https://docs.google.com/spreadsheets/d/1yLf9KChFzLrJgY_Dj0cydaz4ivFnPXw4Gi93mExWm-I/edit?usp=sharing (если в графе def стоит 0 — студент вызван на защиту).<br /> <br /> '''ДЗ №9'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-09-kernels.pdf Условие]]<br /> <br /> Дата выдачи: 14.02.2018<br /> <br /> Срок отправки решений: 01.03.2018 23:59MSK<br /> <br /> Защита: 06.04.2018 12:10 (ауд. 505)<br /> <br /> '''ДЗ №10'''<br /> <br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-10-unsupervised.pdf Условие]]<br /> <br /> Дата выдачи: 11.04.2018<br /> <br /> Срок отправки решений: 29.04.2018 23:59MSK<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> '''Задание 1.''' Графы вычислений и обратное распространение ошибки<br /> <br /> Дата выдачи: 10.03.2018<br /> <br /> Мягкий дедлайн: 28.03.2018 23:59MSK<br /> <br /> Жесткий дедлайн: 04.04.2018 23:59MSK<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-04/homework-practice-04.ipynb Условие]<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> 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.<br /> <br /> <br /> В лидербордах каждого из соревнований присутствуют 3 базовых решения (бенчмарка), для получения оценки не ниже 4, 6 и 8 баллов соответственно, необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бенчмарка. Далее для студента, преодолевшего бенчмарк на N баллов, но не преодолевшего бенчмарк на N+2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N + 2 - 2 * (i - [N = 8]) / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бенчмарк на N баллов, но не преодолевших бенчмарк на N+2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> <br /> В течение 3 суток после окончания соревнования на почту курса необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде.<br /> <br /> === Соревнование 1: Система рекомендаций для интернет-магазина ===<br /> <br /> Дата выдачи: 21.03.2018<br /> <br /> Срок окончания соревнования: 21.04.2018 23:59MSK<br /> <br /> Срок отправки кода: 24.04.2018 23:59MSK<br /> <br /> [https://www.kaggle.com/t/1de924dddc0b40c9aa32925325bfc4be Ссылка на участие в соревновании]<br /> <br /> == Контрольная работа ==<br /> <br /> <br /> == Экзамен ==<br /> <br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]</div>

Brainylyasha