https://wiki.cs.hse.ru/api.php?action=feedcontributions&feedformat=atom&user=Denaas 2026-09-22T00:03:26Z Вклад MediaWiki 1.43.9 https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=67268 2022-03-17T23:38:13Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> == Правила презентации статьи ==<br /> <br /> # Студент подготавливает презентацию c краткой выжимкой статьи и необходимыми графиками<br /> # Студент может пользоваться не только статьей, но и вспомогательными материалами (блоги, github)<br /> # Студент при желании может продемонстрировать результаты своих экспериментов на основе статьи<br /> # Оценка O_доклад ставится взависимости от полноты разбора, собственных изысканий студента, использованных дополнительных материалов, ответов на вопросы аудитории<br /> # Оценка О_активность ставится студенту на основе его вопросов докладчику. Желательно, чтобы вопросы были по материалам статьи или презентации<br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> [https://www.youtube.com/playlist?list=PLjufDdskD5S6pg9540g04Fj_2yxFLbyrQ videos]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн <br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 28.09.2021 23:59 <br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/assignment_2.ipynb assignment_2]|| 8.11.2021 23:59<br /> |-<br /> | 26.10.2021 || Distributed Representations || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_4/ML4SE_4.pdf presentation] || || <br /> |-<br /> | 9.10.2021 || CNN, RNN || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_5/ML4SE_5.pdf presentation] || || <br /> |-<br /> | 22.10.2021 || Language Modeling || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_6/ML4SE_6.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_6/assignment_3.ipynb assignment_3] || 20.12.2021 23:59<br /> |-<br /> | 12.01.2022 || Seq2Seq. Transformer || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_7/ML4SE_7.pdf presentation] || || <br /> |-<br /> | 25.01.2022 || Paper Discussion || || || <br /> |-<br /> | 8.01.2022 || Transfer Learning || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_8/transfer.ipynb notebook] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_8/assignment_4.ipynb assignment_4] || 01.03.2022 23:59<br /> |-<br /> | 1.03.2022 || Information Retrieval || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_9/retrieval.ipynb notebook] || || <br /> |-<br /> | 15.03.2022 || Paper Discussion || || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_10/assignment_5.ipynb assignment_5]|| 28.03.2022 10:00<br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=66548 2022-03-01T10:13:01Z

<p>Denaas: /* Содержание учебной дисциплины */</p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> == Правила презентации статьи ==<br /> <br /> # Студент подготавливает презентацию c краткой выжимкой статьи и необходимыми графиками<br /> # Студент может пользоваться не только статьей, но и вспомогательными материалами (блоги, github)<br /> # Студент при желании может продемонстрировать результаты своих экспериментов на основе статьи<br /> # Оценка O_доклад ставится взависимости от полноты разбора, собственных изысканий студента, использованных дополнительных материалов, ответов на вопросы аудитории<br /> # Оценка О_активность ставится студенту на основе его вопросов докладчику. Желательно, чтобы вопросы были по материалам статьи или презентации<br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> [https://www.youtube.com/playlist?list=PLjufDdskD5S6pg9540g04Fj_2yxFLbyrQ videos]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн <br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 28.09.2021 23:59 <br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/assignment_2.ipynb assignment_2]|| 8.11.2021 23:59<br /> |-<br /> | 26.10.2021 || Distributed Representations || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_4/ML4SE_4.pdf presentation] || || <br /> |-<br /> | 9.10.2021 || CNN, RNN || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_5/ML4SE_5.pdf presentation] || || <br /> |-<br /> | 22.10.2021 || Language Modeling || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_6/ML4SE_6.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_6/assignment_3.ipynb assignment_3] || 20.12.2021 23:59<br /> |-<br /> | 12.01.2022 || Seq2Seq. Transformer || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_7/ML4SE_7.pdf presentation] || || <br /> |-<br /> | 25.01.2022 || Paper Discussion || || || <br /> |-<br /> | 8.01.2022 || Transfer Learning || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_8/transfer.ipynb notebook] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_8/assignment_4.ipynb assignment_4] || 01.03.2022 23:59<br /> |-<br /> | 1.03.2022 || Information Retrieval || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_9/retrieval.ipynb notebook] || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=65584 2022-02-08T07:43:56Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> == Правила презентации статьи ==<br /> <br /> # Студент подготавливает презентацию c краткой выжимкой статьи и необходимыми графиками<br /> # Студент может пользоваться не только статьей, но и вспомогательными материалами (блоги, github)<br /> # Студент при желании может продемонстрировать результаты своих экспериментов на основе статьи<br /> # Оценка O_доклад ставится взависимости от полноты разбора, собственных изысканий студента, использованных дополнительных материалов, ответов на вопросы аудитории<br /> # Оценка О_активность ставится студенту на основе его вопросов докладчику. Желательно, чтобы вопросы были по материалам статьи или презентации<br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> [https://www.youtube.com/playlist?list=PLjufDdskD5S6pg9540g04Fj_2yxFLbyrQ videos]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн <br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 28.09.2021 23:59 <br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/assignment_2.ipynb assignment_2]|| 8.11.2021 23:59<br /> |-<br /> | 26.10.2021 || Distributed Representations || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_4/ML4SE_4.pdf presentation] || || <br /> |-<br /> | 9.10.2021 || CNN, RNN || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_5/ML4SE_5.pdf presentation] || || <br /> |-<br /> | 22.10.2021 || Language Modeling || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_6/ML4SE_6.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_6/assignment_3.ipynb assignment_3] || 20.12.2021 23:59<br /> |-<br /> | 12.01.2022 || Seq2Seq. Transformer || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_7/ML4SE_7.pdf presentation] || || <br /> |-<br /> | 25.01.2022 || Paper Discussion || || || <br /> |-<br /> | 8.01.2022 || Transfer Learning || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_8/transfer.ipynb notebook] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_8/assignment_4.ipynb assignment_4] || 01.03.2022 23:59<br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=64027 2022-01-12T15:10:21Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> == Правила презентации статьи ==<br /> <br /> # Студент подготавливает презентацию c краткой выжимкой статьи и необходимыми графиками<br /> # Студент может пользоваться не только статьей, но и вспомогательными материалами (блоги, github)<br /> # Студент при желании может продемонстрировать результаты своих экспериментов на основе статьи<br /> # Оценка O_доклад ставится взависимости от полноты разбора, собственных изысканий студента, использованных дополнительных материалов, ответов на вопросы аудитории<br /> # Оценка О_активность ставится студенту на основе его вопросов докладчику. Желательно, чтобы вопросы были по материалам статьи или презентации<br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> [https://www.youtube.com/playlist?list=PLjufDdskD5S6pg9540g04Fj_2yxFLbyrQ videos]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн <br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 28.09.2021 23:59 <br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/assignment_2.ipynb assignment_2]|| 8.11.2021 23:59<br /> |-<br /> | 26.10.2021 || Distributed Representations || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_4/ML4SE_4.pdf presentation] || || <br /> |-<br /> | 9.10.2021 || CNN, RNN || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_5/ML4SE_5.pdf presentation] || || <br /> |-<br /> | 22.10.2021 || Language Modeling || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_6/ML4SE_6.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_6/assignment_3.ipynb assignment_3] || 20.12.2021 23:59<br /> |-<br /> | 12.01.2022 || Seq2Seq. Transformer || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_7/ML4SE_7.pdf presentation] || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=62143 2021-11-29T09:11:32Z

<p>Denaas: /* Содержание учебной дисциплины */</p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> == Правила презентации статьи ==<br /> <br /> # Студент подготавливает презентацию c краткой выжимкой статьи и необходимыми графиками<br /> # Студент может пользоваться не только статьей, но и вспомогательными материалами (блоги, github)<br /> # Студент при желании может продемонстрировать результаты своих экспериментов на основе статьи<br /> # Оценка O_доклад ставится взависимости от полноты разбора, собственных изысканий студента, использованных дополнительных материалов, ответов на вопросы аудитории<br /> # Оценка О_активность ставится студенту на основе его вопросов докладчику. Желательно, чтобы вопросы были по материалам статьи или презентации<br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> [https://www.youtube.com/playlist?list=PLjufDdskD5S6pg9540g04Fj_2yxFLbyrQ videos]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн <br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 28.09.2021 23:59 <br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/assignment_2.ipynb assignment_2]|| 8.11.2021 23:59<br /> |-<br /> | 26.10.2021 || Distributed Representations || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_4/ML4SE_4.pdf presentation] || || <br /> |-<br /> | 9.10.2021 || CNN, RNN || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_5/ML4SE_5.pdf presentation] || || <br /> |-<br /> | 22.10.2021 || Language Modeling || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_6/ML4SE_6.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_6/assignment_3.ipynb assignment_3] || 20.12.2021 23:59<br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=61617 2021-11-18T19:32:19Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> == Правила презентации статьи ==<br /> <br /> # Студент подготавливает презентацию c краткой выжимкой статьи и необходимыми графиками<br /> # Студент может пользоваться не только статьей, но и вспомогательными материалами (блоги, github)<br /> # Студент при желании может продемонстрировать результаты своих экспериментов на основе статьи<br /> # Оценка O_доклад ставится взависимости от полноты разбора, собственных изысканий студента, использованных дополнительных материалов, ответов на вопросы аудитории<br /> # Оценка О_активность ставится студенту на основе его вопросов докладчику. Желательно, чтобы вопросы были по материалам статьи или презентации<br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> [https://www.youtube.com/playlist?list=PLjufDdskD5S6pg9540g04Fj_2yxFLbyrQ videos]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн <br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 28.09.2021 23:59 <br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/assignment_2.ipynb assignment_2]|| 8.11.2021 23:59<br /> |-<br /> | 26.10.2021 || Distributed Representations || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_4/ML4SE_4.pdf presentation] || || <br /> |-<br /> | 9.10.2021 || CNN, RNN || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_5/ML4SE_5.pdf presentation] || || <br /> |-<br /> | 22.10.2021 || Language Modeling || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=61148 2021-11-09T11:15:07Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> == Правила презентации статьи ==<br /> <br /> # Студент подготавливает презентацию c краткой выжимкой статьи и необходимыми графиками<br /> # Студент может пользоваться не только статьей, но и вспомогательными материалами (блоги, github)<br /> # Студент при желании может продемонстрировать результаты своих экспериментов на основе статьи<br /> # Оценка O_доклад ставится взависимости от полноты разбора, собственных изысканий студента, использованных дополнительных материалов, ответов на вопросы аудитории<br /> # Оценка О_активность ставится студенту на основе его вопросов докладчику. Желательно, чтобы вопросы были по материалам статьи или презентации<br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> [https://www.youtube.com/playlist?list=PLjufDdskD5S6pg9540g04Fj_2yxFLbyrQ videos]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн <br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 28.09.2021 23:59 <br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/assignment_2.ipynb assignment_2]|| 8.11.2021 23:59<br /> |-<br /> | 26.10.2021 || Distributed Representations || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_4/ML4SE_4.pdf presentation] || || <br /> |-<br /> | 9.10.2021 || CNN, RNN || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_5/ML4SE_5.pdf presentation] || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=60420 2021-10-26T11:09:20Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> == Правила презентации статьи ==<br /> <br /> # Студент подготавливает презентацию c краткой выжимкой статьи и необходимыми графиками<br /> # Студент может пользоваться не только статьей, но и вспомогательными материалами (блоги, github)<br /> # Студент при желании может продемонстрировать результаты своих экспериментов на основе статьи<br /> # Оценка O_доклад ставится взависимости от полноты разбора, собственных изысканий студента, использованных дополнительных материалов, ответов на вопросы аудитории<br /> # Оценка О_активность ставится студенту на основе его вопросов докладчику. Желательно, чтобы вопросы были по материалам статьи или презентации<br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> [https://www.youtube.com/playlist?list=PLjufDdskD5S6pg9540g04Fj_2yxFLbyrQ videos]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн <br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 28.09.2021 23:59 <br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/assignment_2.ipynb assignment_2]|| 8.11.2021 23:59<br /> |-<br /> | 26.10.2021 || Distributed Representations || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_4/ML4SE_4.pdf presentation] || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=59808 2021-10-11T20:25:21Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> == Правила презентации статьи ==<br /> <br /> # Студент подготавливает презентацию c краткой выжимкой статьи и необходимыми графиками<br /> # Студент может пользоваться не только статьей, но и вспомогательными материалами (блоги, github)<br /> # Студент при желании может продемонстрировать результаты своих экспериментов на основе статьи<br /> # Оценка O_доклад ставится взависимости от полноты разбора, собственных изысканий студента, использованных дополнительных материалов, ответов на вопросы аудитории<br /> # Оценка О_активность ставится студенту на основе его вопросов докладчику. Желательно, чтобы вопросы были по материалам статьи или презентации<br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> [https://www.youtube.com/playlist?list=PLjufDdskD5S6pg9540g04Fj_2yxFLbyrQ videos]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн <br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 28.09.2021 23:59 <br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/assignment_2.ipynb assignment_2]|| 8.11.2021 23:59<br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=59807 2021-10-11T20:21:42Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> == Правила презентации статьи ==<br /> <br /> # Студент подготавливает презентацию c краткой выжимкой статьи и необходимыми графиками<br /> # Студент может пользоваться не только статьей, но и вспомогательными материалами (блоги, github)<br /> # Студент при желании может продемонстрировать результаты своих экспериментов на основе статьи<br /> # Оценка O_доклад ставится взависимости от полноты разбора, собственных изысканий студента, использованных дополнительных материалов, ответов на вопросы аудитории<br /> # Оценка О_активность ставится студенту на основе его вопросов докладчику. Желательно, чтобы вопросы были по материалам статьи или презентации<br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> [https://www.youtube.com/playlist?list=PLjufDdskD5S6pg9540g04Fj_2yxFLbyrQ videos]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн <br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 28.09.2021 23:59 <br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/assignment_2.ipynb assignment_2]|| 8.10.2021 23:59<br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=59764 2021-10-11T08:27:42Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> == Правила презентации статьи ==<br /> <br /> # Студент подготавливает презентацию c краткой выжимкой статьи и необходимыми графиками<br /> # Студент может пользоваться не только статьей, но и вспомогательными материалами (блоги, github)<br /> # Студент при желании может продемонстрировать результаты своих экспериментов на основе статьи<br /> # Оценка O_доклад ставится взависимости от полноты разбора, собственных изысканий студента, использованных дополнительных материалов, ответов на вопросы аудитории<br /> # Оценка О_активность ставится студенту на основе его вопросов докладчику. Желательно, чтобы вопросы были по материалам статьи или презентации<br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> [https://www.youtube.com/playlist?list=PLjufDdskD5S6pg9540g04Fj_2yxFLbyrQ videos]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 21.09.2021 23:59 || 28.09.2021 23:59<br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] || || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=59763 2021-10-11T08:24:14Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> == Правила презентации статьи ==<br /> <br /> # Студент подготавливает презентацию c краткой выжимкой статьи и необходимыми графиками<br /> # Студент может пользоваться не только статьей, но и вспомогательными материалами (блоги, github)<br /> # Студент при желании может продемонстрировать результаты своих экспериментов на основе статьи<br /> # Оценка О_активность ставится студенту на основе его вопросов докладчику. Желательно, чтобы вопросы были по материалам статьи или презентации<br /> <br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> [https://www.youtube.com/playlist?list=PLjufDdskD5S6pg9540g04Fj_2yxFLbyrQ videos]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 21.09.2021 23:59 || 28.09.2021 23:59<br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] || || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=59762 2021-10-11T08:22:02Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> == Правила презентации статьи ==<br /> <br /> # Студент подготавливает презентацию c краткой выжимкой статьи и необходимыми графиками<br /> # Студент при желании может продемонстрировать результаты своих экспериментов на основе статьи<br /> # Оценка О_активность ставится студенту на основе его вопросов докладчику. Желательно, чтобы вопросы были по материалам статьи или презентации<br /> <br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> [https://www.youtube.com/playlist?list=PLjufDdskD5S6pg9540g04Fj_2yxFLbyrQ videos]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 21.09.2021 23:59 || 28.09.2021 23:59<br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] || || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=59552 2021-10-06T15:23:23Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> [https://www.youtube.com/playlist?list=PLjufDdskD5S6pg9540g04Fj_2yxFLbyrQ videos]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 21.09.2021 23:59 || 28.09.2021 23:59<br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] || || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=59551 2021-10-06T15:18:02Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! видео !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://www.youtube.com/watch?v=62hppk2uEfQ&amp;ab_channel=HSECS-JointdepartmentwithJetBrains video] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 21.09.2021 23:59 || 28.09.2021 23:59<br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] ||[https://www.youtube.com/watch?v=kmIa6MFep3k video] || || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_3/ML4SE_3.pdf presentation] || || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=59394 2021-10-04T12:51:10Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! видео !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://www.youtube.com/watch?v=62hppk2uEfQ&amp;ab_channel=HSECS-JointdepartmentwithJetBrains video] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 21.09.2021 23:59 || 28.09.2021 23:59<br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] ||[https://www.youtube.com/watch?v=kmIa6MFep3k video] || || || <br /> |-<br /> | 5.10.2021 || Feed Forward Neural Networks || || || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=59216 2021-09-30T12:08:14Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! видео !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Linear models, ML fundamentals I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://www.youtube.com/watch?v=62hppk2uEfQ&amp;ab_channel=HSECS-JointdepartmentwithJetBrains video] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 21.09.2021 23:59 || 28.09.2021 23:59<br /> |-<br /> | 21.09.2021 || Linear models, ML fundamentals II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] ||[https://www.youtube.com/watch?v=kmIa6MFep3k video] || || || <br /> |-<br /> | 5.10.2021 || Distributed representations || || || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=59215 2021-09-30T12:01:27Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! видео !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Линейные модели, основы машинного обучения I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://www.youtube.com/watch?v=62hppk2uEfQ&amp;ab_channel=HSECS-JointdepartmentwithJetBrains video] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 21.09.2021 23:59 || 28.09.2021 23:59<br /> |-<br /> | 21.09.2021 || Линейные модели, основы машинного обучения II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] ||[https://www.youtube.com/watch?v=kmIa6MFep3k video] || || || <br /> |-<br /> | 5.10.2021 || Распределенные представления Distributed representations || || || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=58836 2021-09-24T10:23:25Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> <br /> == Oценки == <br /> <br /> [https://docs.google.com/spreadsheets/d/1qD5fs-cLvtDNSmnjUgNufpguzQ9pXRpDZVbCHtq0rJk/edit?usp=sharing ml4se_grades]<br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! видео !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Линейные модели, основы машинного обучения I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://www.youtube.com/watch?v=62hppk2uEfQ&amp;ab_channel=HSECS-JointdepartmentwithJetBrains video] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 21.09.2021 23:59 || 28.09.2021 23:59<br /> |-<br /> | 21.09.2021 || Линейные модели, основы машинного обучения II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] ||[https://www.youtube.com/watch?v=kmIa6MFep3k video] || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=58721 2021-09-22T12:16:21Z

<p>Denaas: /* Содержание учебной дисциплины */</p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! видео !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Линейные модели, основы машинного обучения I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://www.youtube.com/watch?v=62hppk2uEfQ&amp;ab_channel=HSECS-JointdepartmentwithJetBrains video] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 21.09.2021 23:59 || 28.09.2021 23:59<br /> |-<br /> | 21.09.2021 || Линейные модели, основы машинного обучения II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] ||[https://www.youtube.com/watch?v=kmIa6MFep3k video] || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=58665 2021-09-21T11:35:05Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! видео !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Линейные модели, основы машинного обучения I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://www.youtube.com/watch?v=62hppk2uEfQ&amp;ab_channel=HSECS-JointdepartmentwithJetBrains video] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 21.09.2021 23:59 || 28.09.2021 23:59<br /> |-<br /> | 21.09.2021 || Линейные модели, основы машинного обучения II || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_2/ML4SE_2.pdf presentation] || || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=58454 2021-09-17T22:50:00Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! видео !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Линейные модели, основы машинного обучения I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://www.youtube.com/watch?v=62hppk2uEfQ&amp;ab_channel=HSECS-JointdepartmentwithJetBrains video] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 21.09.2021 23:59 || 28.09.2021 23:59<br /> |-<br /> | 21.09.2021 || Линейные модели, основы машинного обучения II || || || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=57873 2021-09-10T07:57:22Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! видео !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Линейные модели, основы машинного обучения I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || [https://www.youtube.com/watch?v=62hppk2uEfQ&amp;ab_channel=HSECS-JointdepartmentwithJetBrains video] || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 21.09.2021 23:59 || 28.09.2021 23:59<br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=57810 2021-09-09T22:06:19Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Правила оценивания домашнего задания ==<br /> <br /> # Студент заводит приватный репозиторий на github и добавляет туда преподавателя. <br /> # Все домашние задания сдаются в виде jupyter notebook. <br /> # При сдаче работы все клетки в jupyter notebook должны быть выполнены последовательно. Если преподаватель перезапустит jupyter notebook у себя и обнаружит существенные отличия в выводе клеток, или ошибки при исполнении кода, то он может снять баллы за задание. <br /> # При обнаружении списывания работе ставится 0 баллов. <br /> <br /> Просьба заполнить [https://docs.google.com/forms/d/e/1FAIpQLSdOn2Orp1aV4oY105I0PUaS3AcQ4jvm5ibyLDDZTA5Rgq6D4w/viewform?usp=sf_link гугл форму] перед сдачей ДЗ <br /> <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! видео !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Линейные модели, основы машинного обучения I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 21.09.2021 23:59 || 28.09.2021 23:59<br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=57809 2021-09-09T21:54:16Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! видео !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Линейные модели, основы машинного обучения I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/assignment_1.ipynb assignment_1] || 21.09.2021 23:59 || 28.09.2021 23:59<br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=57762 2021-09-09T08:13:03Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! видео !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Линейные модели, основы машинного обучения I || [https://github.com/thedenaas/hse_ml4se/blob/main/2021/seminar_1/ML4SE_1.pdf presentation] || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=57478 2021-09-07T06:19:59Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Линейные модели, основы машинного обучения I || || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019<br /> # Schapire. Boosting: Foundations and Algorithms. MIT Press, 2012</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=56833 2021-08-30T12:13:33Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. <br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> # Linear models, ML fundamentals<br /> # Distributed representations<br /> # Feed Forward Neural Networks<br /> # CNN, RNN<br /> # Language Modeling<br /> # Transformers<br /> # Transfer learning<br /> # Information Retrieval<br /> # Modern Transformer architectures<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! дата !! тема !! материалы !! ДЗ !! дедлайн !! последний дедлайн<br /> |-<br /> | 7.09.2021 || Линейные модели, основы машинного обучения I || || || || <br /> |-<br /> |}<br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==<br /> # Goodfellow I. Deep Learning. MIT Press, 2016<br /> # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006<br /> <br /> ==Рекомендуемая дополнительная литература==<br /> # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017<br /> # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/<br /> # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=56827 2021-08-30T12:00:46Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> ==Формула оценки==<br /> <br /> Результирующая оценка вычисляется по формуле:<br /> <br /> О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)<br /> <br /> Формула округления: Стандартное арифметическое округление<br /> <br /> ==Рекомендованная литература==</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=56826 2021-08-30T11:59:40Z

<p>Denaas: </p> <hr /> <div>== О курсе ==<br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> Литвинов Денис Владимирович ([https://t.me/denaas Telegram])<br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> ==Формула оценки==<br /> <br /> <br /> ==Рекомендованная литература==</div>

Denaas https://wiki.cs.hse.ru/index.php?title=ML4SE_1&diff=56292 2021-08-11T07:45:18Z

<p>Denaas: Новая страница: «== О курсе == &lt;big&gt;&#039;&#039;&#039;Преподаватели:&#039;&#039;&#039;&lt;/big&gt; == Содержание учебной дисциплины == &lt;big&gt;&#039;&#039;&#039;Материалы к…»</p> <hr /> <div>== О курсе ==<br /> <br /> &lt;big&gt;'''Преподаватели:'''&lt;/big&gt; <br /> <br /> == Содержание учебной дисциплины ==<br /> <br /> &lt;big&gt;'''Материалы курса:'''&lt;/big&gt; <br /> <br /> ==Формула оценки==<br /> <br /> <br /> ==Рекомендованная литература==</div>

Denaas https://wiki.cs.hse.ru/index.php?title=Wiki_%D0%A4%D0%9A%D0%9D&diff=56291 2021-08-11T07:42:20Z

<p>Denaas: /* Курсы за 2021/22 учебный год */</p> <hr /> <div>__NOTOC__ <br /> <br /> = Учебные курсы факультета компьютерных наук =<br /> <br /> <br /> == Курсы за 2021/22 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> '''ПМИ'''<br /> <br /> '''ПИ'''<br /> <br /> '''ПАД'''<br /> <br /> ||<br /> <br /> '''ПМИ'''<br /> <br /> [[MissingSemester2021/2022 | Инструменты промышленной разработки (The Missing Semester of your CS education)]]<br /> <br /> '''ПАД'''<br /> <br /> ||<br /> <br /> '''ПМИ'''<br /> <br /> '''ПИ'''<br /> <br /> [[ML4SE_1 | НИС Машинное обучение для программной инженерии]]<br /> <br /> '''ПАД'''<br /> <br /> ||<br /> <br /> '''ПМИ / МОП'''<br /> <br /> '''ПМИ / РС'''<br /> <br /> '''ПМИ / ТИ'''<br /> <br /> ||<br /> <br /> <br /> <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 /> | [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_%D0%93%D0%B5%D0%BE%D0%B3%D1%80%D0%B0%D1%84%D0%B8%D1%8F_2020/21 Цифровая грамотность] || География глобальных измерений и геоинформационные технологии || 1 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_2020_(%D0%92%D0%BE%D1%81%D1%82%D0%BE%D0%BA%D0%BE%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5) Цифровая грамотность] || Востоковедение || 1 курс || 1-2 модули<br /> |-<br /> |[http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C,_%D0%90%D0%BD%D1%82%D0%B8%D1%87%D0%BD%D0%BE%D1%81%D1%82%D1%8C Цифровая грамотность] || ИКВиА || 1 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%98%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_%D0%B2_%D0%B4%D0%B5%D1%8F%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B8_%D1%8E%D1%80%D0%B8%D1%81%D1%82%D0%B0_2018-2019 Цифровая грамотность] || Юриспруденция || 1 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%98%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_%D0%B2_%D0%B4%D0%B5%D1%8F%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B8_%D1%8E%D1%80%D0%B8%D1%81%D1%82%D0%B0_2018-2019 Цифровая грамотность] || Юриспруденция:частное право || 1 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_%D0%98%D1%81%D1%82%D0%BE%D1%80%D0%B8%D1%8F_2020/2021 Цифровая грамотность] ||История || 1 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_(%D1%84%D0%B8%D0%BB%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)_2020 Цифровая грамотность] || Филология || 1 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_2019-2020_(%D0%9A%D1%83%D0%BB%D1%8C%D1%82%D1%83%D1%80%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F) Цифровая грамотность] || Культурология || 1 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_2019-2020_(%D0%9A%D1%83%D0%BB%D1%8C%D1%82%D1%83%D1%80%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F) Цифровая грамотность] || Медиакоммуникации || 1 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_2019-2020(%D1%84%D0%B8%D0%BB%D0%BE%D1%81%D0%BE%D1%84%D0%B8%D1%8F) Цифровая грамотность] || Философия || 1 курс || 1-2 модуль<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_Python_%D0%BE%D1%81%D0%B5%D0%BD%D1%8C_2020_%D0%BC%D0%B0%D1%82%D1%84%D0%B0%D0%BA Основы программирования на Python] || Математика || 3 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%B2_R,_%D0%A1%D0%BE%D1%86%D0%B8%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F Анализ данных в R] || Социология || 4 курс || 1-2 модули<br /> |- <br /> | [http://wiki.cs.hse.ru/%D0%9F%D0%9C%D0%A1%D0%90%D0%A0-2_2020 Методы анализа больших данных в исследованиях поведения покупателя] || Прикладные методы социального анализа рынков (магистратура) || 2 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%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_(%D0%A4%D0%AD%D0%9D)_-_2020 Машинное обучение] || Экономика || 3,4 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_Python2020/2021 Программирование на языке Python ] || Городское планирование, Экономика и статистика || 3 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%B2_%D0%BC%D0%B5%D0%B6%D0%B4%D1%83%D0%BD%D0%B0%D1%80%D0%BE%D0%B4%D0%BD%D1%8B%D1%85_%D0%BE%D1%82%D0%BD%D0%BE%D1%88%D0%B5%D0%BD%D0%B8%D1%8F%D1%85_20/21 Основы анализа данных в международных отношениях] || Международные отношения || 2 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/Phyton_%D0%B4%D0%BB%D1%8F_%D0%B8%D0%B7%D0%B2%D0%BB%D0%B5%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B8_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 Phyton для извлечения и обработки данных] || Клеточная и молекулярная биотехнология || 1 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%B2_Python_(%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_2020) Основы программирования в Python ] || Политология || 3 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0_%D0%B8_%D0%B2%D0%B8%D0%B7%D1%83%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%B4%D0%BB%D1%8F_%D0%BC%D0%B5%D0%B4%D0%B8%D0%B0_2020/2021 Основы работы с данными: сбор, анализ, визуализация] || Журналистика || 3 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_Data_Science Data Science] || Экономика впечатлений: менеджмент в индустрии гостеприимства и туризме (магистратура) || 1 курс || 2 модуль<br /> |-<br /> | [http://wiki.cs.hse.ru/%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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020) Машинное обучение] || Совместный бакалавриат НИУ ВШЭ и РЭШ || 3 курс || 1-2 модули<br /> |-<br /> | <br /> || Бакалавриат НИУ ВШЭ и Лондонского университета || 3 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/Data_Analysis_in_Economics_and_Finance_2020-2021 Data Analysis in Economics and Finance] || Бакалавриат НИУ ВШЭ и Лондонского университета || 3 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/Data_Analysis_in_Journalism_and_Political_Science_2020-2021 Data Analysis in Journalism and Political Science]|| Бакалавриат НИУ ВШЭ и Лондонского университета || 3 курс || 1-2 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D1%8B%D0%B5_%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%B2_%D0%BA%D1%83%D0%BB%D1%8C%D1%82%D1%83%D1%80%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_2020_1%D0%BC%D0%BE%D0%B4%D1%83%D0%BB%D1%8C Прикладные исследования в культурологии] || Прикладная культурология (магистратура) || 1 курс || 1 модуль<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%D0%B8_%D0%BA%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D1%8B%D0%B5_%D0%B8%D0%BD%D1%81%D1%82%D1%80%D1%83%D0%BC%D0%B5%D0%BD%D1%82%D1%8B_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B3%D0%BE_%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F Программирование и лингвистические данные] || Фундаментальная и компьютерная лингвистика || 1 курс || 1,2,3,4 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%D0%B8_%D0%BA%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D1%8B%D0%B5_%D0%B8%D0%BD%D1%81%D1%82%D1%80%D1%83%D0%BC%D0%B5%D0%BD%D1%82%D1%8B_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B3%D0%BE_%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F Программирование и лингвистические данные] || Фундаментальная и компьютерная лингвистика || 1 курс || 1,2,3 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8 Программирование и теория алгоритмов] || Фундаментальная и компьютерная лингвистика || 3 курс || 2,3,4 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_2020 Нейросетевые методы в обработке текстов] || Фундаментальная и компьютерная лингвистика || 4 курс || 1,2,3 модули<br /> |-<br /> <br /> |}<br /> <br /> = Архив = <br /> <br /> == Курсы за 2020/21 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> '''ПМИ'''<br /> <br /> [[Математический_анализ_1_2020/2021_(пилотный_поток) | Математический анализ-1 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_1_2020/2021_(основной_поток) | Математический анализ-1 на ПМИ (основной поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2020/2021_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2020/2021_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2020/2021_(пилотный_поток) | Алгебра (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2020/2021_(основной_поток) | Алгебра (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2020/2021_(пилотный_поток) | Основы и методология программирования на ПМИ 2020/2021 (пилотный поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2020/2021_(основной_поток)_3_модуль | Основы и методология программирования на ПМИ 2020/2021 (основной поток, III модуль)]]<br /> <br /> [[DM1-2020-21 | Дискретная математика-1 ПМИ]]<br /> <br /> [[Алгоритмы_и_структуры_данных_1_2020/2021_(4_модуль) | Алгоритмы и структуры данных – 1 (4 модуль) на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_пилотный_поток_2020/2021 | Алгоритмы и структуры данных – 1 на ПМИ (пилотный поток)]]<br /> <br /> '''ПИ'''<br /> <br /> [[DM1-SE-2020-21 | Дискретная математика-1 ПИ]]<br /> <br /> [http://hsealgebra21.wikidot.com/ Алгебра ПИ]<br /> <br /> '''ПАД'''<br /> <br /> [[Discrete_Mathematics_DSBA2020/2021 | Discrete Mathematics (DSBA) ]]<br /> <br /> [[LAaG_DSBA_2020/2021 | Linear Algebra and Geometry (DSBA)]]<br /> <br /> [[English_DSBA_2020/2021 | English DSBA (DSBA)]]<br /> <br /> [[Introduction_to_programming_DSBA_2020/2021 | Introduction to Programming (DSBA)]]<br /> <br /> [[ Calculus_2020/21 | Calculus (DSBA) ]]<br /> <br /> [[Algebra_DSBA_2020/2021 | Algebra DSBA]]<br /> <br /> [[Introduction_to_Economics_2020/21 | Introduction to Economics ]]<br /> <br /> ||<br /> '''ПМИ'''<br /> <br /> [[Теория_вероятностей_и_математическая_статистика_2020/2021_(пилотный_поток)| ТВиМС (пилотный поток)]]<br /> <br /> [[Теория_вероятностей_2020/2021_(основной_поток)| Теория вероятностей (основной поток)]]<br /> <br /> [[Математический_анализ_2020/2021_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_-_2_(основной_поток) | Математический анализ - 2 на ПМИ (основной поток)]]<br /> <br /> [[MissingSemester2020/2021 | Инструменты промышленной разработки (The Missing Semester of your CS education)]]<br /> <br /> [[АКОС ПМИ 2020/2021 | Архитектура компьютеров и операционные системы]]<br /> <br /> [[Основы матричных вычислений 2020/2021]]<br /> <br /> [[Дифференциальные уравнения (ПМИ)]]<br /> <br /> [[DM2-pilot2020/2021 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[DM2-base2020/2021 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_пилотный_поток_2019/2020 | Алгоритмы и структуры данных - 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2020/2021 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> '''ПАД'''<br /> <br /> [[Calculus-2_DSBA_2020_(ПАД) | Calculus-2 (DSBA) ]]<br /> <br /> [[Discrete_Mathematics_-_2_DSBA2020/2021 | Discrete Mathematics - 2 (DSBA)]]<br /> <br /> [[Business_and_Management_in_Global_Context_2020/21 | Business and Management in Global Context (DSBA)]]<br /> <br /> [[Principles_of_micro_and_macro-economics_2020/21 | Principles of micro and macro-economics (DSBA)]]<br /> <br /> [[Algorithms_and_data_structures_2_2020/21 | Algorithms and data structures 2 (DSBA)]]<br /> <br /> [[Statistics_DSBA_2020/2021 | Probability and Statistics (DSBA)]]<br /> <br /> [[ACOS_DSBA_2020/2021 | Computer Architecture and Operating Systems (DSBA)]]<br /> <br /> [[Differential_Equations_2021 | Differential Equations ]]<br /> <br /> ||<br /> <br /> '''ПМИ'''<br /> <br /> [[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Прикладная статистика в машинном обучении 20/21]]<br /> <br /> [[Безопасность компьютерных систем 20/21]]<br /> <br /> [[Theory of computing, AMI]]<br /> <br /> [[Матричные вычисления 20/21]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2020/2021|НИС Машинное обучение и приложения]]<br /> <br /> [[Методы оптимизации в машинном обучении|Методы оптимизации в машинном обучении]]<br /> <br /> [[Моделирование временных рядов 20/21]]<br /> <br /> [[Высокопроизводительные вычисления 20/21]]<br /> <br /> [[ Сбор и обработка данных с помощью краудсорсинга 20/21 ]]<br /> <br /> [[ Распределённые системы ]]<br /> <br /> [[ Компьютерные сети 2021 ]]<br /> <br /> [[НИС_РС|НИС Распределенные системы]]<br /> <br /> [[Анализ данных в бизнесе (Кафедра SAS)]]<br /> <br /> [[Дополнительные главы прикладной статистики (2020/21)]]<br /> <br /> [[Comb2020_2021 | Комбинаторные конструкции в теоретической информатике]]<br /> <br /> [[Численные Методы 2021]]<br /> <br /> [[Методы оптимизации 20/21]]<br /> <br /> [[Математическое моделирование]]<br /> <br /> <br /> '''ПАД'''<br /> <br /> [[ MachineLearning1_DSBA2020 | Machine Learning 1 (DSBA)]]<br /> <br /> [[ Time_Series_and_Stochastic_Processes_ada_20_21 | Time Series and Stochastic Processes (DSBA) ]]<br /> <br /> [[ST2187 Business analytics, applied modelling and prediction | Business analytics, applied modelling and prediction (DSBA)]]<br /> <br /> [[Data_Base_2020/2021_DSBA | Data Base (DSBA)]]<br /> <br /> [[Social_History_of_Science_2020/21 | Social History of Science (DSBA)]]<br /> <br /> [[Elements_of_Econometrics_2020/21 | Elements of Econometrics (DSBA)]]<br /> <br /> [[Data Science Case Studies / Анализ данных в бизнесе (Кафедра SAS)]]<br /> <br /> [[ Optimization_methods | Optimizaton Methods (DSBA) ]]<br /> <br /> ||<br /> <br /> [[Философия_науки_2020 | Философия науки]]<br /> <br /> [[Символьные вычисления]]<br /> <br /> '''ПМИ / МОП'''<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2020/2021 | НИС Машинное обучение и приложения]]<br /> <br /> [[Глубинное обучение в обработке звука 20/21]]<br /> <br /> [[Байесовские методы машинного обучения 2020 | Байесовские методы машинного обучения]]<br /> <br /> [[Машинное обучение на больших данных 2021]]<br /> <br /> <br /> [[Генеративные модели в машинном обучении 2021 | Генеративные модели в машинном обучении 2021]]<br /> <br /> '''ПМИ / РС'''<br /> <br /> [[НИС_РС_2 | НИС Распределенные системы]]<br /> <br /> [[msbdp_20 | Методы и системы обработки больших данных]]<br /> <br /> [[ Облачные вычисления]]<br /> <br /> '''ПМИ / ТИ'''<br /> <br /> [[Statistical_learning_theory_2020 | Statistical learning theory]]<br /> <br /> [[InfTheo2020-2021|Теория информации]]<br /> <br /> [[A_Theorist's_Toolkit_2020_2021 | A Theorist's Toolkit, AMI]]<br /> <br /> ||<br /> <br /> [[ Майнор Биоинформатика 1 год ]]<br /> <br /> [[ Майнор Биоинформатика 2 год ]]<br /> <br /> <br /> [[ Введение в программирование (майнор ИАД) ]]<br /> <br /> [[Введение в анализ данных (майнор ИАД)]]<br /> <br /> [[Современные_методы_машинного_обучения|Современные методы машинного обучения (майнор ИАД)]]<br /> <br /> [[Прикладные_задачи_анализа_данных|Прикладные задачи анализа данных (майнор ИАД)]]<br /> <br /> <br /> [[ ОУФ Машинное Обучение в Питоне ]]<br /> <br /> [[ Факультатив &quot;Теория вычислений и логика&quot; (Осень 2020)]]<br /> <br /> [[dopglavy_DM_2021|Допглавы дискретной математики]]<br /> <br /> [[Adaptation_DM_20-21 |Adaptation course in DM]]<br /> <br /> [[Функциональный анализ (осень 2020)]]<br /> <br /> [[KotlinElective|Факультатив &quot;Язык Kotlin&quot; (2-3 модули)]]<br /> <br /> [[ Факультатив &quot;Теория вычислений и логика&quot; | Факультатив &quot;Теория вычислений&quot; (Весна 2021)]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей_2021 | ДГТВ]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей-3_2019/2020 | ДГТВ-3]]<br /> <br /> <br /> |}<br /> <br /> == Курсы магистратуры ФКН ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс<br /> |-<br /> | [[Stochastic_analysis_2020_2021 | Stochastic Analysis ]] || Statistical Learning Theory || 1 year<br /> |-<br /> | [[Econometrics_fall_2020 | Эконометрика ]] || ФТИАД || 1 year<br /> |-<br /> | [[Recsys_2020_2021 | Рекомендательные системы]] || ФТИАД|| 2 year<br /> |-<br /> | [[Into_to_DataMining_and_Machine_Learning_2020_2021 | Introduction to Data Mining and Machine Learning]] || Data Science (Науки о данных) || 2 year<br /> |-<br /> | [[Project_Seminar_2020_2021 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 year<br /> |-<br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 2 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> |-<br /> | [[Цифровая грамотность ИЯиМК 2020-2021|Цифровая грамотность ИЯиМК 2020-2021]] || ИЯиМК || 1 курс || 3-4 модули<br /> |-<br /> | [[Data Analysis in Python 2020-2021|Data Analysis in Python]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 2 курс || 3-4 модули<br /> |-<br /> | [[Машинное обучение на матфаке 2021 |Машинное обучение]] || Математика || 1-4 курс || 3-4 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/Анализ_данных_на_python,_фэн,_2020_spring Анализ данных на python] || Факультет экономических наук || 1 курс || 3-4 модули<br /> |-<br /> | [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 3-4 модули<br /> |-<br /> | [[Python для ОП &quot;Психология&quot; |Python для ОП &quot;Психология&quot; ]] ||Психология || 1 курс || 3-4 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%B2_Python_2020-2021_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F Анализ данных в Python] || Политолгия || 3 курс || 3-4 модули<br /> |-<br /> | [[Цифровая грамотность История искусств 2020-2021]] || История искусств || 1 курс || 3-4 модули<br /> |-<br /> | [[Excel для анализа данных , 20-21|Excel для анализа данных , 20-21]] || ИЯиМК || 4 курс || 3 модуль<br /> |-<br /> | [[ СДиА_Матфак_1_курс_2020/2021 | Структуры данных и алгоритмы ]] || Математика || 3-4 курс || 3-4 модуль<br /> |-<br /> | [[ Python для ГМУ, 20-21 | Python для ГМУ, 2020-2021 ]] || Государственное и муниципальное управление || 1 курс || 4 модуль<br /> |-<br /> | [[ Python для ИЯиМК, 2020-2021 | Python для ИЯиМК, 2020-2021 ]] || ИЯиМК || 2 курс || 4 модуль<br /> |- <br /> | [[ Информационные технологии (факультет химии) | Информационные технологии. Data Culture ]] || Химия || 2 курс || 4 модуль<br /> |-<br /> | [[ Введение_в_анализ_данных_2021_МирЭк | Введение в анализ данных ]] || МирЭк || 1 курс || 4 модуль<br /> |-<br /> | [[ Python для анализа данных (МирЭк) 2020-2021 | Python для анализа данных ]] || МирЭк || 2 курс || 3-4 модуль<br /> |-<br /> <br /> |}<br /> <br /> === 1 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> |-<br /> | [[Основы программирования на Python осень 2020 матфак|Основы программирования на Python-1]] || Математика || 3 курс || 1-2 модули<br /> |-<br /> | [[Анализ_данных_в_Python_2020-2021|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули<br /> |-<br /> | [[Основы_анализа_и_визуализация_данных_для_медиа_2020/2021|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль<br /> |-<br /> | [[Компьютерная лингвистика и информационные технологии 2020|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули<br /> |-<br /> | [[Проектный семинар медиаком 2020|Проектный семинар]] || Медиакоммуникации || 3 курс || 1 модуль<br /> |-<br /> | [[Основы анализа и визуализации данных ДИЯ 2020-2021|Основы анализа и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 1-2 модули<br /> |-<br /> | [[Основы программирования в Python (Политология 2020)|Основы программирования в Python]] || Политология || 3 курс || 1-2 модули<br /> |-<br /> | [[Data Analysis in Journalism and Political Science 2020-2021|Data Analysis in Journalism &amp; Political Science]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 3 курс || 1 модуль<br /> |-<br /> | [[Data Analysis in Economics and Finance 2020-2021|Data Analysis in Economics &amp; Finance]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 3 курс || 1 модуль<br /> |-<br /> | [[Прикладные исследования в культурологии 2020 1модуль|Прикладные исследования в культурологии]] || Прикладная культурология || 1 курс || 1 модуль<br /> |-<br /> | [[Основы анализа данных в международных отношениях 20/21|Основы анализа данных в международных отношениях 20/21]] || Международные отношения || 2 курс || 1-2 модуль<br /> |-<br /> | [[Анализ данных в R, Социология|Анализ данных в R]] || Социология || 4 курс || 1-2 модуль<br /> |-<br /> | [[Анализ данных на python, фэн, 2020 fall|Анализ данных на Python]] || Факультет экономических наук || 2 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая грамотность, ЭиАМ|Цифровая грамотность, ЭиАМ]] || Эфиопия и арабский мир || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая грамотность, Античность|Цифровая грамотность, Античность]] || Античность || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая грамотность, ТиТМ|Цифровая грамотность, ТиТМ]] || Турция и Тюркский мир || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая грамотность История 2020/2021|Цифровая грамотность, История]] || История || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая_грамотность_2020_(Востоковедение)|Цифровая грамотность, Востоковедение]] || Востоковедение || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая_грамотность_География_2020/21|Цифровая грамотность, География]] || География || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая_грамотность_(филология)_2020|Цифровая грамотность, Филология]] || Филология|| 1 курс || 1-2 модуль<br /> |-<br /> | [[Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020)|Машинное обучение]] || Совместная программа по экономике НИУ ВШЭ и РЭШ || 3 курс || 1-2 модуль<br /> |-<br /> | [[Машинное_обучение_(ФЭН)_-_2020|Машинное обучение]] || Экономика || 3-4 курс || 1-2 модуль<br /> |-<br /> | [[Python: работа с данными и текстом|Python: работа с данными и текстом]] || Медиакоммуникации || 2-3 курс || 1-2 модуль<br /> |-<br /> | [[Phyton_для_извлечения_и_обработки_данных|Phyton для извлечения и обработки данных]] || Молекулярная и клеточная биотехнология || 1 курс || 1-2 модуль<br /> |-<br /> | [[ПМСАР-2_2020| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули<br /> |-<br /> | [[Основы_программирования_на_Python2020/2021|Основы программирования на Python]] || Экономика и статистика || 2-3 курс || 1-2 модули<br /> |-<br /> | [[Извлечение и анализ интернет-данных (2020)|Извлечение и анализ интернет-данных]] || Экономика и статистика || 2-4 курс || 2 модуль<br /> <br /> |}<br /> <br /> == Курсы других факультетов ==<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! Дисциплина !! Курс !! Период<br /> |-<br /> | [[Теория вероятностей и математическая статистика, фэн, 2020-2021|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 1-4 модуль<br /> |-<br /> | [[Эконометрика, фэн, 2020-2021|Эконометрика]] || фэн, 3 курс || 1-4 модуль <br /> |-<br /> | [[Динамическая оптимизация в экономике и финансах, фэн, 2020-2021|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль <br /> |-<br /> |}<br /> <br /> =Архив=<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,_2_семестр) | Математический анализ на ПМИ (основной поток, 2 семестр)]]<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 /> [[Алгебра_на_ПМИ_2019/2020_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2019/2020_(основной_поток) | Алгебра на ПМИ (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_2019/2020 | Основы и методология программирования 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) 1st module]]<br /> <br /> [[Calculus_DSBA2020 | Calculus DSBA (ПАД) 2nd module]]<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 /> [[Algorithms_and_Data_Structures_DSBA_2020 | Algorithms and Data Structures DSBA ]]<br /> <br /> [[Algebra_DSBA_2019/2020 | Algebra DSBA]]<br /> <br /> [[Алгоритмы_и_структуры_данных_1_основной_поток_2019/202 | Алгоритмы и структуры данных-1 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_пилотный_поток_2019/2020 | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <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 /> [[Introduction_to_Economics | Introduction to Economics DSBA ]]<br /> <br /> [[Business_and_Management_in_Global_Context_2019-2020| Business and Management in Global Context DSBA ]]<br /> <br /> [[ACOS_DSBA_2019/2020 | Computer Architecture and Operating Systems (ПАД)]]<br /> <br /> [[Differential_Equations_2020 | Differential Equations DSBA ]]<br /> <br /> [[Факультатив Теория вычислений_2020 | Факультатив Теория вычислений]]<br /> <br /> [[Дифференциальные_уравнения_2020 | Дифференциальные уравнения 2020 ]]<br /> <br /> ||<br /> <br /> [[Машинное_обучение_1/2019_2020 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2/2019_2020 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Численные_Методы_2020 | Численные методы]]<br /> <br /> [[Прикладная_статистика_в_машинном_обучении(2019)|Прикладная статистика в машинном обучении]]<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 /> [[Непрерывная_оптимизация_(МОП)/2020| Непрерывная оптимизация (МОП)]]<br /> <br /> [[%D0%9D%D0%B5%D0%BF%D1%80%D0%B5%D1%80%D1%8B%D0%B2%D0%BD%D0%B0%D1%8F_%D0%BE%D0%BF%D1%82%D0%B8%D0%BC%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F_(%D0%A2%D0%98,_%D0%90%D0%94%D0%98%D0%A1,_%D0%90%D0%9F%D0%A0,_%D0%A0%D0%A1)| Непрерывная оптимизация (ТИ, АДИС, АПР, РС) ]] <br /> <br /> [[Data_analysis_(Software_Engineering)_2020|Data Analysis]]<br /> <br /> [[Промышленное_программирование_на_языке_Java| Промышленное программирование на языке Java]]<br /> <br /> [[CCTI_2020|Сложность вычислений и логика в теоретической информатике]]<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_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 /> [[Генеративные_модели_в_машинном_обучении_2020|Генеративные модели в машинном обучении]]<br /> <br /> [[Компьютерные Сети 4 курс| Компьютерные сети]]<br /> <br /> [[Промышленное_программирование_на_языке_Java| Промышленное программирование на языке Java]]<br /> <br /> [[Машинное_обучение_на_больших_данных_2020|Машинное обучение на больших данных]]<br /> <br /> [[Основы_обработки_больших_данных_2020|Основы обработки больших данных]]<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 /> [[Дополнительные_главы_теории_вероятностей_2020|ДГТВ]]<br /> <br /> [[Введение_в_анализ_данных_(майнор_ИАД)_2019/2020|Введение в анализ данных (майнор ИАД)]]<br /> <br /> [[Прикладные_задачи_анализа_данных_(майнор_ИАД)|Прикладные задачи анализа данных (майнор ИАД)]]<br /> <br /> [[NonClassicalLogics|Факультатив &quot;Неклассические логики&quot; (3 модуль)]]<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 /> | [[A_Theorist's_Toolkit_2019_2020 | A Theorist's Toolkit, AMI]] || Науки о данных, специализация ТИ || 1 курс<br /> |-<br /> | [[Neurobayesian_models_2020 | Neurobayesian models ]] || Statistical Learning Theory || 2 year<br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 2 семестр ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- http://wiki.cs.hse.ru/Цифровая_грамотность_(филология)_2020#.F0.9F.93.AC_.D0.A7.D0.B0.D1.82.D1.8B_.D0.B3.D1.80.D1.83.D0.BF.D0.BF<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> |-<br /> | [[Введение в анализ данных 2020 МирЭк| Введение в анализ данных]] || Мировая экономика || 1 курс || 3-4 модуль<br /> |-<br /> |[[ Основы программирования в Python (Мирэк) | Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модуль<br /> |-<br /> | [[ Цифровая грамотность, ИЯиМК| Цифровая грамотность ]] || Иностранные языки и межкультурная коммуникация || 1 курс || 3-4 модуль<br /> |-<br /> | [[ Цифровая_грамотность_(филология)_2020| Цифровая грамотность ]] || Филология || 1 курс || 3-4 модуль<br /> |-<br /> | [[Цифровая_грамотность_(ФиКЛ)_2020| Цифровая грамотность ]] || Фундаментальная и компьютерная лингвистика || 1 курс || 4 модуль<br /> |-<br /> | [[ Цифровая грамотность 2019-2020 (История искусств)| Цифровая грамотность ]] || История искусств || 1 курс || 3-4 модуль<br /> |-<br /> | [[ Цифровая грамотность 2019-2020 (Культурология)| Цифровая грамотность ]] || Культурология || 1 курс || 3-4 модуль<br /> |-<br /> | [[ Цифровая грамотность, ЯиЛ_ЮВА| Цифровая грамотность ]] || Языки и литература Юго-Восточной Азии || 1 курс || 3-4 модуль<br /> |-<br /> | [[ Цифровая грамотность, ЯиЛЯ| Цифровая грамотность ]] || Языки и литература Японии || 1 курс || 3-4 модуль<br /> |-<br /> | [[ ППО Социология 1 курс 2019/2020| ППО (Python для извлечения и обработки данных) ]] || Социология || 1 курс || 3 модуль<br /> |-<br /> |[[ Машинное обучение на матфаке 2020 | Машинное обучение]] || Математика || 2-4 курс || 3-4 модуль <br /> |-<br /> |[[ Excel для анализа данных | Excel для анализа данных]] || ИЯиМК || 4 курс || 3 модуль <br /> |-<br /> | [[ Python для извлечения и обработки данных Медиаком 2 курс 2019/2020| Python для извлечения и обработки данных ]] || Медиакоммуникации || 2 курс || 3 модуль<br /> |-<br /> | [[ Python для извлечения и обработки данных Медиаком 1 курс 2019/2020| Python для извлечения и обработки данных ]] || Медиакоммуникации || 1 курс || 4 модуль<br /> |-<br /> | [[ СДиА Матфак 1 курс 2019/2020| Структуры данных и алгоритмы ]] || Математика || 3-4 курс || 3-4 модуль<br /> |-<br /> | [[Методы_машинного_обучения_(Прикладная_политология)|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |-<br /> | [[Наука о данных (Экономика)|Наука о данных]] || Экономика || 2 курс || 3-4 модули<br /> |-<br /> | [[Основы программирования на Python весна 2021 матфак|Основы программирования на Python, 2 часть]] || Математика || 2-4 курс || 3-4 модули<br /> |-<br /> | [[Культура работы с данными, КМБТ|Культура работы с данными, КМБТ]] || Клеточная и молекулярная биотехнология || 1 курс || 3-4 модули<br /> |-<br /> | [[Natural_Language_Processing_Blended_2020_module4 | Natural Language Processing (blended)]] || Прикладная политология || 1 г.о. || 4 модуль<br /> |-<br /> | [[ПМСАР-1 2019/2020|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 1 г.о. || 3-4 модули<br /> |-<br /> | [[Введение в Data Science]] || Экономика впечатлений: менеджмент в индустрии гостеприимства и туризме || 1 г.о. || 3 модуль<br /> |-<br /> | [[Принципы построения математических моделей]] || МИЭМ || 1 г.о. || 4 модуль<br /> |-<br /> | [[Python для извлечения и обработки данных Психология 1 курс 2019/2020]] || Психология || 1 г.о. || 4 модуль<br /> |-<br /> | [[Технологии анализа больших данных ГМУ 1 курс 2019/2020]] || ГМУ || 1 г.о. || 4 модуль<br /> |-<br /> | [[Городское планирование | Цифровая грамотность]] || Городское планирование || 1 г.о. || 4 модуль<br /> |}<br /> <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 /> | [[Основы_программирования_на_Python2019/2020|Основы программирования на Python]] || Экономика и статистика || 2-4 курс || 2 модуль<br /> |}<br /> <br /> == Курсы других факультетов ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Курс !! Период<br /> |-<br /> | [[Теория вероятностей и математическая статистика, фэн, 2019-2020|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 3-4 модуль<br /> |-<br /> | [[Микроэконометрика качественных данных, фэн, 2020|Микроэконометрика качественных данных 2020]] || фэн, 4 курс || 1-2 модуль<br /> |}<br /> <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/2018-19/Дифференциальные_уравнения_(ФКН) 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 /> [[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 /> == 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 /> |-<br /> | [[Основы программирования на Python весна 2020 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 || 1 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 2019]]<br /> <br /> [[Introduction to Machine Learning and Data Mining 2020 |Introduction to Machine Learning and Data Mining 2020]]<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>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=39491 2020-03-15T08:35:08Z

<p>Denaas: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> [https://docs.google.com/spreadsheets/d/1PRTNt9VjTIydmXKHq-qd2v9nPG7EPooH-FIR1Zh4sTU/edit?usp=sharing оценки]<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 10:00 am <br /> |-<br /> | 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_4 seminar] || || <br /> |-<br /> | 5 || Линейный модели классификации|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 assignment] || 18.11.2019 23:59 <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 assignment] || 2.12.2019 23:59 <br /> |-<br /> | 7 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_7 seminar] || || <br /> |-<br /> | 8 || Distributed representations. CNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_8 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_8/assignment_5.ipynb assignment] || 29.12.2019 23:59<br /> |-<br /> | 9 || RNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_9 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_9 assignment] || 02.02.2020 23:59<br /> |-<br /> | 10 || Seq2seq|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_10 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_10 assignment] || 23.02.2020 23:59<br /> |- <br /> |-<br /> | 11 || Transfer learning || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_11 seminar] || || <br /> |-<br /> | 12 || Information retrieval || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_12 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_12 assignment] || 13.03.2020 23:59<br /> |-<br /> | 13 || Topic Modeling || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_13 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_13 assignment] || 22.03.2020 23:59<br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=39405 2020-03-11T10:43:59Z

<p>Denaas: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> [https://docs.google.com/spreadsheets/d/1PRTNt9VjTIydmXKHq-qd2v9nPG7EPooH-FIR1Zh4sTU/edit?usp=sharing оценки]<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 10:00 am <br /> |-<br /> | 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_4 seminar] || || <br /> |-<br /> | 5 || Линейный модели классификации|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 assignment] || 18.11.2019 23:59 <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 assignment] || 2.12.2019 23:59 <br /> |-<br /> | 7 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_7 seminar] || || <br /> |-<br /> | 8 || Distributed representations. CNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_8 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_8/assignment_5.ipynb assignment] || 29.12.2019 23:59<br /> |-<br /> | 9 || RNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_9 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_9 assignment] || 02.02.2020 23:59<br /> |-<br /> | 10 || Seq2seq|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_10 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_10 assignment] || 23.02.2020 23:59<br /> |- <br /> |-<br /> | 11 || Transfer learning || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_11 seminar] || || <br /> |-<br /> | 12 || Information retrieval || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_12 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_12 assignment] || 09.03.2020 23:59<br /> |-<br /> | 13 || Topic Modeling || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_13 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_13 assignment] || 22.03.2020 23:59<br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=39194 2020-02-27T11:26:02Z

<p>Denaas: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> [https://docs.google.com/spreadsheets/d/1PRTNt9VjTIydmXKHq-qd2v9nPG7EPooH-FIR1Zh4sTU/edit?usp=sharing оценки]<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 10:00 am <br /> |-<br /> | 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_4 seminar] || || <br /> |-<br /> | 5 || Линейный модели классификации|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 assignment] || 18.11.2019 23:59 <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 assignment] || 2.12.2019 23:59 <br /> |-<br /> | 7 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_7 seminar] || || <br /> |-<br /> | 8 || Distributed representations. CNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_8 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_8/assignment_5.ipynb assignment] || 29.12.2019 23:59<br /> |-<br /> | 9 || RNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_9 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_9 assignment] || 02.02.2020 23:59<br /> |-<br /> | 10 || Seq2seq|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_10 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_10 assignment] || 23.02.2020 23:59<br /> |- <br /> |-<br /> | 11 || Transfer learning || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_11 seminar] || || <br /> |-<br /> | 12 || Information retrieval || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_12 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_12 assignment] || 09.03.2020 23:59<br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=39193 2020-02-27T11:22:04Z

<p>Denaas: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> [https://docs.google.com/spreadsheets/d/1PRTNt9VjTIydmXKHq-qd2v9nPG7EPooH-FIR1Zh4sTU/edit?usp=sharing оценки]<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 10:00 am <br /> |-<br /> | 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_4 seminar] || || <br /> |-<br /> | 5 || Линейный модели классификации|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 assignment] || 18.11.2019 23:59 <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 assignment] || 2.12.2019 23:59 <br /> |-<br /> | 7 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_7 seminar] || || <br /> |-<br /> | 8 || Distributed representations. CNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_8 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_8/assignment_5.ipynb assignment] || 29.12.2019 23:59<br /> |-<br /> | 9 || RNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_9 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_9 assignment] || 02.02.2020 23:59<br /> |-<br /> | 10 || Seq2seq|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_10 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_10 assignment] || 23.02.2020 23:59<br /> |- <br /> |-<br /> | 11 || Transfer learning || || || <br /> |-<br /> | 12 || Information retrieval || || || <br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=38650 2020-02-05T13:23:15Z

<p>Denaas: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> [https://docs.google.com/spreadsheets/d/1PRTNt9VjTIydmXKHq-qd2v9nPG7EPooH-FIR1Zh4sTU/edit?usp=sharing оценки]<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 10:00 am <br /> |-<br /> | 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_4 seminar] || || <br /> |-<br /> | 5 || Линейный модели классификации|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 assignment] || 18.11.2019 23:59 <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 assignment] || 2.12.2019 23:59 <br /> |-<br /> | 7 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_7 seminar] || || <br /> |-<br /> | 8 || Distributed representations. CNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_8 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_8/assignment_5.ipynb assignment] || 29.12.2019 23:59<br /> |-<br /> | 9 || RNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_9 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_9 assignment] || 02.02.2020 23:59<br /> |-<br /> | 10 || Seq2seq|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_10 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_10 assignment] || 18.02.2020 23:59<br /> |- <br /> |-<br /> | 11 || Transfer learning || || || <br /> |-<br /> | 12 || Information retrieval || || || <br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=37901 2020-01-16T12:32:37Z

<p>Denaas: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> [https://docs.google.com/spreadsheets/d/1PRTNt9VjTIydmXKHq-qd2v9nPG7EPooH-FIR1Zh4sTU/edit?usp=sharing оценки]<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 10:00 am <br /> |-<br /> | 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_4 seminar] || || <br /> |-<br /> | 5 || Линейный модели классификации|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 assignment] || 18.11.2019 23:59 <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 assignment] || 2.12.2019 23:59 <br /> |-<br /> | 7 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_7 seminar] || || <br /> |-<br /> | 8 || Distributed representations. CNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_8 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_8/assignment_5.ipynb assignment] || 29.12.2019 23:59<br /> |-<br /> | 9 || RNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_9 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_9 assignment] || 02.02.2020 23:59<br /> |-<br /> | 10 || Seq2seq|| || || <br /> |-<br /> | 11 || Transfer learning || || || <br /> |-<br /> | 12 || Information retrieval || || || <br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=37900 2020-01-16T12:30:08Z

<p>Denaas: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> [https://docs.google.com/spreadsheets/d/1PRTNt9VjTIydmXKHq-qd2v9nPG7EPooH-FIR1Zh4sTU/edit?usp=sharing оценки]<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 10:00 am <br /> |-<br /> | 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_4 seminar] || || <br /> |-<br /> | 5 || Линейный модели классификации|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 assignment] || 18.11.2019 23:59 <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 assignment] || 2.12.2019 23:59 <br /> |-<br /> | 7 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_7 seminar] || || <br /> |-<br /> | 8 || Distributed representations. CNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_8 seminar] || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_8/assignment_5.ipynb assignment] || 29.12.2019 23:59<br /> |-<br /> | 9 || RNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_9 seminar] || || <br /> |-<br /> | 10 || Seq2seq|| || || <br /> |-<br /> | 11 || Transfer learning || || || <br /> |-<br /> | 12 || Information retrieval || || || <br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=37899 2020-01-16T12:29:30Z

<p>Denaas: /* О курсе */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> [https://docs.google.com/spreadsheets/d/1PRTNt9VjTIydmXKHq-qd2v9nPG7EPooH-FIR1Zh4sTU/edit?usp=sharing оценки]<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 10:00 am <br /> |-<br /> | 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_4 seminar] || || <br /> |-<br /> | 5 || Линейный модели классификации|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 assignment] || 18.11.2019 23:59 <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 assignment] || 2.12.2019 23:59 <br /> |-<br /> | 7 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_7 seminar] || || <br /> |-<br /> | 8 || Distributed representations. CNN || || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_8/assignment_5.ipynb assignment] || 29.12.2019 23:59<br /> |-<br /> | 9 || RNN || || || <br /> |-<br /> | 10 || Seq2seq|| || || <br /> |-<br /> | 11 || Transfer learning || || || <br /> |-<br /> | 12 || Information retrieval || || || <br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=37316 2019-12-09T15:27:12Z

<p>Denaas: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Азат Калмыков ([mailto:aakalmykov@edu.hse.ru Почта], [https://t.me/Azatik1000 Telegram ]), Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> [https://docs.google.com/spreadsheets/d/1PRTNt9VjTIydmXKHq-qd2v9nPG7EPooH-FIR1Zh4sTU/edit?usp=sharing оценки]<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 10:00 am <br /> |-<br /> | 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_4 seminar] || || <br /> |-<br /> | 5 || Линейный модели классификации|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 assignment] || 18.11.2019 23:59 <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 assignment] || 2.12.2019 23:59 <br /> |-<br /> | 7 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_7 seminar] || || <br /> |-<br /> | 8 || Distributed representations. CNN || || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_8/assignment_5.ipynb assignment] || 29.12.2019 23:59<br /> |-<br /> | 9 || RNN || || || <br /> |-<br /> | 10 || Seq2seq|| || || <br /> |-<br /> | 11 || Transfer learning || || || <br /> |-<br /> | 12 || Information retrieval || || || <br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=37114 2019-11-30T18:17:41Z

<p>Denaas: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Азат Калмыков ([mailto:aakalmykov@edu.hse.ru Почта], [https://t.me/Azatik1000 Telegram ]), Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> [https://docs.google.com/spreadsheets/d/1PRTNt9VjTIydmXKHq-qd2v9nPG7EPooH-FIR1Zh4sTU/edit?usp=sharing оценки]<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 10:00 am <br /> |-<br /> | 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_4 seminar] || || <br /> |-<br /> | 5 || Линейный модели классификации|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 assignment] || 18.11.2019 23:59 <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 assignment] || 2.12.2019 23:59 <br /> |-<br /> | 7 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_7 seminar] || || <br /> |-<br /> | 8 || Distributed representations. CNN || || || <br /> |-<br /> | 9 || RNN || || || <br /> |-<br /> | 10 || Seq2seq|| || || <br /> |-<br /> | 11 || Transfer learning || || || <br /> |-<br /> | 12 || Information retrieval || || || <br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=36414 2019-11-04T20:40:45Z

<p>Denaas: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Азат Калмыков ([mailto:aakalmykov@edu.hse.ru Почта], [https://t.me/Azatik1000 Telegram ]), Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> [https://docs.google.com/spreadsheets/d/1PRTNt9VjTIydmXKHq-qd2v9nPG7EPooH-FIR1Zh4sTU/edit?usp=sharing оценки]<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 10:00 am <br /> |-<br /> | 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_4 seminar] || || <br /> |-<br /> | 5 || Линейный модели классификации|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 assignment] || 18.11.2019 23:59 <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 assignment] || 2.12.2019 23:59 <br /> |-<br /> | 7 || Feed Forward Neural Networks || || || <br /> |-<br /> | 8 || Distributed representations. CNN || || || <br /> |-<br /> | 9 || RNN || || || <br /> |-<br /> | 10 || Seq2seq|| || || <br /> |-<br /> | 11 || Transfer learning || || || <br /> |-<br /> | 12 || Information retrieval || || || <br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=36407 2019-11-04T17:55:51Z

<p>Denaas: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Азат Калмыков ([mailto:aakalmykov@edu.hse.ru Почта], [https://t.me/Azatik1000 Telegram ]), Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> [https://docs.google.com/spreadsheets/d/1PRTNt9VjTIydmXKHq-qd2v9nPG7EPooH-FIR1Zh4sTU/edit?usp=sharing оценки]<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 10:00 am <br /> |-<br /> | 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_4 seminar] || || <br /> |-<br /> | 5 || Линейный модели классификации|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 assignment] || 18.11.2019 23:59 <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || || || <br /> |-<br /> | 7 || Feed Forward Neural Networks || || || <br /> |-<br /> | 8 || Distributed representations. CNN || || || <br /> |-<br /> | 9 || RNN || || || <br /> |-<br /> | 10 || Seq2seq|| || || <br /> |-<br /> | 11 || Transfer learning || || || <br /> |-<br /> | 12 || Information retrieval || || || <br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=36030 2019-10-21T13:08:53Z

<p>Denaas: /* Оценки за домашние задания */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Азат Калмыков ([mailto:aakalmykov@edu.hse.ru Почта], [https://t.me/Azatik1000 Telegram ]), Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> [https://docs.google.com/spreadsheets/d/1PRTNt9VjTIydmXKHq-qd2v9nPG7EPooH-FIR1Zh4sTU/edit?usp=sharing оценки]<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 10:00 am <br /> |-<br /> | 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_4 seminar] || || <br /> |-<br /> | 5 || Линейный модели классификации|| || || <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || || || <br /> |-<br /> | 7 || Feed Forward Neural Networks || || || <br /> |-<br /> | 8 || Distributed representations. CNN || || || <br /> |-<br /> | 9 || RNN || || || <br /> |-<br /> | 10 || Seq2seq|| || || <br /> |-<br /> | 11 || Transfer learning || || || <br /> |-<br /> | 12 || Information retrieval || || || <br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=35869 2019-10-15T08:41:24Z

<p>Denaas: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Азат Калмыков ([mailto:aakalmykov@edu.hse.ru Почта], [https://t.me/Azatik1000 Telegram ]), Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 10:00 am <br /> |-<br /> | 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_4 seminar] || || <br /> |-<br /> | 5 || Линейный модели классификации|| || || <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || || || <br /> |-<br /> | 7 || Feed Forward Neural Networks || || || <br /> |-<br /> | 8 || Distributed representations. CNN || || || <br /> |-<br /> | 9 || RNN || || || <br /> |-<br /> | 10 || Seq2seq|| || || <br /> |-<br /> | 11 || Transfer learning || || || <br /> |-<br /> | 12 || Information retrieval || || || <br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=35526 2019-10-01T16:47:11Z

<p>Denaas: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Азат Калмыков ([mailto:aakalmykov@edu.hse.ru Почта], [https://t.me/Azatik1000 Telegram ]), Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 10:00 am <br /> |-<br /> | 4 || Регуляризация в линейных моделях || || || <br /> |-<br /> | 5 || Линейный модели классификации|| || || <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || || || <br /> |-<br /> | 7 || Feed Forward Neural Networks || || || <br /> |-<br /> | 8 || Distributed representations. CNN || || || <br /> |-<br /> | 9 || RNN || || || <br /> |-<br /> | 10 || Seq2seq|| || || <br /> |-<br /> | 11 || Transfer learning || || || <br /> |-<br /> | 12 || Information retrieval || || || <br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=35525 2019-10-01T16:46:44Z

<p>Denaas: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Азат Калмыков ([mailto:aakalmykov@edu.hse.ru Почта], [https://t.me/Azatik1000 Telegram ]), Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment] || 21.10.2019 <br /> |-<br /> | 4 || Регуляризация в линейных моделях || || || <br /> |-<br /> | 5 || Линейный модели классификации|| || || <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || || || <br /> |-<br /> | 7 || Feed Forward Neural Networks || || || <br /> |-<br /> | 8 || Distributed representations. CNN || || || <br /> |-<br /> | 9 || RNN || || || <br /> |-<br /> | 10 || Seq2seq|| || || <br /> |-<br /> | 11 || Transfer learning || || || <br /> |-<br /> | 12 || Information retrieval || || || <br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=35473 2019-09-30T11:10:33Z

<p>Denaas: /* Семинары */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Азат Калмыков ([mailto:aakalmykov@edu.hse.ru Почта], [https://t.me/Azatik1000 Telegram ]), Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar] || || <br /> |-<br /> | 4 || Регуляризация в линейных моделях || || || <br /> |-<br /> | 5 || Линейный модели классификации|| || || <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || || || <br /> |-<br /> | 7 || Feed Forward Neural Networks || || || <br /> |-<br /> | 8 || Distributed representations. CNN || || || <br /> |-<br /> | 9 || RNN || || || <br /> |-<br /> | 10 || Seq2seq|| || || <br /> |-<br /> | 11 || Transfer learning || || || <br /> |-<br /> | 12 || Information retrieval || || || <br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas https://wiki.cs.hse.ru/index.php?title=%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8&diff=35294 2019-09-24T12:28:28Z

<p>Denaas: /* О курсе */</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.<br /> <br /> Проводится с 2017 года.<br /> <br /> '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])<br /> <br /> '''Ассистенты''' Азат Калмыков ([mailto:aakalmykov@edu.hse.ru Почта], [https://t.me/Azatik1000 Telegram ]), Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])<br /> <br /> <br /> === Правила выставления оценок ===<br /> итоговая оценка = 0.7*накопленная + 0.3*экзамен <br /> <br /> накопленная оценка — средняя по всем домашним заданиям.<br /> <br /> # При вычислении накопленной оценки округление не производится <br /> # Домашнее задание оценивается по 10-балльной шкале. <br /> # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу. <br /> # Дедлайны для каждой домашней работы указываются отдельно. <br /> # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов. <br /> # При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода. <br /> # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.<br /> # Экзамен проводится в письменной форме.<br /> <br /> === Рекомендуемая литература ===<br /> # James G. An introduction to statistical learning <br /> # Bishop. Pattern Recognition and Machine Learning <br /> # Christopher Manning. Foundations of Statistical Natural Language Processing<br /> # Goodfellow and Bengio. Deep Learning<br /> # [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]<br /> # [https://github.com/esokolov/ml-course-hse/ курс Евгения Соколова по машинному обучению на ФКН]<br /> <br /> <br /> === Программные средства ===<br /> # jupyter notebook<br /> # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch<br /> <br /> === Правила сдачи домашних заданий ===<br /> Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''<br /> <br /> # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.<br /> # Не стоит выкладывать в репозиторий запакованные файлы. <br /> # Опоздание считается по последнему сданному заданию в домашней работе<br /> <br /> === Оценки за домашние задания ===<br /> <br /> === Экзамен ===<br /> Экзамен проходит в письменной форме и сотоит из 3 частей<br /> # Решение задачи машинного обучения на ноутбуке <br /> ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.<br /> ## Задачи по мотивам домашних работ + обработка текстовых данных.<br /> # Вопрос по теории. <br /> ## Написать формулы где они есть.<br /> # вопрос по применению теории к решению практических задач<br /> ## По мотивам теоретических вопросов<br /> ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?<br /> <br /> == Семинары ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн<br /> |-<br /> | 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment] || 7.10.2019 10:00 am<br /> |-<br /> | 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar] || || <br /> |-<br /> | 3 || Базовые понятия машинного обучения || || || <br /> |-<br /> | 4 || Регуляризация в линейных моделях || || || <br /> |-<br /> | 5 || Линейный модели классификации|| || || <br /> |-<br /> | 6 || Решающие деревья и ансамбли. || || || <br /> |-<br /> | 7 || Feed Forward Neural Networks || || || <br /> |-<br /> | 8 || Distributed representations. CNN || || || <br /> |-<br /> | 9 || RNN || || || <br /> |-<br /> | 10 || Seq2seq|| || || <br /> |-<br /> | 11 || Transfer learning || || || <br /> |-<br /> | 12 || Information retrieval || || || <br /> |-<br /> | 13 || Topic Modeling || || || <br /> |-<br /> <br /> |}</div>

Denaas