Wiki - Факультет компьютерных наук - Вклад [ru]

О факультете

2019-11-01T06:57:14Z

Dganenko:

__NOTOC__

=Архив=
== Курсы за 2018/19 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|

[[Математический_анализ_на_ПМИ_2018/2019_(пилотный_поток) | Математический анализ на ПМИ (пилотный поток)]]

[[Математический_анализ_на_ПМИ_2018/2019_(основной_поток) | Математический анализ на ПМИ (основной поток)]]

[[Calculus_DSBA_2018/2019 | Calculus I DSBA (ПАД)]]

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

[[Основы_и_методология_программирования_на_ПМИ_2019_(С%2B%2B,_основной_поток) | Основы и методология программирования на ПМИ (С++, основной поток)]]

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

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

[[LAaG_DSBA_2018/2019 | LAaG DSBA]]

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

[[Discrete_Mathematics_DSBA2018/2019 |Discrete Mathematics DSBA (ПАД)]]

[[Introduction_to_programming | Introduction to programming DSBA (ПАД)]]

[[Introduction_to_programming_2 | Introduction to programming 2 DSBA (ПАД)]]

[[Алгебра_на_ПМИ_2018/2019_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]

[[Алгебра_на_ПМИ_2018/2019_(основной_поток) | Алгебра на ПМИ (основной поток)]]

[[Algebra_DSBA_2018/2019 | Algebra DSBA]]

[http://hsealgebra19.wikidot.com Алгебра на ПИ]

[[Алгоритмы_и_структуры_данных_2018/2019 | Алгоритмы и структуры данных на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

||

[http://math-info.hse.ru/s18/t Дифференциальные уравнения]

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

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

[[Математический_анализ_2018/2019_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]

[[Математический_анализ_2018/2019_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]

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

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

[[Алгоритмы_и_структуры_данных_2_2018/2019 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Факультатив Теория вычислений]]

||

[[Машинное_обучение_1/2018_2019 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]

[[Численные_Методы_2018 | Численные методы ]]

[[PDC | Параллельные и распределенные вычисления]]

[[Theory_of_Computing_2018_2019 | Theory of Computing, AMI]]

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

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

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

[[НИС_РС|НИС Распределенные системы]]

[[Основные методы анализа данных]]

[[Теория баз данных]]

[[Непрерывная оптимизация/2019|Непрерывная оптимизация (161-162)]]

[[Непрерывная оптимизация (163-167)]]

[[Сложность вычислений и логика в теоретической информатике]]

[[Data analysis (Software Engineering) 2019|Data analysis]]

[[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]

[[Intro to DL Blended | Intro to DL Blended]]

[[Дискретная оптимизация 2019 | Дискретная оптимизация 2019]]

||

[[Statistical_learning_theory_2018_2019 | Introduction to statistical learning theory]]

[[Анализ_неструктурированных_данных-2018 |Анализ неструктурированных данных ]]

[[Байесовские_методы_машинного_обучения_2018|Байесовские методы машинного обучения]]

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

[[НИС_Науки_о_данных_2018/2019|НИС Науки о данных]]

[[НИС_Распределенные_системы_(4_курс,_2018)|НИС Распределенные системы]]

[[Теория_Информации_2018/2019|Теория информации]]

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

[[Методы_и_системы_обработки_больших_данных_(осень_2018)|Методы и системы обработки больших данных]]

[[Философия_науки_2018|Философия науки]]

[[Теория баз данных]]

[[ConvAppr19 | Выпуклое программирование и аппроксимационные алгоритмы (ТИ)]]

[[Функциональное программирование 2019 | Функциональное программирование]]

[[A_Theorist's_Toolkit_2018_2019 | A Theorist's Toolkit, AMI]]

[[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]

||
[[Дополнительные главы теории вероятностей 2019 | Дополнительные главы теории вероятностей 2019]]

[[Дополнительные главы математической статистики 2019 | Дополнительные главы математической статистики 2019]]

[[Введение в программирование (курс майнора) 2018/2019]]

[[dopglavy_DM_1819|Допглавы дискретной математики]]

[[Современные_методы_машинного_обучения_(курс_майнора)_2018/2019 | Современные методы машинного обучения (курс майнора) 2018/2019]]

[[Прикладные_задачи_анализа_данных_(майнор_-_весна_2019) | Прикладные задачи анализа данных (майнор - весна 2019)]]

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

[[Функциональный анализ (весна_2019) | Функциональный анализ (весна_2019)]]

[[KotlinElective| Язык Kotlin (3 и 4 модули 2018-2019)]]

||

|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==
=== 2 семестр ===

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

|-
| [[Основы программирования на Python весна 2019 матфак|Основы программирования на Python-2]] || Математика || 2-4 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(филология)|Цифровая грамотность]] || Филология || 1 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(ИИ_и_культурология)|Цифровая грамотность]] || История искусств и Культурология || 1 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(ИЯМК_2019)|Цифровая грамотность]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 1 курс || 3-4 модули
|-
| [[Основы_анализа_и_визуализации_данных_ДИЯ_2019|Анализ и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 3-4 модули
|-
| [[Научно-исследовательский_семинар_2019| Научно-исследовательский семинар]] || Политология || 1 курс || 3 модуль
|-
| [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|-
| [[Основы_программирования_в_Python_2019|Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модули
|-
| [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули
|-
| [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[ПМСАР-1|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 2 г.о. || 3-4 модули
|-
| [[Искусственный интеллект и большие данные_(2019)|Искусственный интеллект и большие данные]] || Дизайн, Мода, Современное искусство || 1 курс || 3-4 модули
|-
| [[Информационный менеджмент: Введение в Data Science|Информационный менеджмент: Введение в Data Science]] || Управление бизнесом Маркетинг и рыночная аналитика || 1 курс || 4 модуль
|-
| [[Технологии анализа больших данных|Технологии анализа больших данных]] || ГМУ || 1 курс || 4 модуль
|-
| [[Основы программирования на Python (Прикладное программное обеспечение)|Основы программирования на Python (Прикладное программное обеспечение)]] || Социология || 1 курс || 4 модуль
|-
| [[Основы работы с данными|Основы работы с данными]] || Медиакоммуникации || 2 курс || 4 модуль
|-
| [[Введение_в_data_science_Социология_1_курс|Профориентационный семинар (Data Culture)]] || Социология || 1 курс || 4 модуль
|-
| [[Введение_в_анализ_данных_МирЭк_2019|Введение в анализ данных]] || Мировая экономика || 1 курс || 4 модуль

|}

=== 1 семестр ===

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

|-
| [[Основы анализа данных в международных отношениях 2018/2019|Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули
|-
| [[Introduction_to_Data_Culture_2018-2019|Introduction to Data Culture]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 1 курс || 2 модуль
|-
| [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули
|-
| [[Цифровая грамотность(востоковедение)|Цифровая грамотность]] || Востоковедение || 1 курс || 1 модуль
|-
| [[Разработка управленческих решений в маркетинге | Разработка управленческих решений в маркетинге]] || Маркетинг и рыночная аналитика || 2 курс || 1-2 модули
|-
| [[Информационные технологии в деятельности юриста_2018-2019| Информационные технологии в деятельности юриста]] || Юриспруденция || 1 курс || 2 модуль
|-
| [[Машинное обучение на матфаке 2018/2019| Машинное обучение]] || Факультет математики || 2-4 курсы || 1-2 модули
|-
| [[ПМСАР-2| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули
|-
| [[Анализ данных в Python (Политологи 1 семестр 1-2 модули)|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули
|-
| [[Основы анализа и визуализации данных для медиа (Журналисты 1 семестр 1 модуль)|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль
|-
| [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[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
|-
| [[Машинное обучение (ФЭН)]] || Факультет экономических наук || 3-4 курсы || 1-2 модули
|-
| [[Программирование_(python)_для_экономистов|Программирование (Python) для экономистов]] || Факультет экономических наук || 2 курс || 1-2 модули
|-
| [[Цифровая грамотность(философия)|Цифровая грамотность]] || Философия || 1 курс || 1-2 модули
|-
| [[Цифровая_грамотность_(историки)|Цифровая грамотность]] || История || 1 курс || 1-2 модули
|-
| [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 1-2 модули
|-
| [[Статистический анализ в среде R (Социологи 1 семестр 2 модуль)|Статистический анализ в среде R ]] || Социология || 4 курс || 2 модуль
|-
| [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|}

==Courses of the Statistical Learning Theory program==
[[Neurobayesian_models_2019|Neurobayesian models]]

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

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

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

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

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

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

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

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

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

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

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

[[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]

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

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

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

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

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

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

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

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

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

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

[[Машинное_обучение_2/2017_2018 | Машинное обучение 2 на ПМИ]]

[[Численные_методы_2017 | Численные методы]]

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

[[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]

[[Theory_of_Computing | Theory of Computing, AMI]]

[[Statistical_learning_theory | Introduction to statistical learning theory]]

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

[[Анализ неструктурированных данных]]

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

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

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

[[Непрерывная_оптимизация | Непрерывная оптимизация]]

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

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

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

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

[[Дискретная_оптимизация | Дискретная оптимизация]]

||

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

[[Философия_науки_2017 | Философия науки]]

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

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

[[Анализ неструктурированных данных]]

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

[[Функциональное программирование 2018 | Функциональное программирование]]

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

||

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

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

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2017-2018 | Введение в анализ данных (курс майнора)]]

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

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

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

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

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

[[Цифровые технологии в гуманитарных науках]]

|}

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

=== 2 семестр ===

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

=== 1 семестр ===

[[Цифровая_грамотность|Цифровая грамотность (факультет гуманитарных наук — 1 семестр: История, Философия, 1 курс)]] 
[[Машинное обучение (факультет экономических наук)|Машинное обучение (факультет экономических наук)]] 
[[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП "Фундаментальная и компьютерная лингвистика", 4 курс, 1 семестр)]] 
[[Извлечение и анализ интернет-данных | Извлечение и анализ интернет-данных (факультет экономических наук)]] 
[[Анализ больших данных в социальных науках (ФСН, 2017) | Анализ больших данных в социальных науках (ФСН, 2017)]] 
[[Информационные_технологии_в_деятельности_юриста|Информационные технологии в деятельности юриста (Факультет права)]] 
[[Машинное_обучение_для_лингвистов|Машинное обучение (магистратура Школы лингвистики)]] 

== Курсы магистратуры Финансовые технологии и анализ данных ==

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

[[Рекомендательные системы и поиск закономерностей в данных|Рекомендательные системы и поиск закономерностей в данных]]

== Courses of Data Science master program/Курсы магистерской программы "Науки о данных" ==

[[Introduction to Machine Learning and Data Mining|Introduction to Machine Learning and Data Mining]]

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

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

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

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

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

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

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

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

[[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]

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

||

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

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

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

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

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

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

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

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

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

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

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

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

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

||

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

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

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

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

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

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

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

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

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

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

[[Программирование_на_графических_процессорах | Программирование на графических процессорах]]

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

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

[[Базы данных 2 | Базы данных 2 ]]

[[Компьютерные сети 2 | Компьютерные сети 2]]

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

||

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

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

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

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

|}

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



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

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



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

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


|}

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

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

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-21T09:55:43Z

Dganenko:

== Преподаватели и учебные ассистенты ==

{| class="wikitable" style="text-align:center"
|-
! Группа !! 193(П+) !! 195 !! 196 !! 197 !! 198 !! 199 !! 1910 !! 1911 !! 1912
|-
|| Лектор ||colspan="9"| [https://www.hse.ru/org/persons/214487921 Делицын А.Л.]
|-
|| Семинарист || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || [https://www.hse.ru/org/persons/214487921 Делицын А.Л.] || [https://www.hse.ru/org/persons/191576853 Арутюнян Л.М.] || Черепанов В. || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || Колесниченко Е.Ю. || Колесниченко Е.Ю. || Черепанов В. || [https://www.hse.ru/org/persons/161003527 Фоменко М.М.]
|-
|| Приемные часы || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || TBD
|-
|| Ассистент || [https://t.me/TmLev Лев Хорошанский] || ? || Елена Семерова || Гершон Шамаилов || Сергей Стриженок || Михаил Кот || Александра Штарева || ? || ?
|}

== О курсе ==
Эта страничка содержит ссылки на материалы по курсу Математического Анализа I в 2019/2020 учебном году на основном потоке образовательной программы "Прикладная Математика и Информатика" Факультета Компьютерных Наук НИУ ВШЭ. Информацию [https://drive.google.com/open?id=1Xq7dp1E09SqqgySwPdeKIVJy8PelKlf- см. по ссылке]

== Лекции ==
Планы (краткое содержание) прочитанных лекций [https://docs.google.com/document/d/1nHg5eX5t4IAzY-QD_ujEpkymcbqeW1MA/edit см. по ссылке]

== Семинары ==
Содержание текущего семинара в гр. 195 [https://docs.google.com/document/d/1RHiAVzSzLgtAi3bkmkDRgwGpYmF_x-6Y/edit см. по ссылке]

== Домашние задания ==

Dropbox с домашними заданиями для 193 и 198 групп (содержимое обновляется, последнее обновление: 26.09.2019):
[https://www.dropbox.com/sh/aczqsguk5t8jccg/AADSDlQTTGxoY8imMeYNVzNAa?dl=0 см. по ссылке]

В ДЗ 3 допущена ошибка: во второй задаче следует дополнительно предположить, что все a_i попарно различны.

БДЗ1: [https://drive.google.com/open?id=1uNWGy_SGEDw3gMotVZxOjoQxU3t26_FK см. по ссылке]

Список вопросов и образцы задач к коллоквиуму [https://drive.google.com/file/d/11tHDf6nSrHgy0VezqShgVBItwHfT8QnM/view?usp=sharing см. по ссылке]

== Ведомость с оценками ==

{| class="wikitable" style="text-align:center"
|-
[193]
[195]
[196]
[197]
[198]
[199]
[1910]
[1911]
[1912]
|}
== Формы контроля и оценивание ==
Курс Математический Анализ I читается в 1, 2, 3 и 4 модулях.
Формула оценивания и образцы заданий [https://drive.google.com/open?id=1XBJgJx_xxOiz5bg2JFFkf_JobmQJ477S см. по ссылке]

== Список рекомендуемой литературы ==
Рекомендуемая литература [https://drive.google.com/open?id=1yqa_pHP37vmpwqM7SgXGNSrskaUlrJRl см. список]

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-21T09:55:02Z

Dganenko:

== Преподаватели и учебные ассистенты ==

{| class="wikitable" style="text-align:center"
|-
! Группа !! 193(П+) !! 195 !! 196 !! 197 !! 198 !! 199 !! 1910 !! 1911 !! 1912
|-
|| Лектор ||colspan="9"| [https://www.hse.ru/org/persons/214487921 Делицын А.Л.]
|-
|| Семинарист || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || [https://www.hse.ru/org/persons/214487921 Делицын А.Л.] || [https://www.hse.ru/org/persons/191576853 Арутюнян Л.М.] || Черепанов В. || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || Колесниченко Е.Ю. || Колесниченко Е.Ю. || Черепанов В. || [https://www.hse.ru/org/persons/161003527 Фоменко М.М.]
|-
|| Приемные часы || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || TBD
|-
|| Ассистент || [https://t.me/TmLev Лев Хорошанский] || ? || Елена Семерова || Гершон Шамаилов || Сергей Стриженок || Михаил Кот || Александра Штарева || ? || ?
|}

== О курсе ==
Эта страничка содержит ссылки на материалы по курсу Математического Анализа I в 2019/2020 учебном году на основном потоке образовательной программы "Прикладная Математика и Информатика" Факультета Компьютерных Наук НИУ ВШЭ. Информацию см. [https://drive.google.com/open?id=1Xq7dp1E09SqqgySwPdeKIVJy8PelKlf- здесь]

== Лекции ==
Планы (краткое содержание) прочитанных лекций [https://docs.google.com/document/d/1nHg5eX5t4IAzY-QD_ujEpkymcbqeW1MA/edit см. по ссылке]

== Семинары ==
Содержание текущего семинара в гр. 195 [https://docs.google.com/document/d/1RHiAVzSzLgtAi3bkmkDRgwGpYmF_x-6Y/edit см. по ссылке]

== Домашние задания ==

Dropbox с домашними заданиями для 193 и 198 групп (содержимое обновляется, последнее обновление: 26.09.2019):
[https://www.dropbox.com/sh/aczqsguk5t8jccg/AADSDlQTTGxoY8imMeYNVzNAa?dl=0 см. по ссылке]

В ДЗ 3 допущена ошибка: во второй задаче следует дополнительно предположить, что все a_i попарно различны.

БДЗ1: [https://drive.google.com/open?id=1uNWGy_SGEDw3gMotVZxOjoQxU3t26_FK см. по ссылке]

Список вопросов и образцы задач к коллоквиуму [https://drive.google.com/file/d/11tHDf6nSrHgy0VezqShgVBItwHfT8QnM/view?usp=sharing см. по ссылке]

== Ведомость с оценками ==

{| class="wikitable" style="text-align:center"
|-
[193]
[195]
[196]
[197]
[198]
[199]
[1910]
[1911]
[1912]
|}
== Формы контроля и оценивание ==
Курс Математический Анализ I читается в 1, 2, 3 и 4 модулях.
Формула оценивания и образцы заданий [https://drive.google.com/open?id=1XBJgJx_xxOiz5bg2JFFkf_JobmQJ477S см. по ссылке]

== Список рекомендуемой литературы ==
Рекомендуемая литература [https://drive.google.com/open?id=1yqa_pHP37vmpwqM7SgXGNSrskaUlrJRl см. список]

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-21T09:54:25Z

Dganenko:

== Преподаватели и учебные ассистенты ==

{| class="wikitable" style="text-align:center"
|-
! Группа !! 193(П+) !! 195 !! 196 !! 197 !! 198 !! 199 !! 1910 !! 1911 !! 1912
|-
|| Лектор ||colspan="9"| [https://www.hse.ru/org/persons/214487921 Делицын А.Л.]
|-
|| Семинарист || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || [https://www.hse.ru/org/persons/214487921 Делицын А.Л.] || [https://www.hse.ru/org/persons/191576853 Арутюнян Л.М.] || Черепанов В. || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || Колесниченко Е.Ю. || Колесниченко Е.Ю. || Черепанов В. || [https://www.hse.ru/org/persons/161003527 Фоменко М.М.]
|-
|| Приемные часы || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || TBD
|-
|| Ассистент || [https://t.me/TmLev Лев Хорошанский] || ? || Елена Семерова || Гершон Шамаилов || Сергей Стриженок || Михаил Кот || Александра Штарева || ? || ?
|}

== О курсе ==
Эта страничка содержит ссылки на материалы по курсу Математического Анализа I в 2019/2020 учебном году на основном потоке образовательной программы "Прикладная Математика и Информатика" Факультета Компьютерных Наук НИУ ВШЭ. Информацию см. [https://drive.google.com/open?id=1Xq7dp1E09SqqgySwPdeKIVJy8PelKlf- здесь]

== Лекции ==
Планы (краткое содержание) прочитанных лекций [https://docs.google.com/document/d/1nHg5eX5t4IAzY-QD_ujEpkymcbqeW1MA/edit см. здесь]

== Семинары ==
Содержание текущего семинара в гр. 195 [https://docs.google.com/document/d/1RHiAVzSzLgtAi3bkmkDRgwGpYmF_x-6Y/edit см. по ссылке]

== Домашние задания ==

Dropbox с домашними заданиями для 193 и 198 групп (содержимое обновляется, последнее обновление: 26.09.2019):
[https://www.dropbox.com/sh/aczqsguk5t8jccg/AADSDlQTTGxoY8imMeYNVzNAa?dl=0 см. по ссылке]

В ДЗ 3 допущена ошибка: во второй задаче следует дополнительно предположить, что все a_i попарно различны.

БДЗ1: [https://drive.google.com/open?id=1uNWGy_SGEDw3gMotVZxOjoQxU3t26_FK см. по ссылке]

Список вопросов и образцы задач к коллоквиуму [https://drive.google.com/file/d/11tHDf6nSrHgy0VezqShgVBItwHfT8QnM/view?usp=sharing см. по ссылке]

== Ведомость с оценками ==

{| class="wikitable" style="text-align:center"
|-
[193]
[195]
[196]
[197]
[198]
[199]
[1910]
[1911]
[1912]
|}
== Формы контроля и оценивание ==
Курс Математический Анализ I читается в 1, 2, 3 и 4 модулях.
Формула оценивания и образцы заданий [https://drive.google.com/open?id=1XBJgJx_xxOiz5bg2JFFkf_JobmQJ477S см. по ссылке]

== Список рекомендуемой литературы ==
Рекомендуемая литература [https://drive.google.com/open?id=1yqa_pHP37vmpwqM7SgXGNSrskaUlrJRl см. список]

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-21T09:54:11Z

Dganenko:

== Преподаватели и учебные ассистенты ==

{| class="wikitable" style="text-align:center"
|-
! Группа !! 193(П+) !! 195 !! 196 !! 197 !! 198 !! 199 !! 1910 !! 1911 !! 1912
|-
|| Лектор ||colspan="9"| [https://www.hse.ru/org/persons/214487921 Делицын А.Л.]
|-
|| Семинарист || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || [https://www.hse.ru/org/persons/214487921 Делицын А.Л.] || [https://www.hse.ru/org/persons/191576853 Арутюнян Л.М.] || Черепанов В. || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || Колесниченко Е.Ю. || Колесниченко Е.Ю. || Черепанов В. || [https://www.hse.ru/org/persons/161003527 Фоменко М.М.]
|-
|| Приемные часы || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || TBD
|-
|| Ассистент || [https://t.me/TmLev Лев Хорошанский] || ? || Елена Семерова || Гершон Шамаилов || Сергей Стриженок || Михаил Кот || Александра Штарева || ? || ?
|}

== О курсе ==
Эта страничка содержит ссылки на материалы по курсу Математического Анализа I в 2019/2020 учебном году на основном потоке образовательной программы "Прикладная Математика и Информатика" Факультета Компьютерных Наук НИУ ВШЭ. Информацию см. [https://drive.google.com/open?id=1Xq7dp1E09SqqgySwPdeKIVJy8PelKlf- здесь]

== Лекции ==
Планы (краткое содержание) прочитанных лекций [https://docs.google.com/document/d/1nHg5eX5t4IAzY-QD_ujEpkymcbqeW1MA/edit смотрите здесь]

== Семинары ==
Содержание текущего семинара в гр. 195 [https://docs.google.com/document/d/1RHiAVzSzLgtAi3bkmkDRgwGpYmF_x-6Y/edit см. по ссылке]

== Домашние задания ==

Dropbox с домашними заданиями для 193 и 198 групп (содержимое обновляется, последнее обновление: 26.09.2019):
[https://www.dropbox.com/sh/aczqsguk5t8jccg/AADSDlQTTGxoY8imMeYNVzNAa?dl=0 см. по ссылке]

В ДЗ 3 допущена ошибка: во второй задаче следует дополнительно предположить, что все a_i попарно различны.

БДЗ1: [https://drive.google.com/open?id=1uNWGy_SGEDw3gMotVZxOjoQxU3t26_FK см. по ссылке]

Список вопросов и образцы задач к коллоквиуму [https://drive.google.com/file/d/11tHDf6nSrHgy0VezqShgVBItwHfT8QnM/view?usp=sharing см. по ссылке]

== Ведомость с оценками ==

{| class="wikitable" style="text-align:center"
|-
[193]
[195]
[196]
[197]
[198]
[199]
[1910]
[1911]
[1912]
|}
== Формы контроля и оценивание ==
Курс Математический Анализ I читается в 1, 2, 3 и 4 модулях.
Формула оценивания и образцы заданий [https://drive.google.com/open?id=1XBJgJx_xxOiz5bg2JFFkf_JobmQJ477S см. по ссылке]

== Список рекомендуемой литературы ==
Рекомендуемая литература [https://drive.google.com/open?id=1yqa_pHP37vmpwqM7SgXGNSrskaUlrJRl см. список]

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-21T09:53:53Z

Dganenko:

== Преподаватели и учебные ассистенты ==

{| class="wikitable" style="text-align:center"
|-
! Группа !! 193(П+) !! 195 !! 196 !! 197 !! 198 !! 199 !! 1910 !! 1911 !! 1912
|-
|| Лектор ||colspan="9"| [https://www.hse.ru/org/persons/214487921 Делицын А.Л.]
|-
|| Семинарист || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || [https://www.hse.ru/org/persons/214487921 Делицын А.Л.] || [https://www.hse.ru/org/persons/191576853 Арутюнян Л.М.] || Черепанов В. || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || Колесниченко Е.Ю. || Колесниченко Е.Ю. || Черепанов В. || [https://www.hse.ru/org/persons/161003527 Фоменко М.М.]
|-
|| Приемные часы || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || TBD
|-
|| Ассистент || [https://t.me/TmLev Лев Хорошанский] || ? || Елена Семерова || Гершон Шамаилов || Сергей Стриженок || Михаил Кот || Александра Штарева || ? || ?
|}

== О курсе ==
Эта страничка содержит ссылки на материалы по курсу Математического Анализа I в 2019/2020 учебном году на основном потоке образовательной программы "Прикладная Математика и Информатика" Факультета Компьютерных Наук НИУ ВШЭ. Информацию см. [https://drive.google.com/open?id=1Xq7dp1E09SqqgySwPdeKIVJy8PelKlf- здесь]

== Лекции ==
Планы (краткое содержание) прочитанных лекций [https://docs.google.com/document/d/1nHg5eX5t4IAzY-QD_ujEpkymcbqeW1MA/edit смотрите здесь]

== Семинары ==
Содержание текущего семинара в гр. 195 [https://docs.google.com/document/d/1RHiAVzSzLgtAi3bkmkDRgwGpYmF_x-6Y/edit смотрите по ссылке]

== Домашние задания ==

Dropbox с домашними заданиями для 193 и 198 групп (содержимое обновляется, последнее обновление: 26.09.2019):
[https://www.dropbox.com/sh/aczqsguk5t8jccg/AADSDlQTTGxoY8imMeYNVzNAa?dl=0 см. по ссылке]

В ДЗ 3 допущена ошибка: во второй задаче следует дополнительно предположить, что все a_i попарно различны.

БДЗ1: [https://drive.google.com/open?id=1uNWGy_SGEDw3gMotVZxOjoQxU3t26_FK см. по ссылке]

Список вопросов и образцы задач к коллоквиуму [https://drive.google.com/file/d/11tHDf6nSrHgy0VezqShgVBItwHfT8QnM/view?usp=sharing см. по ссылке]

== Ведомость с оценками ==

{| class="wikitable" style="text-align:center"
|-
[193]
[195]
[196]
[197]
[198]
[199]
[1910]
[1911]
[1912]
|}
== Формы контроля и оценивание ==
Курс Математический Анализ I читается в 1, 2, 3 и 4 модулях.
Формула оценивания и образцы заданий [https://drive.google.com/open?id=1XBJgJx_xxOiz5bg2JFFkf_JobmQJ477S см. по ссылке]

== Список рекомендуемой литературы ==
Рекомендуемая литература [https://drive.google.com/open?id=1yqa_pHP37vmpwqM7SgXGNSrskaUlrJRl см. список]

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-21T09:38:06Z

Dganenko:

== Преподаватели и учебные ассистенты ==

{| class="wikitable" style="text-align:center"
|-
! Группа !! 193(П+) !! 195 !! 196 !! 197 !! 198 !! 199 !! 1910 !! 1911 !! 1912
|-
|| Лектор ||colspan="9"| [https://www.hse.ru/org/persons/214487921 Делицын А.Л.]
|-
|| Семинарист || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || [https://www.hse.ru/org/persons/214487921 Делицын А.Л.] || [https://www.hse.ru/org/persons/191576853 Арутюнян Л.М.] || Черепанов В. || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || Колесниченко Е.Ю. || Колесниченко Е.Ю. || Черепанов В. || [https://www.hse.ru/org/persons/161003527 Фоменко М.М.]
|-
|| Приемные часы || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || TBD
|-
|| Ассистент || [https://t.me/TmLev Лев Хорошанский] || ? || Елена Семерова || Гершон Шамаилов || Сергей Стриженок || Михаил Кот || Александра Штарева || ? || ?
|}

== О курсе ==
Эта страничка содержит ссылки на материалы по курсу Математического Анализа I в 2019/2020 учебном году на основном потоке образовательной программы "Прикладная Математика и Информатика" Факультета Компьютерных Наук НИУ ВШЭ. Информацию см. [https://drive.google.com/open?id=1Xq7dp1E09SqqgySwPdeKIVJy8PelKlf- здесь]

== Лекции ==
Планы (краткое содержание) прочитанных лекций [https://docs.google.com/document/d/1nHg5eX5t4IAzY-QD_ujEpkymcbqeW1MA/edit смотрите здесь]

== Семинары ==
Содержание текущего семинара в гр. 195 [https://docs.google.com/document/d/1RHiAVzSzLgtAi3bkmkDRgwGpYmF_x-6Y/edit смотрите по ссылке]

== Домашние задания ==

Dropbox с домашними заданиями для 193 и 198 групп (содержимое обновляется, последнее обновление: 26.09.2019):
[https://www.dropbox.com/sh/aczqsguk5t8jccg/AADSDlQTTGxoY8imMeYNVzNAa?dl=0 смотрите по ссылке]

В ДЗ 3 допущена ошибка: во второй задаче следует дополнительно предположить, что все a_i попарно различны.

БДЗ1: [https://drive.google.com/open?id=1uNWGy_SGEDw3gMotVZxOjoQxU3t26_FK смотрите по ссылке]

Список вопросов и образцы задач к коллоквиуму [https://drive.google.com/file/d/11tHDf6nSrHgy0VezqShgVBItwHfT8QnM/view?usp=sharing смотрите по ссылке]

== Ведомость с оценками ==

{| class="wikitable" style="text-align:center"
|-
[193]
[195]
[196]
[197]
[198]
[199]
[1910]
[1911]
[1912]
|}
== Формы контроля и оценивание ==
Курс Математический Анализ I читается в 1, 2, 3 и 4 модулях.
Формула оценивания и образцы заданий [https://drive.google.com/open?id=1XBJgJx_xxOiz5bg2JFFkf_JobmQJ477S см. по ссылке]

== Список рекомендуемой литературы ==
Рекомендуемая литература [https://drive.google.com/open?id=1yqa_pHP37vmpwqM7SgXGNSrskaUlrJRl см. список]

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-21T09:37:43Z

Dganenko:

== Преподаватели и учебные ассистенты ==

{| class="wikitable" style="text-align:center"
|-
! Группа !! 193(П+) !! 195 !! 196 !! 197 !! 198 !! 199 !! 1910 !! 1911 !! 1912
|-
|| Лектор ||colspan="9"| [https://www.hse.ru/org/persons/214487921 Делицын А.Л.]
|-
|| Семинарист || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || [https://www.hse.ru/org/persons/214487921 Делицын А.Л.] || [https://www.hse.ru/org/persons/191576853 Арутюнян Л.М.] || Черепанов В. || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || Колесниченко Е.Ю. || Колесниченко Е.Ю. || Черепанов В. || [https://www.hse.ru/org/persons/161003527 Фоменко М.М.]
|-
|| Приемные часы || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || TBD
|-
|| Ассистент || [https://t.me/TmLev Лев Хорошанский] || ? || Елена Семерова || Гершон Шамаилов || Сергей Стриженок || Михаил Кот || Александра Штарева || ? || ?
|}

== О курсе ==
Эта страничка содержит ссылки на материалы по курсу Математического Анализа I в 2019/2020 учебном году на основном потоке образовательной программы "Прикладная Математика и Информатика" Факультета Компьютерных Наук НИУ ВШЭ. Информацию см. [https://drive.google.com/open?id=1Xq7dp1E09SqqgySwPdeKIVJy8PelKlf- здесь]

== Лекции ==
Планы (краткое содержание) прочитанных лекций [https://docs.google.com/document/d/1nHg5eX5t4IAzY-QD_ujEpkymcbqeW1MA/edit смотрите здесь]

== Семинары ==
Содержание текущего семинара в гр. 195 [https://docs.google.com/document/d/1RHiAVzSzLgtAi3bkmkDRgwGpYmF_x-6Y/edit смотрите здесь]

== Домашние задания ==

Dropbox с домашними заданиями для 193 и 198 групп (содержимое обновляется, последнее обновление: 26.09.2019):
[https://www.dropbox.com/sh/aczqsguk5t8jccg/AADSDlQTTGxoY8imMeYNVzNAa?dl=0 смотрите по ссылке]

В ДЗ 3 допущена ошибка: во второй задаче следует дополнительно предположить, что все a_i попарно различны.

БДЗ1: [https://drive.google.com/open?id=1uNWGy_SGEDw3gMotVZxOjoQxU3t26_FK смотрите по ссылке]

Список вопросов и образцы задач к коллоквиуму [https://drive.google.com/file/d/11tHDf6nSrHgy0VezqShgVBItwHfT8QnM/view?usp=sharing смотрите по ссылке]

== Ведомость с оценками ==

{| class="wikitable" style="text-align:center"
|-
[193]
[195]
[196]
[197]
[198]
[199]
[1910]
[1911]
[1912]
|}
== Формы контроля и оценивание ==
Курс Математический Анализ I читается в 1, 2, 3 и 4 модулях.
Формула оценивания и образцы заданий [https://drive.google.com/open?id=1XBJgJx_xxOiz5bg2JFFkf_JobmQJ477S см. по ссылке]

== Список рекомендуемой литературы ==
Рекомендуемая литература [https://drive.google.com/open?id=1yqa_pHP37vmpwqM7SgXGNSrskaUlrJRl см. список]

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-21T09:37:16Z

Dganenko:

== Преподаватели и учебные ассистенты ==

{| class="wikitable" style="text-align:center"
|-
! Группа !! 193(П+) !! 195 !! 196 !! 197 !! 198 !! 199 !! 1910 !! 1911 !! 1912
|-
|| Лектор ||colspan="9"| [https://www.hse.ru/org/persons/214487921 Делицын А.Л.]
|-
|| Семинарист || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || [https://www.hse.ru/org/persons/214487921 Делицын А.Л.] || [https://www.hse.ru/org/persons/191576853 Арутюнян Л.М.] || Черепанов В. || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || Колесниченко Е.Ю. || Колесниченко Е.Ю. || Черепанов В. || [https://www.hse.ru/org/persons/161003527 Фоменко М.М.]
|-
|| Приемные часы || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || TBD
|-
|| Ассистент || [https://t.me/TmLev Лев Хорошанский] || ? || Елена Семерова || Гершон Шамаилов || Сергей Стриженок || Михаил Кот || Александра Штарева || ? || ?
|}

== О курсе ==
Эта страничка содержит ссылки на материалы по курсу Математического Анализа I в 2019/2020 учебном году на основном потоке образовательной программы "Прикладная Математика и Информатика" Факультета Компьютерных Наук НИУ ВШЭ. Информацию см. [https://drive.google.com/open?id=1Xq7dp1E09SqqgySwPdeKIVJy8PelKlf- здесь]

== Лекции ==
Планы (краткое содержание) прочитанных лекций [https://docs.google.com/document/d/1nHg5eX5t4IAzY-QD_ujEpkymcbqeW1MA/edit смотрите здесь]

== Семинары ==
Содержание текущего семинара в гр. 195 [https://docs.google.com/document/d/1RHiAVzSzLgtAi3bkmkDRgwGpYmF_x-6Y/edit смотрите здесь]

== Домашние задания ==

Dropbox с домашними заданиями для 193 и 198 групп (содержимое обновляется, последнее обновление: 26.09.2019):
[https://www.dropbox.com/sh/aczqsguk5t8jccg/AADSDlQTTGxoY8imMeYNVzNAa?dl=0 смотрите по ссылке]

В ДЗ 3 допущена ошибка: во второй задаче следует дополнительно предположить, что все a_i попарно различны.

БДЗ1: [https://drive.google.com/open?id=1uNWGy_SGEDw3gMotVZxOjoQxU3t26_FK смотрите по ссылке]

Список вопросов и образцы задач к коллоквиуму [https://drive.google.com/file/d/11tHDf6nSrHgy0VezqShgVBItwHfT8QnM/view?usp=sharing смотрите по ссылке]

== Ведомость с оценками ==

{| class="wikitable" style="text-align:center"
|-
[193]
[195]
[196]
[197]
[198]
[199]
[1910]
[1911]
[1912]
|}
== Формы контроля и оценивание ==
Курс Математический Анализ I читается в 1, 2, 3 и 4 модулях.
Формула оценивания и образцы заданий [https://drive.google.com/open?id=1XBJgJx_xxOiz5bg2JFFkf_JobmQJ477S см. по ссылке]

== Список рекомендуемой литературы ==
Рекомендуемая литература см. [https://drive.google.com/open?id=1yqa_pHP37vmpwqM7SgXGNSrskaUlrJRl список]

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-21T09:35:41Z

Dganenko:

== Преподаватели и учебные ассистенты ==

{| class="wikitable" style="text-align:center"
|-
! Группа !! 193(П+) !! 195 !! 196 !! 197 !! 198 !! 199 !! 1910 !! 1911 !! 1912
|-
|| Лектор ||colspan="9"| [https://www.hse.ru/org/persons/214487921 Делицын А.Л.]
|-
|| Семинарист || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || [https://www.hse.ru/org/persons/214487921 Делицын А.Л.] || [https://www.hse.ru/org/persons/191576853 Арутюнян Л.М.] || Черепанов В. || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || Колесниченко Е.Ю. || Колесниченко Е.Ю. || Черепанов В. || [https://www.hse.ru/org/persons/161003527 Фоменко М.М.]
|-
|| Приемные часы || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || TBD
|-
|| Ассистент || [https://t.me/TmLev Лев Хорошанский] || ? || Елена Семерова || Гершон Шамаилов || Сергей Стриженок || Михаил Кот || Александра Штарева || ? || ?
|}

== О курсе ==
Эта страничка содержит ссылки на материалы по курсу Математического Анализа I в 2019/2020 учебном году на основном потоке образовательной программы "Прикладная Математика и Информатика" Факультета Компьютерных Наук НИУ ВШЭ. Информацию см. [https://drive.google.com/open?id=1Xq7dp1E09SqqgySwPdeKIVJy8PelKlf- здесь]

== Лекции ==
Планы (краткое содержание) прочитанных лекций [https://docs.google.com/document/d/1nHg5eX5t4IAzY-QD_ujEpkymcbqeW1MA/edit смотрите здесь]

== Семинары ==
Содержание текущего семинара в гр. 195 [https://docs.google.com/document/d/1RHiAVzSzLgtAi3bkmkDRgwGpYmF_x-6Y/edit смотрите здесь]

== Домашние задания ==

Dropbox с домашними заданиями для 193 и 198 групп (содержимое обновляется, последнее обновление: 26.09.2019):
[https://www.dropbox.com/sh/aczqsguk5t8jccg/AADSDlQTTGxoY8imMeYNVzNAa?dl=0 смотрите по ссылке]

В ДЗ 3 допущена ошибка: во второй задаче следует дополнительно предположить, что все a_i попарно различны.

БДЗ1: [https://drive.google.com/open?id=1uNWGy_SGEDw3gMotVZxOjoQxU3t26_FK смотрите по ссылке]

Список вопросов и образцы задач к коллоквиуму [https://drive.google.com/file/d/11tHDf6nSrHgy0VezqShgVBItwHfT8QnM/view?usp=sharing смотрите по ссылке]

== Ведомость с оценками ==

{| class="wikitable" style="text-align:center"
|-
[193]
[195]
[196]
[197]
[198]
[199]
[1910]
[1911]
[1912]
|}
== Формы контроля и оценивание ==
Курс Математический Анализ I читается в 1, 2, 3 и 4 модулях.
Формула оценивания и образцы заданий см. [ https://drive.google.com/open?id=1XBJgJx_xxOiz5bg2JFFkf_JobmQJ477S ]

== Список рекомендуемой литературы ==
Рекомендуемая литература см. [https://drive.google.com/open?id=1yqa_pHP37vmpwqM7SgXGNSrskaUlrJRl список]

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-21T09:34:16Z

Dganenko:

== Преподаватели и учебные ассистенты ==

{| class="wikitable" style="text-align:center"
|-
! Группа !! 193(П+) !! 195 !! 196 !! 197 !! 198 !! 199 !! 1910 !! 1911 !! 1912
|-
|| Лектор ||colspan="9"| [https://www.hse.ru/org/persons/214487921 Делицын А.Л.]
|-
|| Семинарист || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || [https://www.hse.ru/org/persons/214487921 Делицын А.Л.] || [https://www.hse.ru/org/persons/191576853 Арутюнян Л.М.] || Черепанов В. || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || Колесниченко Е.Ю. || Колесниченко Е.Ю. || Черепанов В. || [https://www.hse.ru/org/persons/161003527 Фоменко М.М.]
|-
|| Приемные часы || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || TBD
|-
|| Ассистент || [https://t.me/TmLev Лев Хорошанский] || ? || Елена Семерова || Гершон Шамаилов || Сергей Стриженок || Михаил Кот || Александра Штарева || ? || ?
|}

== О курсе ==
Эта страничка содержит ссылки на материалы по курсу Математического Анализа I в 2019/2020 учебном году на основном потоке образовательной программы "Прикладная Математика и Информатика" Факультета Компьютерных Наук НИУ ВШЭ. Информацию см. [https://drive.google.com/open?id=1Xq7dp1E09SqqgySwPdeKIVJy8PelKlf- здесь]

== Лекции ==
Планы (краткое содержание) прочитанных лекций [https://docs.google.com/document/d/1nHg5eX5t4IAzY-QD_ujEpkymcbqeW1MA/edit смотрите здесь]

== Семинары ==
Содержание текущего семинара в гр. 195 [https://docs.google.com/document/d/1RHiAVzSzLgtAi3bkmkDRgwGpYmF_x-6Y/edit смотрите здесь]

== Домашние задания ==

Dropbox с домашними заданиями для 193 и 198 групп (содержимое обновляется, последнее обновление: 26.09.2019):
https://www.dropbox.com/sh/aczqsguk5t8jccg/AADSDlQTTGxoY8imMeYNVzNAa?dl=0

В ДЗ 3 допущена ошибка: во второй задаче следует дополнительно предположить, что все a_i попарно различны.

БДЗ1: [https://drive.google.com/open?id=1uNWGy_SGEDw3gMotVZxOjoQxU3t26_FK смотрите по ссылке]

Список вопросов и образцы задач к коллоквиуму [https://drive.google.com/file/d/11tHDf6nSrHgy0VezqShgVBItwHfT8QnM/view?usp=sharing смотрите по ссылке]

== Ведомость с оценками ==

{| class="wikitable" style="text-align:center"
|-
[193]
[195]
[196]
[197]
[198]
[199]
[1910]
[1911]
[1912]
|}
== Формы контроля и оценивание ==
Курс Математический Анализ I читается в 1, 2, 3 и 4 модулях.
Формула оценивания и образцы заданий см. [ https://drive.google.com/open?id=1XBJgJx_xxOiz5bg2JFFkf_JobmQJ477S ]

== Список рекомендуемой литературы ==
Рекомендуемая литература см. [https://drive.google.com/open?id=1yqa_pHP37vmpwqM7SgXGNSrskaUlrJRl список]

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-21T09:33:09Z

Dganenko:

== Преподаватели и учебные ассистенты ==

{| class="wikitable" style="text-align:center"
|-
! Группа !! 193(П+) !! 195 !! 196 !! 197 !! 198 !! 199 !! 1910 !! 1911 !! 1912
|-
|| Лектор ||colspan="9"| [https://www.hse.ru/org/persons/214487921 Делицын А.Л.]
|-
|| Семинарист || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || [https://www.hse.ru/org/persons/214487921 Делицын А.Л.] || [https://www.hse.ru/org/persons/191576853 Арутюнян Л.М.] || Черепанов В. || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || Колесниченко Е.Ю. || Колесниченко Е.Ю. || Черепанов В. || [https://www.hse.ru/org/persons/161003527 Фоменко М.М.]
|-
|| Приемные часы || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || TBD
|-
|| Ассистент || [https://t.me/TmLev Лев Хорошанский] || ? || Елена Семерова || Гершон Шамаилов || Сергей Стриженок || Михаил Кот || Александра Штарева || ? || ?
|}

== О курсе ==
Эта страничка содержит ссылки на материалы по курсу Математического Анализа I в 2019/2020 учебном году на основном потоке образовательной программы "Прикладная Математика и Информатика" Факультета Компьютерных Наук НИУ ВШЭ. Информацию см. [https://drive.google.com/open?id=1Xq7dp1E09SqqgySwPdeKIVJy8PelKlf- здесь]

== Лекции ==
Планы (краткое содержание) прочитанных лекций [https://docs.google.com/document/d/1nHg5eX5t4IAzY-QD_ujEpkymcbqeW1MA/edit смотрите здесь]

== Семинары ==
Содержание текущего семинара в гр. 195 [https://docs.google.com/document/d/1RHiAVzSzLgtAi3bkmkDRgwGpYmF_x-6Y/edit смотрите здесь]

== Домашние задания ==

Dropbox с домашними заданиями для 193 и 198 групп (содержимое обновляется, последнее обновление: 26.09.2019):
https://www.dropbox.com/sh/aczqsguk5t8jccg/AADSDlQTTGxoY8imMeYNVzNAa?dl=0

В ДЗ 3 допущена ошибка: во второй задаче следует дополнительно предположить, что все a_i попарно различны.

БДЗ1: https://drive.google.com/open?id=1uNWGy_SGEDw3gMotVZxOjoQxU3t26_FK

Список вопросов и образцы задач к коллоквиуму [https://drive.google.com/file/d/11tHDf6nSrHgy0VezqShgVBItwHfT8QnM/view?usp=sharing по ссылке]

== Ведомость с оценками ==

{| class="wikitable" style="text-align:center"
|-
[193]
[195]
[196]
[197]
[198]
[199]
[1910]
[1911]
[1912]
|}
== Формы контроля и оценивание ==
Курс Математический Анализ I читается в 1, 2, 3 и 4 модулях.
Формула оценивания и образцы заданий см. [ https://drive.google.com/open?id=1XBJgJx_xxOiz5bg2JFFkf_JobmQJ477S ]

== Список рекомендуемой литературы ==
Рекомендуемая литература см. [https://drive.google.com/open?id=1yqa_pHP37vmpwqM7SgXGNSrskaUlrJRl список]

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-21T09:31:48Z

Dganenko:

== Преподаватели и учебные ассистенты ==

{| class="wikitable" style="text-align:center"
|-
! Группа !! 193(П+) !! 195 !! 196 !! 197 !! 198 !! 199 !! 1910 !! 1911 !! 1912
|-
|| Лектор ||colspan="9"| [https://www.hse.ru/org/persons/214487921 Делицын А.Л.]
|-
|| Семинарист || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || [https://www.hse.ru/org/persons/214487921 Делицын А.Л.] || [https://www.hse.ru/org/persons/191576853 Арутюнян Л.М.] || Черепанов В. || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || Колесниченко Е.Ю. || Колесниченко Е.Ю. || Черепанов В. || [https://www.hse.ru/org/persons/161003527 Фоменко М.М.]
|-
|| Приемные часы || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || TBD
|-
|| Ассистент || [https://t.me/TmLev Лев Хорошанский] || ? || Елена Семерова || Гершон Шамаилов || Сергей Стриженок || Михаил Кот || Александра Штарева || ? || ?
|}

== О курсе ==
Эта страничка содержит ссылки на материалы по курсу Математического Анализа I в 2019/2020 учебном году на основном потоке образовательной программы "Прикладная Математика и Информатика" Факультета Компьютерных Наук НИУ ВШЭ. Информацию см. [https://drive.google.com/open?id=1Xq7dp1E09SqqgySwPdeKIVJy8PelKlf- здесь]

== Лекции ==
Планы (краткое содержание) прочитанных лекций [https://docs.google.com/document/d/1nHg5eX5t4IAzY-QD_ujEpkymcbqeW1MA/edit смотрите здесь]

== Семинары ==
Содержание текущего семинара в гр. 195 [https://docs.google.com/document/d/1RHiAVzSzLgtAi3bkmkDRgwGpYmF_x-6Y/edit смотрите здесь]

== Домашние задания ==

Dropbox с домашними заданиями для 193 и 198 групп (содержимое обновляется, последнее обновление: 26.09.2019):
https://www.dropbox.com/sh/aczqsguk5t8jccg/AADSDlQTTGxoY8imMeYNVzNAa?dl=0

В ДЗ 3 допущена ошибка: во второй задаче следует дополнительно предположить, что все a_i попарно различны.

БДЗ1: https://drive.google.com/open?id=1uNWGy_SGEDw3gMotVZxOjoQxU3t26_FK

Список вопросов и образцы задач к коллоквиуму https://drive.google.com/file/d/11tHDf6nSrHgy0VezqShgVBItwHfT8QnM/view?usp=sharing

== Ведомость с оценками ==

{| class="wikitable" style="text-align:center"
|-
[193]
[195]
[196]
[197]
[198]
[199]
[1910]
[1911]
[1912]
|}
== Формы контроля и оценивание ==
Курс Математический Анализ I читается в 1, 2, 3 и 4 модулях.
Формула оценивания и образцы заданий см. [ https://drive.google.com/open?id=1XBJgJx_xxOiz5bg2JFFkf_JobmQJ477S ]

== Список рекомендуемой литературы ==
Рекомендуемая литература см. [https://drive.google.com/open?id=1yqa_pHP37vmpwqM7SgXGNSrskaUlrJRl список]

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-21T09:29:46Z

Dganenko:

== Преподаватели и учебные ассистенты ==

{| class="wikitable" style="text-align:center"
|-
! Группа !! 193(П+) !! 195 !! 196 !! 197 !! 198 !! 199 !! 1910 !! 1911 !! 1912
|-
|| Лектор ||colspan="9"| [https://www.hse.ru/org/persons/214487921 Делицын А.Л.]
|-
|| Семинарист || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || [https://www.hse.ru/org/persons/214487921 Делицын А.Л.] || [https://www.hse.ru/org/persons/191576853 Арутюнян Л.М.] || Черепанов В. || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || Колесниченко Е.Ю. || Колесниченко Е.Ю. || Черепанов В. || [https://www.hse.ru/org/persons/161003527 Фоменко М.М.]
|-
|| Приемные часы || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || TBD
|-
|| Ассистент || [https://t.me/TmLev Лев Хорошанский] || ? || Елена Семерова || Гершон Шамаилов || Сергей Стриженок || Михаил Кот || Александра Штарева || ? || ?
|}

== О курсе ==
Эта страничка содержит ссылки на материалы по курсу Математического Анализа I в 2019/2020 учебном году на основном потоке образовательной программы "Прикладная Математика и Информатика" Факультета Компьютерных Наук НИУ ВШЭ. Информацию см. [https://drive.google.com/open?id=1Xq7dp1E09SqqgySwPdeKIVJy8PelKlf- здесь]

== Лекции ==
Планы (краткое содержание) прочитанных лекций [https://docs.google.com/document/d/1nHg5eX5t4IAzY-QD_ujEpkymcbqeW1MA/edit смотрите здесь]

== Семинары ==
Содержание текущего семинара в гр. 195 [https://docs.google.com/document/d/1RHiAVzSzLgtAi3bkmkDRgwGpYmF_x-6Y/edit смотрите здесь]

== Домашние задания ==

Dropbox с домашними заданиями для 193 и 198 групп (содержимое обновляется, последнее обновление: 26.09.2019):
https://www.dropbox.com/sh/aczqsguk5t8jccg/AADSDlQTTGxoY8imMeYNVzNAa?dl=0

В ДЗ 3 допущена ошибка: во второй задаче следует дополнительно предположить, что все a_i попарно различны.

БДЗ1: https://drive.google.com/open?id=1uNWGy_SGEDw3gMotVZxOjoQxU3t26_FK

Список вопросов и образцы задач к коллоквиуму https://drive.google.com/file/d/11tHDf6nSrHgy0VezqShgVBItwHfT8QnM/view?usp=sharing

== Ведомость с оценками ==

{| class="wikitable" style="text-align:center"
|-
[193]
[195]
[196]
[197]
[198]
[199]
[1910]
[1911]
[1912]
|}
== Формы контроля и оценивание ==
Курс Математический Анализ I читается в 1, 2, 3 и 4 модулях.
Формула оценивания и образцы заданий см. [ https://drive.google.com/open?id=1XBJgJx_xxOiz5bg2JFFkf_JobmQJ477S ]

== Список рекомендуемой литературы ==
Рекомендуемая литература см. [https://drive.google.com/open?id=1yqa_pHP37vmpwqM7SgXGNSrskaUlrJRl]

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-21T09:28:49Z

Dganenko:

== Преподаватели и учебные ассистенты ==

{| class="wikitable" style="text-align:center"
|-
! Группа !! 193(П+) !! 195 !! 196 !! 197 !! 198 !! 199 !! 1910 !! 1911 !! 1912
|-
|| Лектор ||colspan="9"| [https://www.hse.ru/org/persons/214487921 Делицын А.Л.]
|-
|| Семинарист || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || [https://www.hse.ru/org/persons/214487921 Делицын А.Л.] || [https://www.hse.ru/org/persons/191576853 Арутюнян Л.М.] || Черепанов В. || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || Колесниченко Е.Ю. || Колесниченко Е.Ю. || Черепанов В. || [https://www.hse.ru/org/persons/161003527 Фоменко М.М.]
|-
|| Приемные часы || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || TBD
|-
|| Ассистент || [https://t.me/TmLev Лев Хорошанский] || ? || Елена Семерова || Гершон Шамаилов || Сергей Стриженок || Михаил Кот || Александра Штарева || ? || ?
|}

== О курсе ==
Эта страничка содержит ссылки на материалы по курсу Математического Анализа I в 2019/2020 учебном году на основном потоке образовательной программы "Прикладная Математика и Информатика" Факультета Компьютерных Наук НИУ ВШЭ. Информацию см. [https://drive.google.com/open?id=1Xq7dp1E09SqqgySwPdeKIVJy8PelKlf- здесь]

== Лекции ==
Планы (краткое содержание) прочитанных лекций [https://docs.google.com/document/d/1nHg5eX5t4IAzY-QD_ujEpkymcbqeW1MA/edit смотрите здесь]

== Семинары ==
Содержание текущего семинара в гр. 195 [ https://docs.google.com/document/d/1RHiAVzSzLgtAi3bkmkDRgwGpYmF_x-6Y/edit ]

== Домашние задания ==

Dropbox с домашними заданиями для 193 и 198 групп (содержимое обновляется, последнее обновление: 26.09.2019):
https://www.dropbox.com/sh/aczqsguk5t8jccg/AADSDlQTTGxoY8imMeYNVzNAa?dl=0

В ДЗ 3 допущена ошибка: во второй задаче следует дополнительно предположить, что все a_i попарно различны.

БДЗ1: https://drive.google.com/open?id=1uNWGy_SGEDw3gMotVZxOjoQxU3t26_FK

Список вопросов и образцы задач к коллоквиуму https://drive.google.com/file/d/11tHDf6nSrHgy0VezqShgVBItwHfT8QnM/view?usp=sharing

== Ведомость с оценками ==

{| class="wikitable" style="text-align:center"
|-
[193]
[195]
[196]
[197]
[198]
[199]
[1910]
[1911]
[1912]
|}
== Формы контроля и оценивание ==
Курс Математический Анализ I читается в 1, 2, 3 и 4 модулях.
Формула оценивания и образцы заданий см. [ https://drive.google.com/open?id=1XBJgJx_xxOiz5bg2JFFkf_JobmQJ477S ]

== Список рекомендуемой литературы ==
Рекомендуемая литература см. [https://drive.google.com/open?id=1yqa_pHP37vmpwqM7SgXGNSrskaUlrJRl]

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-21T09:28:09Z

Dganenko:

== Преподаватели и учебные ассистенты ==

{| class="wikitable" style="text-align:center"
|-
! Группа !! 193(П+) !! 195 !! 196 !! 197 !! 198 !! 199 !! 1910 !! 1911 !! 1912
|-
|| Лектор ||colspan="9"| [https://www.hse.ru/org/persons/214487921 Делицын А.Л.]
|-
|| Семинарист || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || [https://www.hse.ru/org/persons/214487921 Делицын А.Л.] || [https://www.hse.ru/org/persons/191576853 Арутюнян Л.М.] || Черепанов В. || [https://www.hse.ru/org/persons/224875083 Мажуга А.М.] || Колесниченко Е.Ю. || Колесниченко Е.Ю. || Черепанов В. || [https://www.hse.ru/org/persons/161003527 Фоменко М.М.]
|-
|| Приемные часы || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || Пятница, 15:10 -- 16:30, кабинет S808 нужно предупредить за день || TBD || TBD || TBD || TBD
|-
|| Ассистент || [https://t.me/TmLev Лев Хорошанский] || ? || Елена Семерова || Гершон Шамаилов || Сергей Стриженок || Михаил Кот || Александра Штарева || ? || ?
|}

== О курсе ==
Эта страничка содержит ссылки на материалы по курсу Математического Анализа I в 2019/2020 учебном году на основном потоке образовательной программы "Прикладная Математика и Информатика" Факультета Компьютерных Наук НИУ ВШЭ. Информацию см. [https://drive.google.com/open?id=1Xq7dp1E09SqqgySwPdeKIVJy8PelKlf-]

== Лекции ==
Планы (краткое содержание) прочитанных лекций [https://docs.google.com/document/d/1nHg5eX5t4IAzY-QD_ujEpkymcbqeW1MA/edit смотрите здесь]

== Семинары ==
Содержание текущего семинара в гр. 195 [ https://docs.google.com/document/d/1RHiAVzSzLgtAi3bkmkDRgwGpYmF_x-6Y/edit ]

== Домашние задания ==

Dropbox с домашними заданиями для 193 и 198 групп (содержимое обновляется, последнее обновление: 26.09.2019):
https://www.dropbox.com/sh/aczqsguk5t8jccg/AADSDlQTTGxoY8imMeYNVzNAa?dl=0

В ДЗ 3 допущена ошибка: во второй задаче следует дополнительно предположить, что все a_i попарно различны.

БДЗ1: https://drive.google.com/open?id=1uNWGy_SGEDw3gMotVZxOjoQxU3t26_FK

Список вопросов и образцы задач к коллоквиуму https://drive.google.com/file/d/11tHDf6nSrHgy0VezqShgVBItwHfT8QnM/view?usp=sharing

== Ведомость с оценками ==

{| class="wikitable" style="text-align:center"
|-
[193]
[195]
[196]
[197]
[198]
[199]
[1910]
[1911]
[1912]
|}
== Формы контроля и оценивание ==
Курс Математический Анализ I читается в 1, 2, 3 и 4 модулях.
Формула оценивания и образцы заданий см. [ https://drive.google.com/open?id=1XBJgJx_xxOiz5bg2JFFkf_JobmQJ477S ]

== Список рекомендуемой литературы ==
Рекомендуемая литература см. [https://drive.google.com/open?id=1yqa_pHP37vmpwqM7SgXGNSrskaUlrJRl]

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-15T11:05:36Z

Dganenko:

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-15T11:01:53Z

Dganenko:

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-15T11:01:07Z

Dganenko:

Математический анализ на ПМИ 2019/2020 (основной поток)

2019-10-15T11:00:20Z

Dganenko:

Data analysis (Software Engineering)

2019-10-14T11:28:51Z

Dganenko:

'''This page is for 2016 year!'''

'''Scores and deadlines: [https://drive.google.com/open?id=1TQ97B8rqC7sUxTnCMKXoskgRPXO8rAyWoBWBezY58h4 here]'''

'''Class email:''' cshse.ml@gmail.com

'''[https://docs.google.com/forms/d/100_gMWQwp41zpHgKuf3fl3SpFSwNj6ggL13DtnxWEEw/viewform Anonymous overall course evaluation form] '''

'''Anonymous feedback form:''' [http://goo.gl/forms/CT3h4QaMeB here]
 

== Announcements ==

===Kaggle evaluation===
Kaggle evaluation [https://docs.google.com/spreadsheets/d/1h90zLpQ2Q8QD_xQLGJLY1xljnLGF175Re4fTMChHFgA/edit?usp=sharing is available here]. Please check that your work is in the list. Presentations were evaluated using [https://inclass.kaggle.com/c/hse-spring2016-stack-overflow/rules the rules of the competition]. In particular - I was expecting to see:
* that you tried different methods
* table with accuracy results of each method
* description how you tuned the parameters of your model (over which grid, with graphs showing accuracy change)
* data analysis and insights described with illustrative visualizations.
* in feature selection: quantitive results how each feature could be helpful/not helpful.

===Exam questions===
Exam questions are published and available [https://yadi.sk/i/Gi_T_R4AsD2aU here].

===Kaggle presentation requirements===
You should send presentations before June 3 (Friday) 23-59. Presentations should be sent to v.v.kitov@yandex.ru. The title should be "HSE kaggle presentation <team name>". On the title page of the presentation you should list all team participants. Presentation should be in pdf or ppt format and have all components listed in [https://inclass.kaggle.com/c/hse-spring2016-stack-overflow/rules competition rules]. Code in py or ipynb format should also be attached to the letter (it may consist of several files).

===Early exam===
On June 6th, 13-40 - 16-30 there will two lessons. They will cover:
1) a consultation before exam. Please read through all the material and come with your questions.
2) Presentations of top-3 kaggle teams with their solutions (15 minutes each). Teams with over 60 submissions are welcome to tell their findings in the data - what worked and what not (10 minutes each). Everybody else is also welcome (not obliged) to participate with short presentations (5-10 minutes) and tell interesting findings in the data and non-standard approaches that you tried (not necessarily successful).

For your convenience there will be a possibility to take exam in data analysis earlier - on June 6th at 16-40. To take exam earlier you need to request participation to e-mail v.v.kitov@yandex.ru. The number of participants is limited. Note that earlier exam will be the same as official exam and they mutually exclude each other, so you need to select in which exam to participate. Exam program will be available soon. Earlier exam schedule is proposed for your convenience - to give you the possibility to fully concentrate on preparation to data analysis exam.

== Course description ==
In this class we consider the main problems of data mining and machine learning: classification, clustering, regression, dimensionality reduction, ranking, collaborative filtering. We will also study mathematical methods and concepts which data analysis is based on as well as formal assumptions behind them and various aspects of their implementation.

A significant attention is given to practical skills of data analysis that will be developed on seminars by studying the Python programming language and relevant libraries for scientific computing.

The knowledge of linear algebra, real analysis and probability theory is required.

'''The class consists of:'''
# Lectures and seminars
# Practical and theoretical homework assignments
# A machine learning competition (more information will be available later)
# Midterm theoretical colloquium
# Final exam

== Events outside the course ==

[https://it.mail.ru/announcements/36/?utm_campaign=newsletter&utm_medium=email&utm_source=newsletter_2742016df Universal recomendation system of mail.ru]

[https://www.youtube.com/channel/UCeq6ZIlvC9SVsfhfKnSvM9w Description of solutions to different competitions on Kaggle]

[http://ria.ru/science/20160514/1432666353.html Neural networks adapt videos to the painting style of famous artists.]

== Syllabus ==

# Introduction to machine learning.
# K-nearest neighbours classification and regression. Extensions. Optimization techniques.
# Decision tree methods.
# Bayesian decision theory. Model evaluation:
# Linear classification methods. Adding regularization to linear methods.
# Regression.
# Kernel generalization of standard methods.
# Neural networks.
# Ensemble methods: bagging, boosting, etc.
# Feature selection.
# Feature extraction
# EM algorithm. Density estimation using mixtures.
# Clustering
# Collaborative filtering
# Ranking

== Lecture materials ==

'''Lecture 1. Introduction to data science and machine learning. '''

[https://yadi.sk/i/RajIebEkmqgzw Download]

Additional materials: [https://yadi.sk/i/x2lrKdbVmr2bf The Field Guide to Data Science], [http://www.machinelearning.ru/wiki/images/f/fc/Voron-ML-Intro-slides.pdf Лекция К.В.Воронцова]

'''Lecture 2. K nearest neighbours method. '''

[https://yadi.sk/i/Od8HM9h-nUWob Download]

Additional materials: [http://www.machinelearning.ru/wiki/images/c/c3/Voron-ML-Metric-slides.pdf Лекция К.В.Воронцова], [http://arxiv.org/pdf/1306.6709v4.pdf Metric learning survey]

'''Lecture 3. Decision trees. '''

[https://yadi.sk/i/-vPl2vaBqXrt5 Download]

Additional materials: ''Webb, Copsey "Statistical Pattern Recognition", chapter 7.2.''

'''Lecture 4a. Model evaluation. '''

Binary quality measures. ROC curve, AUC.

[https://yadi.sk/i/7V7U_1QtnfYZQ Download]

Additional materials: ''Webb, Copsey "Statistical Pattern Recognition", chapter 9.''

'''Lecture 4b. Bayes minimum cost classification. '''

Case of general losses, common within-class losses and 0,1 losses. Gaussian classifier.

[https://yadi.sk/i/6jIvLiYMosuz5 Download]

'''Lecture 5. Linear classifiers. '''

Discriminant function. Invariance to monotonous transformations for them. Definition for multi-class and binary class cases.

[https://yadi.sk/i/0IQ6P3LDoqpRk Download]

Additional materials: [http://www.machinelearning.ru/wiki/images/5/53/Voron-ML-Lin-SG.pdf Лекции К.В.Воронцова по линейным методам классификации]

'''Lecture 6. Support vector machines. '''

Linear separable and linearly non-separable case. Equivalent definition with loss function. Support vectors and non-informative vectors.

[https://yadi.sk/i/baP7gbWXoqpTE Download]

'''Lecture 7. Kernel trick. '''

Application of kernel trick to SVM. Gaussian, polynomial kernels.

[https://yadi.sk/i/3W6A9FmZoqpU9 Download]

'''Lecture 8. Regression. '''

Linear regression and extensions: weighted regression, robust regression, different loss-functions, regression with non-linear features, locally-constant (Nadaraya-Watson) regression.

[https://yadi.sk/i/HSp51pmepjQBq Download]

'''Lecture 9. Boosting. '''

Forward stagewise additive modelling. AdaBoost. Gradient boosting.

[https://yadi.sk/i/3yTKLDcCpjLhG Download]

Additional materials:

[http://statweb.stanford.edu/~tibs/ElemStatLearn/ Friedman, Hastie, Tibshirani "The Elements of Statistical Learning"] - section 10: Boosting and additive trees.,

[http://www.recognition.mccme.ru/pub/RecognitionLab.html/slbook.pdf Мерков "Введение в методы статистического обучения"] - секция 4: Линейные комбинации распознавателей.

'''Lecture 10. Ensemble methods. '''

Motivation. Bias-variance tradeoff. Bagging, RandomForest, ExtraRandomTrees. Stacking.

[https://yadi.sk/i/8E-wZxIpq9Sgf Download]

'''Lectures 11, 12. Summary. '''

'''Lecture 13. Feature selection. '''

[https://yadi.sk/i/2ZLC3J6dr3iAc Download]

'''Lecture 14. Principal components analysis. '''

[https://yadi.sk/i/6DxoScrKrN3LK Download]

'''Lecture 14. Singular values decomposition. '''

[https://yadi.sk/i/zwJftdkUrN6Td Download] - updated pages 17,18,19.

'''Lecture 15. Working with text. '''

[https://yadi.sk/i/YqdRr-0erEXba Download]

'''Lecture 16. Neural networks. '''

[https://yadi.sk/i/9yMM7mkrrEXbc Download]

'''Lecture 17. Parametric distributions. '''

[https://yadi.sk/i/D33hdVXTrkxDN Download]

'''Lecture 18. Clustering. '''

[https://yadi.sk/i/3DJY4Oo7rkxEW Download]

'''Lecture 19. Mixture densities, EM-algorithm. ''' - updated.

[https://yadi.sk/i/22wLOL2krkxGL Download]

'''Lecture 20. Recommender systems. '''

[https://yadi.sk/i/mMhaZlqLrvjph Download]

'''Lecture 21. Kernel density estimation. '''

[https://yadi.sk/i/zF7ZPyTCsAjFH Download]

== Seminars ==

'''Seminar 1. Introduction to Data Analysis in Python '''

[https://drive.google.com/open?id=0B7TWwiIrcJstdkJyam9rNHpEcDg Practical task 1], [https://drive.google.com/open?id=0B7TWwiIrcJstQldxcThZRnF3ZVk data]

Additional materials: [http://nbviewer.ipython.org/gist/anonymous/fba8bf7f1ad379df9d63 1], [https://drive.google.com/open?id=0B7TWwiIrcJstRzVRSlRFcEl3VGM 2]

'''Seminar 2. kNN '''

[https://drive.google.com/open?id=0B7TWwiIrcJstbGRxREhGeDBNd3M Theoretical task 2], [https://drive.google.com/open?id=0B7TWwiIrcJstNXVXYTcydUMzUUk Practical task 2], [https://drive.google.com/open?id=0B7TWwiIrcJstTXUyYUstMmJNckk data]

Additional materials: [http://ogrisel.github.io/scikit-learn.org/sklearn-tutorial/auto_examples/tutorial/plot_knn_iris.html Visualization tutorial]

'''Seminar 3. Decision trees '''

[https://drive.google.com/file/d/0B7TWwiIrcJstbmFmMmE5bWh2Y28/view?usp=sharing Theoretical task 3]

'''Seminar 4. Linear classifiers '''

[https://drive.google.com/file/d/0B7TWwiIrcJstc1J4SnRWTnlxZlE/view?usp=sharing Theoretical task 4], [https://drive.google.com/file/d/0B7TWwiIrcJstckZCN1pYcEo2NW8/view?usp=sharing Practical task 4], [https://drive.google.com/file/d/0B7TWwiIrcJstM3VSQTVrYWhqYk0/view?usp=sharing first dataset], [https://drive.google.com/file/d/0B7TWwiIrcJstN0VOUV9PcDc1ZlE/view?usp=sharing diabetes dataset]

UPD: At all parts of practical task 4 you should use GD and SGD functions that you program at the fisrt part!

''Deadline for this practical task has been changed for some groups! Check it in the table!''

'''Seminar 5. Model evaluation '''

[https://drive.google.com/file/d/0B7TWwiIrcJstdTFST0Z4UkRoaEk/view?usp=sharing Theoretical task 5]

'''Seminar 6. Bayesian decision rule '''

[https://drive.google.com/file/d/0B7TWwiIrcJstWF9zcllDU01ZY2M/view?usp=sharing Theoretical task 6], [https://drive.google.com/file/d/0B7TWwiIrcJstSHRKcFlVcy1xd3M/view?usp=sharing Practical task 6], [https://drive.google.com/file/d/0B7TWwiIrcJstVlhBdGZYMm94SHc/view?usp=sharing data]

Practical task 6 was completed: the last part was described in more details + there are two small corrections in the first part (they are in bold font). Read it carefully!

'''Deadline for this practical task has been changed for all groups! Check it in the table!'''

'''Seminar 7. SVM and kernel trick '''

[https://drive.google.com/file/d/0B7TWwiIrcJstUGhEX2QxV1gycDA/view?usp=sharing Theoretical task 7]

Additional materials: [http://www.ccas.ru/voron/download/SVM.pdf Лекция К.В. Воронцова по SVM]

'''Seminar 8. Regression '''

[https://drive.google.com/file/d/0B7TWwiIrcJstNkE0dVJscGFSOEE/view?usp=sharing Theoretical task 8]

'''Seminar 9. Boosting '''

[https://drive.google.com/file/d/0B7TWwiIrcJstVkx2Z0tGbi1yNFE/view?usp=sharing Practical task 9],
[https://drive.google.com/file/d/0B7TWwiIrcJstelRydjBUcUlleUk/view?usp=sharing data]

'''Seminar 10. Ensemble methods '''

[https://drive.google.com/file/d/0B7TWwiIrcJstR28zVlN3OUZJTEU/view?usp=sharing Theoretical task 10]

''Problem 2: a small typo was corrected in the loss function formula.''

'''Seminar 11. Summary'''

'''Seminar 12. How to solve practical problems'''

[https://inclass.kaggle.com/c/cmc-msu-machine-learning-spring-2015-2016-dota-competition Dota Competition from the seminar], [https://drive.google.com/file/d/0B7TWwiIrcJstVnF0RVkzc1c1TVE/view?usp=sharing ipython notebook]

'''Seminar 13. Feature selection'''

[https://drive.google.com/file/d/0B7TWwiIrcJstTUU4OGFnQzBPa3c/view?usp=sharing Theoretical task 13], [https://drive.google.com/file/d/0B7TWwiIrcJstM3JkWnhtQ2YzZms/view?usp=sharing Practical task 13]

''Practical task is completed.''

'''Seminar 14. Feature extraction'''

You can read about computing PCA through SVD at the end of [https://drive.google.com/file/d/0B7TWwiIrcJstWFFSOUI5aTRBM00/view?usp=sharing this paper].

'''Seminar 15. Neural networks'''

[https://drive.google.com/file/d/0B0s4HdnpuPdxbk4yeXZyVi10dVE/view?usp=sharing Practical task 15],
[https://www.dropbox.com/s/r0u3xh5ybtstw9c/mnist.zip?dl=0 Data],
[https://drive.google.com/file/d/0B7TWwiIrcJstX1FzMWhQdmdGekk/view?usp=sharing Data in csv format],
[https://drive.google.com/file/d/0B0QWEJMlsxfRS2lWSkR5LVc2MzA/view?usp=sharing Censored training set],
[https://drive.google.com/file/d/0B0QWEJMlsxfRZmlHVHdlYWdQSTQ/view?usp=sharing Theoretical task 15]

Additional materials: [https://drive.google.com/file/d/0B7TWwiIrcJstd3pOWjcwUUNOaUk/view?usp=sharing Backpropagation], [http://pybrain.org/docs/ PyBrain’s documentation], [https://drive.google.com/file/d/0B7TWwiIrcJstSGp0SzNTa1RJeTQ/view?usp=sharing PyBrain example from the seminar]

''New data files have been uploaded (there were some problems with reading old ones). Therefore deadline has been changed for some groups! Check it in the table!''

If you have MemoryError then read only part of training data from csv files (for example, 30000 objects). You can download '''censored training set''' (find link above) or use the following code:

mnist_train = np.loadtxt('mnist_train.csv', delimiter=',') 
train_data = ClassificationDataSet(28*28, nb_classes=10) 
for i in xrange(len(mnist_train)): 
:train_data.appendLinked(mnist_train[i, 1:] / 255., int(mnist_train[i, 0])) 
train_data._convertToOneOfMany() 

mnist_test = np.loadtxt('mnist_test.csv', delimiter=',') 
test_data = ClassificationDataSet(28*28, nb_classes=10) 
for i in xrange(len(mnist_test)): 
:test_data.appendLinked(mnist_test[i, 1:] / 255., int(mnist_test[i, 0])) 
test_data._convertToOneOfMany()

'''Seminar 16. Clustering'''

[https://drive.google.com/file/d/0B0QWEJMlsxfRRy1fd1RNVVhpMm8/view?usp=sharing Theoretical task 16], [https://drive.google.com/file/d/0B7TWwiIrcJstM1l5M3kwNDFZQlU/view?usp=sharing Practical task 16], [https://drive.google.com/file/d/0B7TWwiIrcJstZ2xIRU00dTB0OHc/view?usp=sharing parrots.jpg], [https://drive.google.com/file/d/0B7TWwiIrcJstb0RDc0RiQ1M3OXc/view?usp=sharing grass.jpg]

'''Seminar 17. Clustering, EM-algorithm'''

[https://drive.google.com/file/d/0B0s4HdnpuPdxLWJjUEtCVVNFa00/view?usp=sharing Theoretical task 17]

'''Seminar 18. Recommender systems'''

[https://drive.google.com/file/d/0B7TWwiIrcJstWkt3Qk5Cb0FWTUk/view?usp=sharing Theoretical task 18],[https://drive.google.com/file/d/0B7TWwiIrcJstbW5Sd3hBMjNoNkE/view?usp=sharing Practical task 18], [https://www.dropbox.com/s/5as2k79dhajtw7n/data.zip?dl=0, data]

Additional materials: [https://www.semanticscholar.org/paper/Factorization-Machines-Rendle/2ef7d506b25731d0f3ec0c8f90b718b6e5bbd069/pdf Factorization Machines]

Columns in the data: 0 - user, 1 - item, 2 - rating, 3 - time (you don't need this one).

In the practical task you should train models on the train data (base) and evaluate on the test data.

== Evaluation criteria ==
The course lasts during the 3rd and 4th modules. Knowledge of students is assessed by evaluation of their home assignments and exams. Home assignments divide into theoretical tasks and practical tasks. There are two exams during the course – after the 3rd module and after the 4th module respectively. Each of the exams evaluates theoretical knowledge and understanding of the material studied during the respective module.

Grade takes values 4,5,…10. Grades, corresponding to 1,2,3 are assumed unsatisfactory. Exact grades are calculated using the following rule:

* '''score''' ≥ 35% => 4,
* '''score''' ≥ 45% => 5,
* ...
* '''score''' ≥ 95% => 10,

where '''score''' is calculated using the following rule:

'''score''' = 0.6 * Shomework + 0.2 * Sexam1 + 0.2 * Sexam2 + 0.2 * Scompetition

* Shomework – proportion of correctly solved homework,
* Sexam1 – proportion of successfully answered theoretical questions during exam after module 3,
* Sexam2 – proportion of successfully answered theoretical questions during exam after module 4,
* Scompetition – score for the competition in machine learning (it's also from 0 to 1).

Participation in machine learning competition is optional and can give students extra points.

== Plagiarism ==
In case of discovered plagiarism zero points will be set for the home assignemets - for both works, which were found to be identical. In case of repeated plagiarism by one and the same person a report to the dean will be made.

== Deadlines ==

All the deadlines can be found in the second tab [https://drive.google.com/open?id=1TQ97B8rqC7sUxTnCMKXoskgRPXO8rAyWoBWBezY58h4 here].

We have two deadlines for each assignments: normal and late. An assignment sent prior to normal deadline is scored with no penalty. The maximum score is penalized by 50% for assignments sent in between of the normal and the late deadline. Assignments sent after late deadlines will not be scored (assigned with zero score) in the absence of legitimate reasons for late submission which do not include high load on other classes.

Standard period for working on a homework assignment is 2 and 4 weeks (normal and late deadlines correspondingly) for practical assignments and 1 and 2 weeks for theoretical ones. The first practical assignment is an exception.

'''Deadline time:''' 23:59 of the day before seminar (Sunday for students attending Monday seminars and Wednesday for students that have seminars on Thursday).

== Structure of emails and homework submissions ==
All the questions and submissions must be addressed to '''cshse.ml@gmail.com'''.
The following subjects must be used:
* For ''questions'' (general, regarding assignments, etc): "Question - Surname Name - Group(subgroup)"
* For ''homework submissions'': "Practice/Theory {Lab number} - Surname Name - Group(subgroup)"

''Example'': Practice 1 - Ivanov Ivan - 131(1)

If you want to address a particular teacher, mention his name in the subject.

''Example'': Question - Ivanov Ivan - 131(1) - Ekaterina

Please do not mix two different topics in a single email such as theoretical and practical assignments etc. When replying, please use the '''same''' thread (i.e. reply to the same email).

Practical assignments must be implemented in ipython notebook format, theoretical ones in pdf. Practical assignments must use '''Python 2.7'''. Use your surname as a filename for assignments (e.g. Ivanov.ipynb). Do not archive your assignments.

Assignments can be performed in either Russian or English.

'''Assignments can be submitted only once!'''

== Useful links ==
[[Тест|.]]
=== Machine learning ===
* [http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница machinelearning.ru]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Video-lectures of K. Vorontsov on machine learning]
* On of the classic ML books. [http://web.stanford.edu/~hastie/local.ftp/Springer/ESLII_print10.pdf Elements of Statistical Learning (Trevor Hastie, Robert Tibshirani, Jerome Friedman)]

=== Python ===
* [http://python.org Official website]
* Libraries: [http://www.numpy.org/ NumPy], [http://pandas.pydata.org/ Pandas], [http://scikit-learn.org/stable/ SciKit-Learn], [http://matplotlib.org/ Matplotlib].
* A little example for the beginners: [http://nbviewer.ipython.org/gist/voron13e02/83a86f2e0fc5e7f8424d краткое руководство с примерами по Python 2]
* Python from scratch: [http://nbviewer.ipython.org/gist/rpmuller/5920182 A Crash Course in Python for Scientists]
* Lectures [https://github.com/jrjohansson/scientific-python-lectures#online-read-only-versions Scientific Python]
* A book: [http://www.cin.ufpe.br/~embat/Python%20for%20Data%20Analysis.pdf Wes McKinney «Python for Data Analysis»]
* [https://github.com/ipython/ipython/wiki/A-gallery-of-interesting-IPython-Notebooks Коллекция интересных IPython ноутбуков]

=== Python installation and configuration ===
* [[Анализ данных (Программная инженерия)/Установка и настройка Python#Windows|Windows]]
* [[Анализ данных (Программная инженерия)/Установка и настройка Python#Mac_OS|Mac OS]]
* [[Анализ данных (Программная инженерия)/Установка и настройка Python#Linux | Linux]]

Тест

2019-10-14T10:55:34Z

Dganenko:

== Любой текст ==

Описание

<gallery>
Файл:СЗ.jpeg|Образец служебной записки
</gallery>

Тест

2019-10-14T10:54:50Z

Dganenko:

== Любой текст ==

<gallery>
Файл:СЗ.jpeg|Образец служебной записки
</gallery>

Data analysis (Software Engineering)

2019-10-09T15:22:54Z

Dganenko: Тест

'''This page is for 2016 year!'''

'''Scores and deadlines: [https://drive.google.com/open?id=1TQ97B8rqC7sUxTnCMKXoskgRPXO8rAyWoBWBezY58h4 here]'''

'''Class email:''' cshse.ml@gmail.com

'''[https://docs.google.com/forms/d/100_gMWQwp41zpHgKuf3fl3SpFSwNj6ggL13DtnxWEEw/viewform Anonymous overall course evaluation form] '''

'''Anonymous feedback form:''' [http://goo.gl/forms/CT3h4QaMeB here]
 

== Announcements ==

===Kaggle evaluation===
Kaggle evaluation [https://docs.google.com/spreadsheets/d/1h90zLpQ2Q8QD_xQLGJLY1xljnLGF175Re4fTMChHFgA/edit?usp=sharing is available here]. Please check that your work is in the list. Presentations were evaluated using [https://inclass.kaggle.com/c/hse-spring2016-stack-overflow/rules the rules of the competition]. In particular - I was expecting to see:
* that you tried different methods
* table with accuracy results of each method
* description how you tuned the parameters of your model (over which grid, with graphs showing accuracy change)
* data analysis and insights described with illustrative visualizations.
* in feature selection: quantitive results how each feature could be helpful/not helpful.

===Exam questions===
Exam questions are published and available [https://yadi.sk/i/Gi_T_R4AsD2aU here].

===Kaggle presentation requirements===
You should send presentations before June 3 (Friday) 23-59. Presentations should be sent to v.v.kitov@yandex.ru. The title should be "HSE kaggle presentation <team name>". On the title page of the presentation you should list all team participants. Presentation should be in pdf or ppt format and have all components listed in [https://inclass.kaggle.com/c/hse-spring2016-stack-overflow/rules competition rules]. Code in py or ipynb format should also be attached to the letter (it may consist of several files).

===Early exam===
On June 6th, 13-40 - 16-30 there will two lessons. They will cover:
1) a consultation before exam. Please read through all the material and come with your questions.
2) Presentations of top-3 kaggle teams with their solutions (15 minutes each). Teams with over 60 submissions are welcome to tell their findings in the data - what worked and what not (10 minutes each). Everybody else is also welcome (not obliged) to participate with short presentations (5-10 minutes) and tell interesting findings in the data and non-standard approaches that you tried (not necessarily successful).

For your convenience there will be a possibility to take exam in data analysis earlier - on June 6th at 16-40. To take exam earlier you need to request participation to e-mail v.v.kitov@yandex.ru. The number of participants is limited. Note that earlier exam will be the same as official exam and they mutually exclude each other, so you need to select in which exam to participate. Exam program will be available soon. Earlier exam schedule is proposed for your convenience - to give you the possibility to fully concentrate on preparation to data analysis exam.

== Course description ==
In this class we consider the main problems of data mining and machine learning: classification, clustering, regression, dimensionality reduction, ranking, collaborative filtering. We will also study mathematical methods and concepts which data analysis is based on as well as formal assumptions behind them and various aspects of their implementation.

A significant attention is given to practical skills of data analysis that will be developed on seminars by studying the Python programming language and relevant libraries for scientific computing.

The knowledge of linear algebra, real analysis and probability theory is required.

'''The class consists of:'''
# Lectures and seminars
# Practical and theoretical homework assignments
# A machine learning competition (more information will be available later)
# Midterm theoretical colloquium
# Final exam

== Events outside the course ==

[https://it.mail.ru/announcements/36/?utm_campaign=newsletter&utm_medium=email&utm_source=newsletter_2742016df Universal recomendation system of mail.ru]

[https://www.youtube.com/channel/UCeq6ZIlvC9SVsfhfKnSvM9w Description of solutions to different competitions on Kaggle]

[http://ria.ru/science/20160514/1432666353.html Neural networks adapt videos to the painting style of famous artists.]

== Syllabus ==

# Introduction to machine learning.
# K-nearest neighbours classification and regression. Extensions. Optimization techniques.
# Decision tree methods.
# Bayesian decision theory. Model evaluation:
# Linear classification methods. Adding regularization to linear methods.
# Regression.
# Kernel generalization of standard methods.
# Neural networks.
# Ensemble methods: bagging, boosting, etc.
# Feature selection.
# Feature extraction
# EM algorithm. Density estimation using mixtures.
# Clustering
# Collaborative filtering
# Ranking

== Lecture materials ==

'''Lecture 1. Introduction to data science and machine learning. '''

[https://yadi.sk/i/RajIebEkmqgzw Download]

Additional materials: [https://yadi.sk/i/x2lrKdbVmr2bf The Field Guide to Data Science], [http://www.machinelearning.ru/wiki/images/f/fc/Voron-ML-Intro-slides.pdf Лекция К.В.Воронцова]

'''Lecture 2. K nearest neighbours method. '''

[https://yadi.sk/i/Od8HM9h-nUWob Download]

Additional materials: [http://www.machinelearning.ru/wiki/images/c/c3/Voron-ML-Metric-slides.pdf Лекция К.В.Воронцова], [http://arxiv.org/pdf/1306.6709v4.pdf Metric learning survey]

'''Lecture 3. Decision trees. '''

[https://yadi.sk/i/-vPl2vaBqXrt5 Download]

Additional materials: ''Webb, Copsey "Statistical Pattern Recognition", chapter 7.2.''

'''Lecture 4a. Model evaluation. '''

Binary quality measures. ROC curve, AUC.

[https://yadi.sk/i/7V7U_1QtnfYZQ Download]

Additional materials: ''Webb, Copsey "Statistical Pattern Recognition", chapter 9.''

'''Lecture 4b. Bayes minimum cost classification. '''

Case of general losses, common within-class losses and 0,1 losses. Gaussian classifier.

[https://yadi.sk/i/6jIvLiYMosuz5 Download]

'''Lecture 5. Linear classifiers. '''

Discriminant function. Invariance to monotonous transformations for them. Definition for multi-class and binary class cases.

[https://yadi.sk/i/0IQ6P3LDoqpRk Download]

Additional materials: [http://www.machinelearning.ru/wiki/images/5/53/Voron-ML-Lin-SG.pdf Лекции К.В.Воронцова по линейным методам классификации]

'''Lecture 6. Support vector machines. '''

Linear separable and linearly non-separable case. Equivalent definition with loss function. Support vectors and non-informative vectors.

[https://yadi.sk/i/baP7gbWXoqpTE Download]

'''Lecture 7. Kernel trick. '''

Application of kernel trick to SVM. Gaussian, polynomial kernels.

[https://yadi.sk/i/3W6A9FmZoqpU9 Download]

'''Lecture 8. Regression. '''

Linear regression and extensions: weighted regression, robust regression, different loss-functions, regression with non-linear features, locally-constant (Nadaraya-Watson) regression.

[https://yadi.sk/i/HSp51pmepjQBq Download]

'''Lecture 9. Boosting. '''

Forward stagewise additive modelling. AdaBoost. Gradient boosting.

[https://yadi.sk/i/3yTKLDcCpjLhG Download]

Additional materials:

[http://statweb.stanford.edu/~tibs/ElemStatLearn/ Friedman, Hastie, Tibshirani "The Elements of Statistical Learning"] - section 10: Boosting and additive trees.,

[http://www.recognition.mccme.ru/pub/RecognitionLab.html/slbook.pdf Мерков "Введение в методы статистического обучения"] - секция 4: Линейные комбинации распознавателей.

'''Lecture 10. Ensemble methods. '''

Motivation. Bias-variance tradeoff. Bagging, RandomForest, ExtraRandomTrees. Stacking.

[https://yadi.sk/i/8E-wZxIpq9Sgf Download]

'''Lectures 11, 12. Summary. '''

'''Lecture 13. Feature selection. '''

[https://yadi.sk/i/2ZLC3J6dr3iAc Download]

'''Lecture 14. Principal components analysis. '''

[https://yadi.sk/i/6DxoScrKrN3LK Download]

'''Lecture 14. Singular values decomposition. '''

[https://yadi.sk/i/zwJftdkUrN6Td Download] - updated pages 17,18,19.

'''Lecture 15. Working with text. '''

[https://yadi.sk/i/YqdRr-0erEXba Download]

'''Lecture 16. Neural networks. '''

[https://yadi.sk/i/9yMM7mkrrEXbc Download]

'''Lecture 17. Parametric distributions. '''

[https://yadi.sk/i/D33hdVXTrkxDN Download]

'''Lecture 18. Clustering. '''

[https://yadi.sk/i/3DJY4Oo7rkxEW Download]

'''Lecture 19. Mixture densities, EM-algorithm. ''' - updated.

[https://yadi.sk/i/22wLOL2krkxGL Download]

'''Lecture 20. Recommender systems. '''

[https://yadi.sk/i/mMhaZlqLrvjph Download]

'''Lecture 21. Kernel density estimation. '''

[https://yadi.sk/i/zF7ZPyTCsAjFH Download]

== Seminars ==

'''Seminar 1. Introduction to Data Analysis in Python '''

[https://drive.google.com/open?id=0B7TWwiIrcJstdkJyam9rNHpEcDg Practical task 1], [https://drive.google.com/open?id=0B7TWwiIrcJstQldxcThZRnF3ZVk data]

Additional materials: [http://nbviewer.ipython.org/gist/anonymous/fba8bf7f1ad379df9d63 1], [https://drive.google.com/open?id=0B7TWwiIrcJstRzVRSlRFcEl3VGM 2]

'''Seminar 2. kNN '''

[https://drive.google.com/open?id=0B7TWwiIrcJstbGRxREhGeDBNd3M Theoretical task 2], [https://drive.google.com/open?id=0B7TWwiIrcJstNXVXYTcydUMzUUk Practical task 2], [https://drive.google.com/open?id=0B7TWwiIrcJstTXUyYUstMmJNckk data]

Additional materials: [http://ogrisel.github.io/scikit-learn.org/sklearn-tutorial/auto_examples/tutorial/plot_knn_iris.html Visualization tutorial]

'''Seminar 3. Decision trees '''

[https://drive.google.com/file/d/0B7TWwiIrcJstbmFmMmE5bWh2Y28/view?usp=sharing Theoretical task 3]

'''Seminar 4. Linear classifiers '''

[https://drive.google.com/file/d/0B7TWwiIrcJstc1J4SnRWTnlxZlE/view?usp=sharing Theoretical task 4], [https://drive.google.com/file/d/0B7TWwiIrcJstckZCN1pYcEo2NW8/view?usp=sharing Practical task 4], [https://drive.google.com/file/d/0B7TWwiIrcJstM3VSQTVrYWhqYk0/view?usp=sharing first dataset], [https://drive.google.com/file/d/0B7TWwiIrcJstN0VOUV9PcDc1ZlE/view?usp=sharing diabetes dataset]

UPD: At all parts of practical task 4 you should use GD and SGD functions that you program at the fisrt part!

''Deadline for this practical task has been changed for some groups! Check it in the table!''

'''Seminar 5. Model evaluation '''

[https://drive.google.com/file/d/0B7TWwiIrcJstdTFST0Z4UkRoaEk/view?usp=sharing Theoretical task 5]

'''Seminar 6. Bayesian decision rule '''

[https://drive.google.com/file/d/0B7TWwiIrcJstWF9zcllDU01ZY2M/view?usp=sharing Theoretical task 6], [https://drive.google.com/file/d/0B7TWwiIrcJstSHRKcFlVcy1xd3M/view?usp=sharing Practical task 6], [https://drive.google.com/file/d/0B7TWwiIrcJstVlhBdGZYMm94SHc/view?usp=sharing data]

Practical task 6 was completed: the last part was described in more details + there are two small corrections in the first part (they are in bold font). Read it carefully!

'''Deadline for this practical task has been changed for all groups! Check it in the table!'''

'''Seminar 7. SVM and kernel trick '''

[https://drive.google.com/file/d/0B7TWwiIrcJstUGhEX2QxV1gycDA/view?usp=sharing Theoretical task 7]

Additional materials: [http://www.ccas.ru/voron/download/SVM.pdf Лекция К.В. Воронцова по SVM]

'''Seminar 8. Regression '''

[https://drive.google.com/file/d/0B7TWwiIrcJstNkE0dVJscGFSOEE/view?usp=sharing Theoretical task 8]

'''Seminar 9. Boosting '''

[https://drive.google.com/file/d/0B7TWwiIrcJstVkx2Z0tGbi1yNFE/view?usp=sharing Practical task 9],
[https://drive.google.com/file/d/0B7TWwiIrcJstelRydjBUcUlleUk/view?usp=sharing data]

'''Seminar 10. Ensemble methods '''

[https://drive.google.com/file/d/0B7TWwiIrcJstR28zVlN3OUZJTEU/view?usp=sharing Theoretical task 10]

''Problem 2: a small typo was corrected in the loss function formula.''

'''Seminar 11. Summary'''

'''Seminar 12. How to solve practical problems'''

[https://inclass.kaggle.com/c/cmc-msu-machine-learning-spring-2015-2016-dota-competition Dota Competition from the seminar], [https://drive.google.com/file/d/0B7TWwiIrcJstVnF0RVkzc1c1TVE/view?usp=sharing ipython notebook]

'''Seminar 13. Feature selection'''

[https://drive.google.com/file/d/0B7TWwiIrcJstTUU4OGFnQzBPa3c/view?usp=sharing Theoretical task 13], [https://drive.google.com/file/d/0B7TWwiIrcJstM3JkWnhtQ2YzZms/view?usp=sharing Practical task 13]

''Practical task is completed.''

'''Seminar 14. Feature extraction'''

You can read about computing PCA through SVD at the end of [https://drive.google.com/file/d/0B7TWwiIrcJstWFFSOUI5aTRBM00/view?usp=sharing this paper].

'''Seminar 15. Neural networks'''

[https://drive.google.com/file/d/0B0s4HdnpuPdxbk4yeXZyVi10dVE/view?usp=sharing Practical task 15],
[https://www.dropbox.com/s/r0u3xh5ybtstw9c/mnist.zip?dl=0 Data],
[https://drive.google.com/file/d/0B7TWwiIrcJstX1FzMWhQdmdGekk/view?usp=sharing Data in csv format],
[https://drive.google.com/file/d/0B0QWEJMlsxfRS2lWSkR5LVc2MzA/view?usp=sharing Censored training set],
[https://drive.google.com/file/d/0B0QWEJMlsxfRZmlHVHdlYWdQSTQ/view?usp=sharing Theoretical task 15]

Additional materials: [https://drive.google.com/file/d/0B7TWwiIrcJstd3pOWjcwUUNOaUk/view?usp=sharing Backpropagation], [http://pybrain.org/docs/ PyBrain’s documentation], [https://drive.google.com/file/d/0B7TWwiIrcJstSGp0SzNTa1RJeTQ/view?usp=sharing PyBrain example from the seminar]

''New data files have been uploaded (there were some problems with reading old ones). Therefore deadline has been changed for some groups! Check it in the table!''

If you have MemoryError then read only part of training data from csv files (for example, 30000 objects). You can download '''censored training set''' (find link above) or use the following code:

mnist_train = np.loadtxt('mnist_train.csv', delimiter=',') 
train_data = ClassificationDataSet(28*28, nb_classes=10) 
for i in xrange(len(mnist_train)): 
:train_data.appendLinked(mnist_train[i, 1:] / 255., int(mnist_train[i, 0])) 
train_data._convertToOneOfMany() 

mnist_test = np.loadtxt('mnist_test.csv', delimiter=',') 
test_data = ClassificationDataSet(28*28, nb_classes=10) 
for i in xrange(len(mnist_test)): 
:test_data.appendLinked(mnist_test[i, 1:] / 255., int(mnist_test[i, 0])) 
test_data._convertToOneOfMany()

'''Seminar 16. Clustering'''

[https://drive.google.com/file/d/0B0QWEJMlsxfRRy1fd1RNVVhpMm8/view?usp=sharing Theoretical task 16], [https://drive.google.com/file/d/0B7TWwiIrcJstM1l5M3kwNDFZQlU/view?usp=sharing Practical task 16], [https://drive.google.com/file/d/0B7TWwiIrcJstZ2xIRU00dTB0OHc/view?usp=sharing parrots.jpg], [https://drive.google.com/file/d/0B7TWwiIrcJstb0RDc0RiQ1M3OXc/view?usp=sharing grass.jpg]

'''Seminar 17. Clustering, EM-algorithm'''

[https://drive.google.com/file/d/0B0s4HdnpuPdxLWJjUEtCVVNFa00/view?usp=sharing Theoretical task 17]

'''Seminar 18. Recommender systems'''

[https://drive.google.com/file/d/0B7TWwiIrcJstWkt3Qk5Cb0FWTUk/view?usp=sharing Theoretical task 18],[https://drive.google.com/file/d/0B7TWwiIrcJstbW5Sd3hBMjNoNkE/view?usp=sharing Practical task 18], [https://www.dropbox.com/s/5as2k79dhajtw7n/data.zip?dl=0, data]

Additional materials: [https://www.semanticscholar.org/paper/Factorization-Machines-Rendle/2ef7d506b25731d0f3ec0c8f90b718b6e5bbd069/pdf Factorization Machines]

Columns in the data: 0 - user, 1 - item, 2 - rating, 3 - time (you don't need this one).

In the practical task you should train models on the train data (base) and evaluate on the test data.

== Evaluation criteria ==
The course lasts during the 3rd and 4th modules. Knowledge of students is assessed by evaluation of their home assignments and exams. Home assignments divide into theoretical tasks and practical tasks. There are two exams during the course – after the 3rd module and after the 4th module respectively. Each of the exams evaluates theoretical knowledge and understanding of the material studied during the respective module.

Grade takes values 4,5,…10. Grades, corresponding to 1,2,3 are assumed unsatisfactory. Exact grades are calculated using the following rule:

* '''score''' ≥ 35% => 4,
* '''score''' ≥ 45% => 5,
* ...
* '''score''' ≥ 95% => 10,

where '''score''' is calculated using the following rule:

'''score''' = 0.6 * Shomework + 0.2 * Sexam1 + 0.2 * Sexam2 + 0.2 * Scompetition

* Shomework – proportion of correctly solved homework,
* Sexam1 – proportion of successfully answered theoretical questions during exam after module 3,
* Sexam2 – proportion of successfully answered theoretical questions during exam after module 4,
* Scompetition – score for the competition in machine learning (it's also from 0 to 1).

Participation in machine learning competition is optional and can give students extra points.

== Plagiarism ==
In case of discovered plagiarism zero points will be set for the home assignemets - for both works, which were found to be identical. In case of repeated plagiarism by one and the same person a report to the dean will be made.

== Deadlines ==

All the deadlines can be found in the second tab [https://drive.google.com/open?id=1TQ97B8rqC7sUxTnCMKXoskgRPXO8rAyWoBWBezY58h4 here].

We have two deadlines for each assignments: normal and late. An assignment sent prior to normal deadline is scored with no penalty. The maximum score is penalized by 50% for assignments sent in between of the normal and the late deadline. Assignments sent after late deadlines will not be scored (assigned with zero score) in the absence of legitimate reasons for late submission which do not include high load on other classes.

Standard period for working on a homework assignment is 2 and 4 weeks (normal and late deadlines correspondingly) for practical assignments and 1 and 2 weeks for theoretical ones. The first practical assignment is an exception.

'''Deadline time:''' 23:59 of the day before seminar (Sunday for students attending Monday seminars and Wednesday for students that have seminars on Thursday).

== Structure of emails and homework submissions ==
All the questions and submissions must be addressed to '''cshse.ml@gmail.com'''.
The following subjects must be used:
* For ''questions'' (general, regarding assignments, etc): "Question - Surname Name - Group(subgroup)"
* For ''homework submissions'': "Practice/Theory {Lab number} - Surname Name - Group(subgroup)"

''Example'': Practice 1 - Ivanov Ivan - 131(1)

If you want to address a particular teacher, mention his name in the subject.

''Example'': Question - Ivanov Ivan - 131(1) - Ekaterina

Please do not mix two different topics in a single email such as theoretical and practical assignments etc. When replying, please use the '''same''' thread (i.e. reply to the same email).

Practical assignments must be implemented in ipython notebook format, theoretical ones in pdf. Practical assignments must use '''Python 2.7'''. Use your surname as a filename for assignments (e.g. Ivanov.ipynb). Do not archive your assignments.

Assignments can be performed in either Russian or English.

'''Assignments can be submitted only once!'''

== Useful links ==
[[Тест|.]]
=== Machine learning ===
* [http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница machinelearning.ru]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Video-lectures of K. Vorontsov on machine learning]
* On of the classic ML books. [http://web.stanford.edu/~hastie/local.ftp/Springer/ESLII_print10.pdf Elements of Statistical Learning (Trevor Hastie, Robert Tibshirani, Jerome Friedman)]

=== Python ===
* [http://python.org Official website]
* Libraries: [http://www.numpy.org/ NumPy], [http://pandas.pydata.org/ Pandas], [http://scikit-learn.org/stable/ SciKit-Learn], [http://matplotlib.org/ Matplotlib].
* A little example for the begginers: [http://nbviewer.ipython.org/gist/voron13e02/83a86f2e0fc5e7f8424d краткое руководство с примерами по Python 2]
* Python from scratch: [http://nbviewer.ipython.org/gist/rpmuller/5920182 A Crash Course in Python for Scientists]
* Lectures [https://github.com/jrjohansson/scientific-python-lectures#online-read-only-versions Scientific Python]
* A book: [http://www.cin.ufpe.br/~embat/Python%20for%20Data%20Analysis.pdf Wes McKinney «Python for Data Analysis»]
* [https://github.com/ipython/ipython/wiki/A-gallery-of-interesting-IPython-Notebooks Коллекция интересных IPython ноутбуков]

=== Python installation and configuration ===
* [[Анализ данных (Программная инженерия)/Установка и настройка Python#Windows|Windows]]
* [[Анализ данных (Программная инженерия)/Установка и настройка Python#Mac_OS|Mac OS]]
* [[Анализ данных (Программная инженерия)/Установка и настройка Python#Linux | Linux]]

Data analysis (Software Engineering)

2019-10-09T15:21:52Z

Dganenko: Тест

'''This page is for 2016 year!'''

'''Scores and deadlines: [https://drive.google.com/open?id=1TQ97B8rqC7sUxTnCMKXoskgRPXO8rAyWoBWBezY58h4 here]'''

'''Class email:''' cshse.ml@gmail.com

'''[https://docs.google.com/forms/d/100_gMWQwp41zpHgKuf3fl3SpFSwNj6ggL13DtnxWEEw/viewform Anonymous overall course evaluation form] '''

'''Anonymous feedback form:''' [http://goo.gl/forms/CT3h4QaMeB here]
 

== Announcements ==

===Kaggle evaluation===
Kaggle evaluation [https://docs.google.com/spreadsheets/d/1h90zLpQ2Q8QD_xQLGJLY1xljnLGF175Re4fTMChHFgA/edit?usp=sharing is available here]. Please check that your work is in the list. Presentations were evaluated using [https://inclass.kaggle.com/c/hse-spring2016-stack-overflow/rules the rules of the competition]. In particular - I was expecting to see:
* that you tried different methods
* table with accuracy results of each method
* description how you tuned the parameters of your model (over which grid, with graphs showing accuracy change)
* data analysis and insights described with illustrative visualizations.
* in feature selection: quantitive results how each feature could be helpful/not helpful.

===Exam questions===
Exam questions are published and available [https://yadi.sk/i/Gi_T_R4AsD2aU here].

===Kaggle presentation requirements===
You should send presentations before June 3 (Friday) 23-59. Presentations should be sent to v.v.kitov@yandex.ru. The title should be "HSE kaggle presentation <team name>". On the title page of the presentation you should list all team participants. Presentation should be in pdf or ppt format and have all components listed in [https://inclass.kaggle.com/c/hse-spring2016-stack-overflow/rules competition rules]. Code in py or ipynb format should also be attached to the letter (it may consist of several files).

===Early exam===
On June 6th, 13-40 - 16-30 there will two lessons. They will cover:
1) a consultation before exam. Please read through all the material and come with your questions.
2) Presentations of top-3 kaggle teams with their solutions (15 minutes each). Teams with over 60 submissions are welcome to tell their findings in the data - what worked and what not (10 minutes each). Everybody else is also welcome (not obliged) to participate with short presentations (5-10 minutes) and tell interesting findings in the data and non-standard approaches that you tried (not necessarily successful).

For your convenience there will be a possibility to take exam in data analysis earlier - on June 6th at 16-40. To take exam earlier you need to request participation to e-mail v.v.kitov@yandex.ru. The number of participants is limited. Note that earlier exam will be the same as official exam and they mutually exclude each other, so you need to select in which exam to participate. Exam program will be available soon. Earlier exam schedule is proposed for your convenience - to give you the possibility to fully concentrate on preparation to data analysis exam.

== Course description ==
In this class we consider the main problems of data mining and machine learning: classification, clustering, regression, dimensionality reduction, ranking, collaborative filtering. We will also study mathematical methods and concepts which data analysis is based on as well as formal assumptions behind them and various aspects of their implementation.

A significant attention is given to practical skills of data analysis that will be developed on seminars by studying the Python programming language and relevant libraries for scientific computing.

The knowledge of linear algebra, real analysis and probability theory is required.

'''The class consists of:'''
# Lectures and seminars
# Practical and theoretical homework assignments
# A machine learning competition (more information will be available later)
# Midterm theoretical colloquium
# Final exam

== Events outside the course ==

[https://it.mail.ru/announcements/36/?utm_campaign=newsletter&utm_medium=email&utm_source=newsletter_2742016df Universal recomendation system of mail.ru]

[https://www.youtube.com/channel/UCeq6ZIlvC9SVsfhfKnSvM9w Description of solutions to different competitions on Kaggle]

[http://ria.ru/science/20160514/1432666353.html Neural networks adapt videos to the painting style of famous artists.]

== Syllabus ==

# Introduction to machine learning.
# K-nearest neighbours classification and regression. Extensions. Optimization techniques.
# Decision tree methods.
# Bayesian decision theory. Model evaluation:
# Linear classification methods. Adding regularization to linear methods.
# Regression.
# Kernel generalization of standard methods.
# Neural networks.
# Ensemble methods: bagging, boosting, etc.
# Feature selection.
# Feature extraction
# EM algorithm. Density estimation using mixtures.
# Clustering
# Collaborative filtering
# Ranking

== Lecture materials ==

'''Lecture 1. Introduction to data science and machine learning. '''

[https://yadi.sk/i/RajIebEkmqgzw Download]

Additional materials: [https://yadi.sk/i/x2lrKdbVmr2bf The Field Guide to Data Science], [http://www.machinelearning.ru/wiki/images/f/fc/Voron-ML-Intro-slides.pdf Лекция К.В.Воронцова]

'''Lecture 2. K nearest neighbours method. '''

[https://yadi.sk/i/Od8HM9h-nUWob Download]

Additional materials: [http://www.machinelearning.ru/wiki/images/c/c3/Voron-ML-Metric-slides.pdf Лекция К.В.Воронцова], [http://arxiv.org/pdf/1306.6709v4.pdf Metric learning survey]

'''Lecture 3. Decision trees. '''

[https://yadi.sk/i/-vPl2vaBqXrt5 Download]

Additional materials: ''Webb, Copsey "Statistical Pattern Recognition", chapter 7.2.''

'''Lecture 4a. Model evaluation. '''

Binary quality measures. ROC curve, AUC.

[https://yadi.sk/i/7V7U_1QtnfYZQ Download]

Additional materials: ''Webb, Copsey "Statistical Pattern Recognition", chapter 9.''

'''Lecture 4b. Bayes minimum cost classification. '''

Case of general losses, common within-class losses and 0,1 losses. Gaussian classifier.

[https://yadi.sk/i/6jIvLiYMosuz5 Download]

'''Lecture 5. Linear classifiers. '''

Discriminant function. Invariance to monotonous transformations for them. Definition for multi-class and binary class cases.

[https://yadi.sk/i/0IQ6P3LDoqpRk Download]

Additional materials: [http://www.machinelearning.ru/wiki/images/5/53/Voron-ML-Lin-SG.pdf Лекции К.В.Воронцова по линейным методам классификации]

'''Lecture 6. Support vector machines. '''

Linear separable and linearly non-separable case. Equivalent definition with loss function. Support vectors and non-informative vectors.

[https://yadi.sk/i/baP7gbWXoqpTE Download]

'''Lecture 7. Kernel trick. '''

Application of kernel trick to SVM. Gaussian, polynomial kernels.

[https://yadi.sk/i/3W6A9FmZoqpU9 Download]

'''Lecture 8. Regression. '''

Linear regression and extensions: weighted regression, robust regression, different loss-functions, regression with non-linear features, locally-constant (Nadaraya-Watson) regression.

[https://yadi.sk/i/HSp51pmepjQBq Download]

'''Lecture 9. Boosting. '''

Forward stagewise additive modelling. AdaBoost. Gradient boosting.

[https://yadi.sk/i/3yTKLDcCpjLhG Download]

Additional materials:

[http://statweb.stanford.edu/~tibs/ElemStatLearn/ Friedman, Hastie, Tibshirani "The Elements of Statistical Learning"] - section 10: Boosting and additive trees.,

[http://www.recognition.mccme.ru/pub/RecognitionLab.html/slbook.pdf Мерков "Введение в методы статистического обучения"] - секция 4: Линейные комбинации распознавателей.

'''Lecture 10. Ensemble methods. '''

Motivation. Bias-variance tradeoff. Bagging, RandomForest, ExtraRandomTrees. Stacking.

[https://yadi.sk/i/8E-wZxIpq9Sgf Download]

'''Lectures 11, 12. Summary. '''

'''Lecture 13. Feature selection. '''

[https://yadi.sk/i/2ZLC3J6dr3iAc Download]

'''Lecture 14. Principal components analysis. '''

[https://yadi.sk/i/6DxoScrKrN3LK Download]

'''Lecture 14. Singular values decomposition. '''

[https://yadi.sk/i/zwJftdkUrN6Td Download] - updated pages 17,18,19.

'''Lecture 15. Working with text. '''

[https://yadi.sk/i/YqdRr-0erEXba Download]

'''Lecture 16. Neural networks. '''

[https://yadi.sk/i/9yMM7mkrrEXbc Download]

'''Lecture 17. Parametric distributions. '''

[https://yadi.sk/i/D33hdVXTrkxDN Download]

'''Lecture 18. Clustering. '''

[https://yadi.sk/i/3DJY4Oo7rkxEW Download]

'''Lecture 19. Mixture densities, EM-algorithm. ''' - updated.

[https://yadi.sk/i/22wLOL2krkxGL Download]

'''Lecture 20. Recommender systems. '''

[https://yadi.sk/i/mMhaZlqLrvjph Download]

'''Lecture 21. Kernel density estimation. '''

[https://yadi.sk/i/zF7ZPyTCsAjFH Download]

== Seminars ==

'''Seminar 1. Introduction to Data Analysis in Python '''

[https://drive.google.com/open?id=0B7TWwiIrcJstdkJyam9rNHpEcDg Practical task 1], [https://drive.google.com/open?id=0B7TWwiIrcJstQldxcThZRnF3ZVk data]

Additional materials: [http://nbviewer.ipython.org/gist/anonymous/fba8bf7f1ad379df9d63 1], [https://drive.google.com/open?id=0B7TWwiIrcJstRzVRSlRFcEl3VGM 2]

'''Seminar 2. kNN '''

[https://drive.google.com/open?id=0B7TWwiIrcJstbGRxREhGeDBNd3M Theoretical task 2], [https://drive.google.com/open?id=0B7TWwiIrcJstNXVXYTcydUMzUUk Practical task 2], [https://drive.google.com/open?id=0B7TWwiIrcJstTXUyYUstMmJNckk data]

Additional materials: [http://ogrisel.github.io/scikit-learn.org/sklearn-tutorial/auto_examples/tutorial/plot_knn_iris.html Visualization tutorial]

'''Seminar 3. Decision trees '''

[https://drive.google.com/file/d/0B7TWwiIrcJstbmFmMmE5bWh2Y28/view?usp=sharing Theoretical task 3]

'''Seminar 4. Linear classifiers '''

[https://drive.google.com/file/d/0B7TWwiIrcJstc1J4SnRWTnlxZlE/view?usp=sharing Theoretical task 4], [https://drive.google.com/file/d/0B7TWwiIrcJstckZCN1pYcEo2NW8/view?usp=sharing Practical task 4], [https://drive.google.com/file/d/0B7TWwiIrcJstM3VSQTVrYWhqYk0/view?usp=sharing first dataset], [https://drive.google.com/file/d/0B7TWwiIrcJstN0VOUV9PcDc1ZlE/view?usp=sharing diabetes dataset]

UPD: At all parts of practical task 4 you should use GD and SGD functions that you program at the fisrt part!

''Deadline for this practical task has been changed for some groups! Check it in the table!''

'''Seminar 5. Model evaluation '''

[https://drive.google.com/file/d/0B7TWwiIrcJstdTFST0Z4UkRoaEk/view?usp=sharing Theoretical task 5]

'''Seminar 6. Bayesian decision rule '''

[https://drive.google.com/file/d/0B7TWwiIrcJstWF9zcllDU01ZY2M/view?usp=sharing Theoretical task 6], [https://drive.google.com/file/d/0B7TWwiIrcJstSHRKcFlVcy1xd3M/view?usp=sharing Practical task 6], [https://drive.google.com/file/d/0B7TWwiIrcJstVlhBdGZYMm94SHc/view?usp=sharing data]

Practical task 6 was completed: the last part was described in more details + there are two small corrections in the first part (they are in bold font). Read it carefully!

'''Deadline for this practical task has been changed for all groups! Check it in the table!'''

'''Seminar 7. SVM and kernel trick '''

[https://drive.google.com/file/d/0B7TWwiIrcJstUGhEX2QxV1gycDA/view?usp=sharing Theoretical task 7]

Additional materials: [http://www.ccas.ru/voron/download/SVM.pdf Лекция К.В. Воронцова по SVM]

'''Seminar 8. Regression '''

[https://drive.google.com/file/d/0B7TWwiIrcJstNkE0dVJscGFSOEE/view?usp=sharing Theoretical task 8]

'''Seminar 9. Boosting '''

[https://drive.google.com/file/d/0B7TWwiIrcJstVkx2Z0tGbi1yNFE/view?usp=sharing Practical task 9],
[https://drive.google.com/file/d/0B7TWwiIrcJstelRydjBUcUlleUk/view?usp=sharing data]

'''Seminar 10. Ensemble methods '''

[https://drive.google.com/file/d/0B7TWwiIrcJstR28zVlN3OUZJTEU/view?usp=sharing Theoretical task 10]

''Problem 2: a small typo was corrected in the loss function formula.''

'''Seminar 11. Summary'''

'''Seminar 12. How to solve practical problems'''

[https://inclass.kaggle.com/c/cmc-msu-machine-learning-spring-2015-2016-dota-competition Dota Competition from the seminar], [https://drive.google.com/file/d/0B7TWwiIrcJstVnF0RVkzc1c1TVE/view?usp=sharing ipython notebook]

'''Seminar 13. Feature selection'''

[https://drive.google.com/file/d/0B7TWwiIrcJstTUU4OGFnQzBPa3c/view?usp=sharing Theoretical task 13], [https://drive.google.com/file/d/0B7TWwiIrcJstM3JkWnhtQ2YzZms/view?usp=sharing Practical task 13]

''Practical task is completed.''

'''Seminar 14. Feature extraction'''

You can read about computing PCA through SVD at the end of [https://drive.google.com/file/d/0B7TWwiIrcJstWFFSOUI5aTRBM00/view?usp=sharing this paper].

'''Seminar 15. Neural networks'''

[https://drive.google.com/file/d/0B0s4HdnpuPdxbk4yeXZyVi10dVE/view?usp=sharing Practical task 15],
[https://www.dropbox.com/s/r0u3xh5ybtstw9c/mnist.zip?dl=0 Data],
[https://drive.google.com/file/d/0B7TWwiIrcJstX1FzMWhQdmdGekk/view?usp=sharing Data in csv format],
[https://drive.google.com/file/d/0B0QWEJMlsxfRS2lWSkR5LVc2MzA/view?usp=sharing Censored training set],
[https://drive.google.com/file/d/0B0QWEJMlsxfRZmlHVHdlYWdQSTQ/view?usp=sharing Theoretical task 15]

Additional materials: [https://drive.google.com/file/d/0B7TWwiIrcJstd3pOWjcwUUNOaUk/view?usp=sharing Backpropagation], [http://pybrain.org/docs/ PyBrain’s documentation], [https://drive.google.com/file/d/0B7TWwiIrcJstSGp0SzNTa1RJeTQ/view?usp=sharing PyBrain example from the seminar]

''New data files have been uploaded (there were some problems with reading old ones). Therefore deadline has been changed for some groups! Check it in the table!''

If you have MemoryError then read only part of training data from csv files (for example, 30000 objects). You can download '''censored training set''' (find link above) or use the following code:

mnist_train = np.loadtxt('mnist_train.csv', delimiter=',') 
train_data = ClassificationDataSet(28*28, nb_classes=10) 
for i in xrange(len(mnist_train)): 
:train_data.appendLinked(mnist_train[i, 1:] / 255., int(mnist_train[i, 0])) 
train_data._convertToOneOfMany() 

mnist_test = np.loadtxt('mnist_test.csv', delimiter=',') 
test_data = ClassificationDataSet(28*28, nb_classes=10) 
for i in xrange(len(mnist_test)): 
:test_data.appendLinked(mnist_test[i, 1:] / 255., int(mnist_test[i, 0])) 
test_data._convertToOneOfMany()

'''Seminar 16. Clustering'''

[https://drive.google.com/file/d/0B0QWEJMlsxfRRy1fd1RNVVhpMm8/view?usp=sharing Theoretical task 16], [https://drive.google.com/file/d/0B7TWwiIrcJstM1l5M3kwNDFZQlU/view?usp=sharing Practical task 16], [https://drive.google.com/file/d/0B7TWwiIrcJstZ2xIRU00dTB0OHc/view?usp=sharing parrots.jpg], [https://drive.google.com/file/d/0B7TWwiIrcJstb0RDc0RiQ1M3OXc/view?usp=sharing grass.jpg]

'''Seminar 17. Clustering, EM-algorithm'''

[https://drive.google.com/file/d/0B0s4HdnpuPdxLWJjUEtCVVNFa00/view?usp=sharing Theoretical task 17]

'''Seminar 18. Recommender systems'''

[https://drive.google.com/file/d/0B7TWwiIrcJstWkt3Qk5Cb0FWTUk/view?usp=sharing Theoretical task 18],[https://drive.google.com/file/d/0B7TWwiIrcJstbW5Sd3hBMjNoNkE/view?usp=sharing Practical task 18], [https://www.dropbox.com/s/5as2k79dhajtw7n/data.zip?dl=0, data]

Additional materials: [https://www.semanticscholar.org/paper/Factorization-Machines-Rendle/2ef7d506b25731d0f3ec0c8f90b718b6e5bbd069/pdf Factorization Machines]

Columns in the data: 0 - user, 1 - item, 2 - rating, 3 - time (you don't need this one).

In the practical task you should train models on the train data (base) and evaluate on the test data.

== Evaluation criteria ==
The course lasts during the 3rd and 4th modules. Knowledge of students is assessed by evaluation of their home assignments and exams. Home assignments divide into theoretical tasks and practical tasks. There are two exams during the course – after the 3rd module and after the 4th module respectively. Each of the exams evaluates theoretical knowledge and understanding of the material studied during the respective module.

Grade takes values 4,5,…10. Grades, corresponding to 1,2,3 are assumed unsatisfactory. Exact grades are calculated using the following rule:

* '''score''' ≥ 35% => 4,
* '''score''' ≥ 45% => 5,
* ...
* '''score''' ≥ 95% => 10,

where '''score''' is calculated using the following rule:

'''score''' = 0.6 * Shomework + 0.2 * Sexam1 + 0.2 * Sexam2 + 0.2 * Scompetition

* Shomework – proportion of correctly solved homework,
* Sexam1 – proportion of successfully answered theoretical questions during exam after module 3,
* Sexam2 – proportion of successfully answered theoretical questions during exam after module 4,
* Scompetition – score for the competition in machine learning (it's also from 0 to 1).

Participation in machine learning competition is optional and can give students extra points.

== Plagiarism ==
In case of discovered plagiarism zero points will be set for the home assignemets - for both works, which were found to be identical. In case of repeated plagiarism by one and the same person a report to the dean will be made.

== Deadlines ==

All the deadlines can be found in the second tab [https://drive.google.com/open?id=1TQ97B8rqC7sUxTnCMKXoskgRPXO8rAyWoBWBezY58h4 here].

We have two deadlines for each assignments: normal and late. An assignment sent prior to normal deadline is scored with no penalty. The maximum score is penalized by 50% for assignments sent in between of the normal and the late deadline. Assignments sent after late deadlines will not be scored (assigned with zero score) in the absence of legitimate reasons for late submission which do not include high load on other classes.

Standard period for working on a homework assignment is 2 and 4 weeks (normal and late deadlines correspondingly) for practical assignments and 1 and 2 weeks for theoretical ones. The first practical assignment is an exception.

'''Deadline time:''' 23:59 of the day before seminar (Sunday for students attending Monday seminars and Wednesday for students that have seminars on Thursday).

== Structure of emails and homework submissions ==
All the questions and submissions must be addressed to '''cshse.ml@gmail.com'''.
The following subjects must be used:
* For ''questions'' (general, regarding assignments, etc): "Question - Surname Name - Group(subgroup)"
* For ''homework submissions'': "Practice/Theory {Lab number} - Surname Name - Group(subgroup)"

''Example'': Practice 1 - Ivanov Ivan - 131(1)

If you want to address a particular teacher, mention his name in the subject.

''Example'': Question - Ivanov Ivan - 131(1) - Ekaterina

Please do not mix two different topics in a single email such as theoretical and practical assignments etc. When replying, please use the '''same''' thread (i.e. reply to the same email).

Practical assignments must be implemented in ipython notebook format, theoretical ones in pdf. Practical assignments must use '''Python 2.7'''. Use your surname as a filename for assignments (e.g. Ivanov.ipynb). Do not archive your assignments.

Assignments can be performed in either Russian or English.

'''Assignments can be submitted only once!'''

== Useful links ==
[[Тест|Т]]
=== Machine learning ===
* [http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница machinelearning.ru]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Video-lectures of K. Vorontsov on machine learning]
* On of the classic ML books. [http://web.stanford.edu/~hastie/local.ftp/Springer/ESLII_print10.pdf Elements of Statistical Learning (Trevor Hastie, Robert Tibshirani, Jerome Friedman)]

=== Python ===
* [http://python.org Official website]
* Libraries: [http://www.numpy.org/ NumPy], [http://pandas.pydata.org/ Pandas], [http://scikit-learn.org/stable/ SciKit-Learn], [http://matplotlib.org/ Matplotlib].
* A little example for the begginers: [http://nbviewer.ipython.org/gist/voron13e02/83a86f2e0fc5e7f8424d краткое руководство с примерами по Python 2]
* Python from scratch: [http://nbviewer.ipython.org/gist/rpmuller/5920182 A Crash Course in Python for Scientists]
* Lectures [https://github.com/jrjohansson/scientific-python-lectures#online-read-only-versions Scientific Python]
* A book: [http://www.cin.ufpe.br/~embat/Python%20for%20Data%20Analysis.pdf Wes McKinney «Python for Data Analysis»]
* [https://github.com/ipython/ipython/wiki/A-gallery-of-interesting-IPython-Notebooks Коллекция интересных IPython ноутбуков]

=== Python installation and configuration ===
* [[Анализ данных (Программная инженерия)/Установка и настройка Python#Windows|Windows]]
* [[Анализ данных (Программная инженерия)/Установка и настройка Python#Mac_OS|Mac OS]]
* [[Анализ данных (Программная инженерия)/Установка и настройка Python#Linux | Linux]]

Data analysis (Software Engineering)

2019-10-09T15:18:33Z

Dganenko: /* Useful links */

'''This page is for 2016 year!'''

'''Scores and deadlines: [https://drive.google.com/open?id=1TQ97B8rqC7sUxTnCMKXoskgRPXO8rAyWoBWBezY58h4 here]'''

'''Class email:''' cshse.ml@gmail.com

'''[https://docs.google.com/forms/d/100_gMWQwp41zpHgKuf3fl3SpFSwNj6ggL13DtnxWEEw/viewform Anonymous overall course evaluation form] '''

'''Anonymous feedback form:''' [http://goo.gl/forms/CT3h4QaMeB here]
 

== Announcements ==

===Kaggle evaluation===
Kaggle evaluation [https://docs.google.com/spreadsheets/d/1h90zLpQ2Q8QD_xQLGJLY1xljnLGF175Re4fTMChHFgA/edit?usp=sharing is available here]. Please check that your work is in the list. Presentations were evaluated using [https://inclass.kaggle.com/c/hse-spring2016-stack-overflow/rules the rules of the competition]. In particular - I was expecting to see:
* that you tried different methods
* table with accuracy results of each method
* description how you tuned the parameters of your model (over which grid, with graphs showing accuracy change)
* data analysis and insights described with illustrative visualizations.
* in feature selection: quantitive results how each feature could be helpful/not helpful.

===Exam questions===
Exam questions are published and available [https://yadi.sk/i/Gi_T_R4AsD2aU here].

===Kaggle presentation requirements===
You should send presentations before June 3 (Friday) 23-59. Presentations should be sent to v.v.kitov@yandex.ru. The title should be "HSE kaggle presentation <team name>". On the title page of the presentation you should list all team participants. Presentation should be in pdf or ppt format and have all components listed in [https://inclass.kaggle.com/c/hse-spring2016-stack-overflow/rules competition rules]. Code in py or ipynb format should also be attached to the letter (it may consist of several files).

===Early exam===
On June 6th, 13-40 - 16-30 there will two lessons. They will cover:
1) a consultation before exam. Please read through all the material and come with your questions.
2) Presentations of top-3 kaggle teams with their solutions (15 minutes each). Teams with over 60 submissions are welcome to tell their findings in the data - what worked and what not (10 minutes each). Everybody else is also welcome (not obliged) to participate with short presentations (5-10 minutes) and tell interesting findings in the data and non-standard approaches that you tried (not necessarily successful).

For your convenience there will be a possibility to take exam in data analysis earlier - on June 6th at 16-40. To take exam earlier you need to request participation to e-mail v.v.kitov@yandex.ru. The number of participants is limited. Note that earlier exam will be the same as official exam and they mutually exclude each other, so you need to select in which exam to participate. Exam program will be available soon. Earlier exam schedule is proposed for your convenience - to give you the possibility to fully concentrate on preparation to data analysis exam.

== Course description ==
In this class we consider the main problems of data mining and machine learning: classification, clustering, regression, dimensionality reduction, ranking, collaborative filtering. We will also study mathematical methods and concepts which data analysis is based on as well as formal assumptions behind them and various aspects of their implementation.

A significant attention is given to practical skills of data analysis that will be developed on seminars by studying the Python programming language and relevant libraries for scientific computing.

The knowledge of linear algebra, real analysis and probability theory is required.

'''The class consists of:'''
# Lectures and seminars
# Practical and theoretical homework assignments
# A machine learning competition (more information will be available later)
# Midterm theoretical colloquium
# Final exam

== Events outside the course ==

[https://it.mail.ru/announcements/36/?utm_campaign=newsletter&utm_medium=email&utm_source=newsletter_2742016df Universal recomendation system of mail.ru]

[https://www.youtube.com/channel/UCeq6ZIlvC9SVsfhfKnSvM9w Description of solutions to different competitions on Kaggle]

[http://ria.ru/science/20160514/1432666353.html Neural networks adapt videos to the painting style of famous artists.]

== Syllabus ==

# Introduction to machine learning.
# K-nearest neighbours classification and regression. Extensions. Optimization techniques.
# Decision tree methods.
# Bayesian decision theory. Model evaluation:
# Linear classification methods. Adding regularization to linear methods.
# Regression.
# Kernel generalization of standard methods.
# Neural networks.
# Ensemble methods: bagging, boosting, etc.
# Feature selection.
# Feature extraction
# EM algorithm. Density estimation using mixtures.
# Clustering
# Collaborative filtering
# Ranking

== Lecture materials ==

'''Lecture 1. Introduction to data science and machine learning. '''

[https://yadi.sk/i/RajIebEkmqgzw Download]

Additional materials: [https://yadi.sk/i/x2lrKdbVmr2bf The Field Guide to Data Science], [http://www.machinelearning.ru/wiki/images/f/fc/Voron-ML-Intro-slides.pdf Лекция К.В.Воронцова]

'''Lecture 2. K nearest neighbours method. '''

[https://yadi.sk/i/Od8HM9h-nUWob Download]

Additional materials: [http://www.machinelearning.ru/wiki/images/c/c3/Voron-ML-Metric-slides.pdf Лекция К.В.Воронцова], [http://arxiv.org/pdf/1306.6709v4.pdf Metric learning survey]

'''Lecture 3. Decision trees. '''

[https://yadi.sk/i/-vPl2vaBqXrt5 Download]

Additional materials: ''Webb, Copsey "Statistical Pattern Recognition", chapter 7.2.''

'''Lecture 4a. Model evaluation. '''

Binary quality measures. ROC curve, AUC.

[https://yadi.sk/i/7V7U_1QtnfYZQ Download]

Additional materials: ''Webb, Copsey "Statistical Pattern Recognition", chapter 9.''

'''Lecture 4b. Bayes minimum cost classification. '''

Case of general losses, common within-class losses and 0,1 losses. Gaussian classifier.

[https://yadi.sk/i/6jIvLiYMosuz5 Download]

'''Lecture 5. Linear classifiers. '''

Discriminant function. Invariance to monotonous transformations for them. Definition for multi-class and binary class cases.

[https://yadi.sk/i/0IQ6P3LDoqpRk Download]

Additional materials: [http://www.machinelearning.ru/wiki/images/5/53/Voron-ML-Lin-SG.pdf Лекции К.В.Воронцова по линейным методам классификации]

'''Lecture 6. Support vector machines. '''

Linear separable and linearly non-separable case. Equivalent definition with loss function. Support vectors and non-informative vectors.

[https://yadi.sk/i/baP7gbWXoqpTE Download]

'''Lecture 7. Kernel trick. '''

Application of kernel trick to SVM. Gaussian, polynomial kernels.

[https://yadi.sk/i/3W6A9FmZoqpU9 Download]

'''Lecture 8. Regression. '''

Linear regression and extensions: weighted regression, robust regression, different loss-functions, regression with non-linear features, locally-constant (Nadaraya-Watson) regression.

[https://yadi.sk/i/HSp51pmepjQBq Download]

'''Lecture 9. Boosting. '''

Forward stagewise additive modelling. AdaBoost. Gradient boosting.

[https://yadi.sk/i/3yTKLDcCpjLhG Download]

Additional materials:

[http://statweb.stanford.edu/~tibs/ElemStatLearn/ Friedman, Hastie, Tibshirani "The Elements of Statistical Learning"] - section 10: Boosting and additive trees.,

[http://www.recognition.mccme.ru/pub/RecognitionLab.html/slbook.pdf Мерков "Введение в методы статистического обучения"] - секция 4: Линейные комбинации распознавателей.

'''Lecture 10. Ensemble methods. '''

Motivation. Bias-variance tradeoff. Bagging, RandomForest, ExtraRandomTrees. Stacking.

[https://yadi.sk/i/8E-wZxIpq9Sgf Download]

'''Lectures 11, 12. Summary. '''

'''Lecture 13. Feature selection. '''

[https://yadi.sk/i/2ZLC3J6dr3iAc Download]

'''Lecture 14. Principal components analysis. '''

[https://yadi.sk/i/6DxoScrKrN3LK Download]

'''Lecture 14. Singular values decomposition. '''

[https://yadi.sk/i/zwJftdkUrN6Td Download] - updated pages 17,18,19.

'''Lecture 15. Working with text. '''

[https://yadi.sk/i/YqdRr-0erEXba Download]

'''Lecture 16. Neural networks. '''

[https://yadi.sk/i/9yMM7mkrrEXbc Download]

'''Lecture 17. Parametric distributions. '''

[https://yadi.sk/i/D33hdVXTrkxDN Download]

'''Lecture 18. Clustering. '''

[https://yadi.sk/i/3DJY4Oo7rkxEW Download]

'''Lecture 19. Mixture densities, EM-algorithm. ''' - updated.

[https://yadi.sk/i/22wLOL2krkxGL Download]

'''Lecture 20. Recommender systems. '''

[https://yadi.sk/i/mMhaZlqLrvjph Download]

'''Lecture 21. Kernel density estimation. '''

[https://yadi.sk/i/zF7ZPyTCsAjFH Download]

== Seminars ==

'''Seminar 1. Introduction to Data Analysis in Python '''

[https://drive.google.com/open?id=0B7TWwiIrcJstdkJyam9rNHpEcDg Practical task 1], [https://drive.google.com/open?id=0B7TWwiIrcJstQldxcThZRnF3ZVk data]

Additional materials: [http://nbviewer.ipython.org/gist/anonymous/fba8bf7f1ad379df9d63 1], [https://drive.google.com/open?id=0B7TWwiIrcJstRzVRSlRFcEl3VGM 2]

'''Seminar 2. kNN '''

[https://drive.google.com/open?id=0B7TWwiIrcJstbGRxREhGeDBNd3M Theoretical task 2], [https://drive.google.com/open?id=0B7TWwiIrcJstNXVXYTcydUMzUUk Practical task 2], [https://drive.google.com/open?id=0B7TWwiIrcJstTXUyYUstMmJNckk data]

Additional materials: [http://ogrisel.github.io/scikit-learn.org/sklearn-tutorial/auto_examples/tutorial/plot_knn_iris.html Visualization tutorial]

'''Seminar 3. Decision trees '''

[https://drive.google.com/file/d/0B7TWwiIrcJstbmFmMmE5bWh2Y28/view?usp=sharing Theoretical task 3]

'''Seminar 4. Linear classifiers '''

[https://drive.google.com/file/d/0B7TWwiIrcJstc1J4SnRWTnlxZlE/view?usp=sharing Theoretical task 4], [https://drive.google.com/file/d/0B7TWwiIrcJstckZCN1pYcEo2NW8/view?usp=sharing Practical task 4], [https://drive.google.com/file/d/0B7TWwiIrcJstM3VSQTVrYWhqYk0/view?usp=sharing first dataset], [https://drive.google.com/file/d/0B7TWwiIrcJstN0VOUV9PcDc1ZlE/view?usp=sharing diabetes dataset]

UPD: At all parts of practical task 4 you should use GD and SGD functions that you program at the fisrt part!

''Deadline for this practical task has been changed for some groups! Check it in the table!''

'''Seminar 5. Model evaluation '''

[https://drive.google.com/file/d/0B7TWwiIrcJstdTFST0Z4UkRoaEk/view?usp=sharing Theoretical task 5]

'''Seminar 6. Bayesian decision rule '''

[https://drive.google.com/file/d/0B7TWwiIrcJstWF9zcllDU01ZY2M/view?usp=sharing Theoretical task 6], [https://drive.google.com/file/d/0B7TWwiIrcJstSHRKcFlVcy1xd3M/view?usp=sharing Practical task 6], [https://drive.google.com/file/d/0B7TWwiIrcJstVlhBdGZYMm94SHc/view?usp=sharing data]

Practical task 6 was completed: the last part was described in more details + there are two small corrections in the first part (they are in bold font). Read it carefully!

'''Deadline for this practical task has been changed for all groups! Check it in the table!'''

'''Seminar 7. SVM and kernel trick '''

[https://drive.google.com/file/d/0B7TWwiIrcJstUGhEX2QxV1gycDA/view?usp=sharing Theoretical task 7]

Additional materials: [http://www.ccas.ru/voron/download/SVM.pdf Лекция К.В. Воронцова по SVM]

'''Seminar 8. Regression '''

[https://drive.google.com/file/d/0B7TWwiIrcJstNkE0dVJscGFSOEE/view?usp=sharing Theoretical task 8]

'''Seminar 9. Boosting '''

[https://drive.google.com/file/d/0B7TWwiIrcJstVkx2Z0tGbi1yNFE/view?usp=sharing Practical task 9],
[https://drive.google.com/file/d/0B7TWwiIrcJstelRydjBUcUlleUk/view?usp=sharing data]

'''Seminar 10. Ensemble methods '''

[https://drive.google.com/file/d/0B7TWwiIrcJstR28zVlN3OUZJTEU/view?usp=sharing Theoretical task 10]

''Problem 2: a small typo was corrected in the loss function formula.''

'''Seminar 11. Summary'''

'''Seminar 12. How to solve practical problems'''

[https://inclass.kaggle.com/c/cmc-msu-machine-learning-spring-2015-2016-dota-competition Dota Competition from the seminar], [https://drive.google.com/file/d/0B7TWwiIrcJstVnF0RVkzc1c1TVE/view?usp=sharing ipython notebook]

'''Seminar 13. Feature selection'''

[https://drive.google.com/file/d/0B7TWwiIrcJstTUU4OGFnQzBPa3c/view?usp=sharing Theoretical task 13], [https://drive.google.com/file/d/0B7TWwiIrcJstM3JkWnhtQ2YzZms/view?usp=sharing Practical task 13]

''Practical task is completed.''

'''Seminar 14. Feature extraction'''

You can read about computing PCA through SVD at the end of [https://drive.google.com/file/d/0B7TWwiIrcJstWFFSOUI5aTRBM00/view?usp=sharing this paper].

'''Seminar 15. Neural networks'''

[https://drive.google.com/file/d/0B0s4HdnpuPdxbk4yeXZyVi10dVE/view?usp=sharing Practical task 15],
[https://www.dropbox.com/s/r0u3xh5ybtstw9c/mnist.zip?dl=0 Data],
[https://drive.google.com/file/d/0B7TWwiIrcJstX1FzMWhQdmdGekk/view?usp=sharing Data in csv format],
[https://drive.google.com/file/d/0B0QWEJMlsxfRS2lWSkR5LVc2MzA/view?usp=sharing Censored training set],
[https://drive.google.com/file/d/0B0QWEJMlsxfRZmlHVHdlYWdQSTQ/view?usp=sharing Theoretical task 15]

Additional materials: [https://drive.google.com/file/d/0B7TWwiIrcJstd3pOWjcwUUNOaUk/view?usp=sharing Backpropagation], [http://pybrain.org/docs/ PyBrain’s documentation], [https://drive.google.com/file/d/0B7TWwiIrcJstSGp0SzNTa1RJeTQ/view?usp=sharing PyBrain example from the seminar]

''New data files have been uploaded (there were some problems with reading old ones). Therefore deadline has been changed for some groups! Check it in the table!''

If you have MemoryError then read only part of training data from csv files (for example, 30000 objects). You can download '''censored training set''' (find link above) or use the following code:

mnist_train = np.loadtxt('mnist_train.csv', delimiter=',') 
train_data = ClassificationDataSet(28*28, nb_classes=10) 
for i in xrange(len(mnist_train)): 
:train_data.appendLinked(mnist_train[i, 1:] / 255., int(mnist_train[i, 0])) 
train_data._convertToOneOfMany() 

mnist_test = np.loadtxt('mnist_test.csv', delimiter=',') 
test_data = ClassificationDataSet(28*28, nb_classes=10) 
for i in xrange(len(mnist_test)): 
:test_data.appendLinked(mnist_test[i, 1:] / 255., int(mnist_test[i, 0])) 
test_data._convertToOneOfMany()

'''Seminar 16. Clustering'''

[https://drive.google.com/file/d/0B0QWEJMlsxfRRy1fd1RNVVhpMm8/view?usp=sharing Theoretical task 16], [https://drive.google.com/file/d/0B7TWwiIrcJstM1l5M3kwNDFZQlU/view?usp=sharing Practical task 16], [https://drive.google.com/file/d/0B7TWwiIrcJstZ2xIRU00dTB0OHc/view?usp=sharing parrots.jpg], [https://drive.google.com/file/d/0B7TWwiIrcJstb0RDc0RiQ1M3OXc/view?usp=sharing grass.jpg]

'''Seminar 17. Clustering, EM-algorithm'''

[https://drive.google.com/file/d/0B0s4HdnpuPdxLWJjUEtCVVNFa00/view?usp=sharing Theoretical task 17]

'''Seminar 18. Recommender systems'''

[https://drive.google.com/file/d/0B7TWwiIrcJstWkt3Qk5Cb0FWTUk/view?usp=sharing Theoretical task 18],[https://drive.google.com/file/d/0B7TWwiIrcJstbW5Sd3hBMjNoNkE/view?usp=sharing Practical task 18], [https://www.dropbox.com/s/5as2k79dhajtw7n/data.zip?dl=0, data]

Additional materials: [https://www.semanticscholar.org/paper/Factorization-Machines-Rendle/2ef7d506b25731d0f3ec0c8f90b718b6e5bbd069/pdf Factorization Machines]

Columns in the data: 0 - user, 1 - item, 2 - rating, 3 - time (you don't need this one).

In the practical task you should train models on the train data (base) and evaluate on the test data.

== Evaluation criteria ==
The course lasts during the 3rd and 4th modules. Knowledge of students is assessed by evaluation of their home assignments and exams. Home assignments divide into theoretical tasks and practical tasks. There are two exams during the course – after the 3rd module and after the 4th module respectively. Each of the exams evaluates theoretical knowledge and understanding of the material studied during the respective module.

Grade takes values 4,5,…10. Grades, corresponding to 1,2,3 are assumed unsatisfactory. Exact grades are calculated using the following rule:

* '''score''' ≥ 35% => 4,
* '''score''' ≥ 45% => 5,
* ...
* '''score''' ≥ 95% => 10,

where '''score''' is calculated using the following rule:

'''score''' = 0.6 * Shomework + 0.2 * Sexam1 + 0.2 * Sexam2 + 0.2 * Scompetition

* Shomework – proportion of correctly solved homework,
* Sexam1 – proportion of successfully answered theoretical questions during exam after module 3,
* Sexam2 – proportion of successfully answered theoretical questions during exam after module 4,
* Scompetition – score for the competition in machine learning (it's also from 0 to 1).

Participation in machine learning competition is optional and can give students extra points.

== Plagiarism ==
In case of discovered plagiarism zero points will be set for the home assignemets - for both works, which were found to be identical. In case of repeated plagiarism by one and the same person a report to the dean will be made.

== Deadlines ==

All the deadlines can be found in the second tab [https://drive.google.com/open?id=1TQ97B8rqC7sUxTnCMKXoskgRPXO8rAyWoBWBezY58h4 here].

We have two deadlines for each assignments: normal and late. An assignment sent prior to normal deadline is scored with no penalty. The maximum score is penalized by 50% for assignments sent in between of the normal and the late deadline. Assignments sent after late deadlines will not be scored (assigned with zero score) in the absence of legitimate reasons for late submission which do not include high load on other classes.

Standard period for working on a homework assignment is 2 and 4 weeks (normal and late deadlines correspondingly) for practical assignments and 1 and 2 weeks for theoretical ones. The first practical assignment is an exception.

'''Deadline time:''' 23:59 of the day before seminar (Sunday for students attending Monday seminars and Wednesday for students that have seminars on Thursday).

== Structure of emails and homework submissions ==
All the questions and submissions must be addressed to '''cshse.ml@gmail.com'''.
The following subjects must be used:
* For ''questions'' (general, regarding assignments, etc): "Question - Surname Name - Group(subgroup)"
* For ''homework submissions'': "Practice/Theory {Lab number} - Surname Name - Group(subgroup)"

''Example'': Practice 1 - Ivanov Ivan - 131(1)

If you want to address a particular teacher, mention his name in the subject.

''Example'': Question - Ivanov Ivan - 131(1) - Ekaterina

Please do not mix two different topics in a single email such as theoretical and practical assignments etc. When replying, please use the '''same''' thread (i.e. reply to the same email).

Practical assignments must be implemented in ipython notebook format, theoretical ones in pdf. Practical assignments must use '''Python 2.7'''. Use your surname as a filename for assignments (e.g. Ivanov.ipynb). Do not archive your assignments.

Assignments can be performed in either Russian or English.

'''Assignments can be submitted only once!'''

== Useful links ==
[[Т]]
=== Machine learning ===
* [http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница machinelearning.ru]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Video-lectures of K. Vorontsov on machine learning]
* On of the classic ML books. [http://web.stanford.edu/~hastie/local.ftp/Springer/ESLII_print10.pdf Elements of Statistical Learning (Trevor Hastie, Robert Tibshirani, Jerome Friedman)]

=== Python ===
* [http://python.org Official website]
* Libraries: [http://www.numpy.org/ NumPy], [http://pandas.pydata.org/ Pandas], [http://scikit-learn.org/stable/ SciKit-Learn], [http://matplotlib.org/ Matplotlib].
* A little example for the begginers: [http://nbviewer.ipython.org/gist/voron13e02/83a86f2e0fc5e7f8424d краткое руководство с примерами по Python 2]
* Python from scratch: [http://nbviewer.ipython.org/gist/rpmuller/5920182 A Crash Course in Python for Scientists]
* Lectures [https://github.com/jrjohansson/scientific-python-lectures#online-read-only-versions Scientific Python]
* A book: [http://www.cin.ufpe.br/~embat/Python%20for%20Data%20Analysis.pdf Wes McKinney «Python for Data Analysis»]
* [https://github.com/ipython/ipython/wiki/A-gallery-of-interesting-IPython-Notebooks Коллекция интересных IPython ноутбуков]

=== Python installation and configuration ===
* [[Анализ данных (Программная инженерия)/Установка и настройка Python#Windows|Windows]]
* [[Анализ данных (Программная инженерия)/Установка и настройка Python#Mac_OS|Mac OS]]
* [[Анализ данных (Программная инженерия)/Установка и настройка Python#Linux | Linux]]

Тест

2019-10-09T15:14:30Z

Dganenko: Тест

<gallery>
Файл:СЗ.jpeg|Образец служебной записки
</gallery>