Wiki - Факультет компьютерных наук - Вклад [ru]

Statistics of Stochastic Processes

2018-02-14T21:24:50Z

Egorovevgenyy: /* Почти наверное план курса */

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

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

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

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

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

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

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

== Лекции ==

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

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

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

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

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

''Дополнительные материалы:''

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

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

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

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

Statistics of Stochastic Processes

2018-02-14T21:24:25Z

Egorovevgenyy: /* Лекции */

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

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

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

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

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

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

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

== Лекции ==

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

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

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

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

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

''Дополнительные материалы:''

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

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

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

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

Statistics of Stochastic Processes

2018-01-29T14:35:39Z

Egorovevgenyy: /* Почти наверное план курса */

Statistics of Stochastic Processes

2018-01-29T14:17:37Z

Egorovevgenyy: /* Домашние работы */

Statistics of Stochastic Processes

2018-01-29T14:17:15Z

Egorovevgenyy:

Statistics of Stochastic Processes

2018-01-27T06:14:14Z

Egorovevgenyy: /* Почти наверное план курса */

Statistics of Stochastic Processes

2018-01-26T12:32:07Z

Egorovevgenyy:

О факультете

2018-01-26T12:15:18Z

Egorovevgenyy: /* Курсы за 2017/18 учебный год */

__NOTOC__

== Учебные курсы факультета компьютерных наук==

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

[[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]

[[Численные_методы_2017 | Численные методы]]

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

[[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]

[[Theory_of_Computing | Theory of Computing, AMI]]

[[Statistical_learning_theory | Introduction to statistical learning theory]]

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

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

[[Анализ неструктурированных данных]]

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

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

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

[[Непрерывная_оптимизация | Непрерывная оптимизация]]

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

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

||

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

[[Философия_науки_2017 | Философия науки]]

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

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

[[Анализ неструктурированных данных]]

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

[[Функциональное программирование 2018 | Функциональное программирование]]

||

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

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

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

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

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

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

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

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

[[Цифровые технологии в гуманитарных науках]]

|}

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

=== 2 семестр ===

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

=== 1 семестр ===

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

== Архив ==

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

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

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

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

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

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

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

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

[[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]

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

||

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

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

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

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

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

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

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

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

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

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

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

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

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

||

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

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

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

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

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

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

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

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

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

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

[[Программирование_на_графических_процессорах | Программирование на графических процессорах]]

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

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

[[Базы данных 2 | Базы данных 2 ]]

[[Компьютерные сети 2 | Компьютерные сети 2]]

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

||

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

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

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

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

|}

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



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

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



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

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


|}

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

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

Statistics of Stochastic Processes

2018-01-26T12:11:45Z

Egorovevgenyy: /* Почти наверное план курса */

Statistics of Stochastic Processes

2018-01-26T12:11:30Z

Egorovevgenyy: /* Почти наверное план курса */

Statistics of Stochastic Processes

2018-01-26T12:11:00Z

Egorovevgenyy: /* Почти наверное план курса */

Statistics of Stochastic Processes

2018-01-26T12:05:35Z

Egorovevgenyy: Новая страница: «Преподаватели: Алексей Артемов, Евгений Егоров Контакты: чат курса в телеграмме https://t…»

Stochastic Processes and their Applications

2018-01-26T12:03:14Z

Egorovevgenyy:

Stochastic Processes and their Applications

2018-01-26T11:49:25Z

Egorovevgenyy: Новая страница: « Почти наверное план курса {| class="wikitable" |- ! Тема !! Преподаватель !! Занятия !! Материалы !! К…»

Почти наверное план курса
{| class="wikitable"
|-
! Тема !! Преподаватель !! Занятия !! Материалы !! Ключевые темы
|-
| Введение в случайные процессы || Евгений || 1, 2 || || Марковский момент, процессы Пуассона, GP
|-
| Методы обнаружения разладки || Алексей|| 3, 4 || ||
|-
| Линейные модели: ARIMA, GARCH || Евгений || 5, 6 || ||
|-
| Нелинейные модели: RNN, LSTM || Алексей || 7, 8 || ||
|-
| Байесовская фильтрация || Евгений || 9, 10 || ||
|-
| Large-Scale MCMC || Евгений || 11 || ||
|}

Прикладная статистика в машинном обучении

2017-10-10T17:03:13Z

Egorovevgenyy: /* Система оценок */

== О курсе ==

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

'''Лектор:''' Артемов Алексей Валерьевич

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

=== Полезные ссылки ===

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

Репозиторий с материалами на GitHub: TBD

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

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

Таблица с оценками: TBD

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 9 - 10:20, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw || 1NMqJTw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 || || o81nn7v
|}

=== Дата выдачи/сдачи дз ===

* Задание #1 25/09 - 08/10 (см. AnyTask)
* Задание #2 09/10 - 23/10 (см. AnyTask)

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

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

Накопленная и итоговая оценки округляются арифметически.

'''Рассчет O_дз'''

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

=== Материалы ===

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

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

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

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

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

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

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

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

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

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

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

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

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

Прикладная статистика в машинном обучении

2017-10-10T17:01:48Z

Egorovevgenyy: /* Система оценок */

== О курсе ==

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

'''Лектор:''' Артемов Алексей Валерьевич

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

=== Полезные ссылки ===

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

Репозиторий с материалами на GitHub: TBD

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

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

Таблица с оценками: TBD

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 9 - 10:20, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw || 1NMqJTw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 || || o81nn7v
|}

=== Дата выдачи/сдачи дз ===

* Задание #1 25/09 - 08/10 (см. AnyTask)
* Задание #2 09/10 - 23/10 (см. AnyTask)

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

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

Накопленная и итоговая оценки округляются арифметически.

'''Рассчет O_дз'''

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

=== Материалы ===

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

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

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

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

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

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

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

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

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

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

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

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

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

Прикладная статистика в машинном обучении

2017-10-09T19:21:47Z

Egorovevgenyy: /* Дата выдачи/сдачи дз */

== О курсе ==

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

'''Лектор:''' Артемов Алексей Валерьевич

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

=== Полезные ссылки ===

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

Репозиторий с материалами на GitHub: TBD

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

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

Таблица с оценками: TBD

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 9 - 10:20, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw || 1NMqJTw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 || || o81nn7v
|}

=== Дата выдачи/сдачи дз ===

* Задание #1 25/09 - 08/10 (см. AnyTask)
* Задание #2 09/10 - 23/10 (см. AnyTask)

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

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

Накопленная и итоговая оценки округляются арифметически.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

=== Материалы ===

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

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

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

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

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

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

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

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

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

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

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

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

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

Прикладная статистика в машинном обучении

2017-09-24T21:18:08Z

Egorovevgenyy: /* Дата выдачи/сдачи дз */

== О курсе ==

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

'''Лектор:''' Артемов Алексей Валерьевич

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

=== Полезные ссылки ===

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

Репозиторий с материалами на GitHub: TBD

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

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

Таблица с оценками: TBD

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 9 - 10:20, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw || 1NMqJTw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 || || o81nn7v
|}

=== Дата выдачи/сдачи дз ===

* Задание #1 25/09 - 08/10 (см. AnyTask)

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

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

Накопленная и итоговая оценки округляются арифметически.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

=== Материалы ===

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

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

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

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

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

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

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

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

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

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

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

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

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

Прикладная статистика в машинном обучении

2017-09-17T10:44:00Z

Egorovevgenyy: /* Полезные ссылки */

== О курсе ==

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

'''Лектор:''' Артемов Алексей Валерьевич

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

=== Полезные ссылки ===

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

Репозиторий с материалами на GitHub: TBD

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

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

Таблица с оценками: TBD

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 9 - 10:20, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw || 1NMqJTw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 || || o81nn7v
|}

=== Дата выдачи/сдачи дз ===
TBD

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

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

Накопленная и итоговая оценки округляются арифметически.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

=== Материалы ===

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

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

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

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

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

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

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

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

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

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

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

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

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

Прикладная статистика в машинном обучении

2017-09-17T10:42:43Z

Egorovevgenyy: /* Семинары */

== О курсе ==

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

'''Лектор:''' Артемов Алексей Валерьевич

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

=== Полезные ссылки ===

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

Репозиторий с материалами на GitHub: TBD

Сдача домашних заданий через систему AnyTask: TBD

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

Таблица с оценками: TBD

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат !! инвайт AnyTask
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 9 - 10:20, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw || 1NMqJTw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 || || o81nn7v
|}

=== Дата выдачи/сдачи дз ===
TBD

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

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

Накопленная и итоговая оценки округляются арифметически.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

=== Материалы ===

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

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

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

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

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

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

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

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

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

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

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

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

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

Прикладная статистика в машинном обучении

2017-09-15T19:38:41Z

Egorovevgenyy: /* Семинары */

== О курсе ==

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

'''Лектор:''' Артемов Алексей Валерьевич

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

=== Полезные ссылки ===

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

Репозиторий с материалами на GitHub: TBD

Сдача домашних заданий через систему AnyTask: TBD

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

Таблица с оценками: TBD

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! чат
|-
| 152 (МОП) || Евгений Егоров || Иван Барабанов || пятница, 9 - 10:20, ауд. 300 || https://t.me/joinchat/Bx03rAx_Bc0frjMeCgjIGw
|-
| 151 (МОП) || Аршак Минасян || Григорий Иванов || понедельник, 18:10 - 19:30, ауд. 503 ||
|}

=== Дата выдачи/сдачи дз ===
TBD

=== Система оценок ===

Результирующая оценка по дисциплине рассчитывается по формуле

'''O_итог=0.7 O_накопл + 0.3 O_экз'''

Накопленная оценка рассчитывается по формуле

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

Накопленная и итоговая оценки округляются арифметически.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

=== Материалы ===

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

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

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

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

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

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

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

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

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

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

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

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

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

Машинное обучение (факультет экономических наук)

2017-09-11T12:22:27Z

Egorovevgenyy: /* Семинары */

== О курсе ==

'''Лекторы:''' [https://www.hse.ru/org/persons/131072080 Екатерина Лобачева], Алексей Артемов 
Лекции проходят по пятницам, 10:30 - 11:50, ауд. 5215. 

=== Полезные ссылки ===

[ Программа курса] 
[https://github.com/FilatovArtm/ML_Eco-NES_2017 Репозиторий на GitHub с материалами курса] 
[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

Почта курса: '''ml.econom.hse@gmail.com''' 
Формат темы письма (обязательно соблюдайте его, так как у нас стоят автоматические фильтры):
* '''Вопрос - номер группы по данному курсу - Фамилия Имя''' — для вопросов;
* '''Практика {номер задания} - номер группы по данному курсу - Фамилия Имя''' — для сдачи практических домашних заданий.

Возможные курсы по данному курсу: 4 простая, 4 сложная, 3 простая, 3 сложная, совбак простая, совбак сложная. 
Пример: Практика 1 - 4 простая - Иванов Иван

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAERI0duQMnhSawsR2A 
Чат в telegram для обсуждений: https://t.me/joinchat/ABAXWEIJR7rcclSWVZfFhg

[https://drive.google.com/open?id=1qWrFvaCEYGQPMf9NNSti0YACmpO4oOI8Z5lWkET0XAU Таблица с оценками]

Оставить анонимный отзыв на курс: [https://docs.google.com/forms/d/e/1FAIpQLSfqAdwstSuIwqeluCjVt-jCGmq4_Tur_4vBqCEXRcTgdiZlwg/viewform форма]

=== Семинары ===

3 курс, сложная группа, заполните форму: https://goo.gl/forms/GUom80x8zoiQ3ZyX2

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Чат !! Расписание
|-
| 4 курс эконома, простая || Артем Филатов || Анастасия Рогачевская || || пятница 12:10, ауд. 5215
|-
| 4 курс эконома, сложная || [https://www.hse.ru/staff/bbd Борис Демешев] || Никита Герман || || пятница 12:10, ауд. 2205
|-
| 3 курс эконома, простая || Георгий Звонка || Елизавета Вахрамеева || [https://t.me/joinchat/DUaTB0ObBdXqjmUDrfd_BQ тут] || суббота 16:40, ауд. 2205
|-
| 3 курс эконома, сложная || Евгений Егоров || Мария Такташева || [https://t.me/joinchat/B8wjxQ6Ok7mCk15oG-GM-g обязательно] || понедельник 9:00, ауд. 3316
|-
| совбак, простая || [https://www.hse.ru/staff/is Илья Щуров] || Дмитрий Пчелкин || || вторник, 18:10, ауд. 3317
|-
| совбак, сложная || Артем Филатов || Ксения Вальчук || || среда 13:40, ауд. 4428
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
* Практические домашние работы на Python
* Соревнование по анализу данных
* Устный коллоквиум в конце 1-го модуля
* Устный экзамен

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

Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности.

По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.

=== Правила сдачи заданий ===

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок).

== Лекции ==

'''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture01-intro.pdf Конспект]

'''Лекция 2''' (8 сентября). Линейная регрессия: обучение и разные функционалы ошибки. Градиентный спуск. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture02-linregr.pdf Конспект]

'''Следующая лекция:'''

'''Лекция 3''' (15 сентября). Регуляризация. Методы оценивания обобщающей способности, кросс-валидация. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture03-linregr.pdf Конспект]

== Семинары ==

'''Семинар 1'''. Python, numpy, pandas, matplotlib и прочие страшные звери. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem01-tools.ipynb Notebook].

'''Семинар 2'''. Градиентный спуск и линейная регрессия [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem2/sem02.ipynb Notebook]

== Практические задания ==

'''Задание 1.''' Numpy, pandas, matplotlib.

Дата выдачи: 05.09.2017

Дедлайн: 19.09.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/8ee8985202a5a137987085511a33b85e2f886d70/homeworks/hw01-python.ipynb Условие]

== Теоретические задания ==

'''Задание 1.''' Дифференцирование.

Дата выдачи: 08.09.2017

Проверочные начнутся на семинарах с 15.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_1.pdf Условие]

== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

Машинное обучение (факультет экономических наук)

2017-09-10T12:52:13Z

Egorovevgenyy: /* Семинары */

== О курсе ==

'''Лекторы:''' [https://www.hse.ru/org/persons/131072080 Екатерина Лобачева], Алексей Артемов 
Лекции проходят по пятницам, 10:30 - 11:50, ауд. 5215. 

=== Полезные ссылки ===

[ Программа курса] 
[https://github.com/FilatovArtm/ML_Eco-NES_2017 Репозиторий на GitHub с материалами курса] 
[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

Почта курса: '''ml.econom.hse@gmail.com''' 
Формат темы письма (обязательно соблюдайте его, так как у нас стоят автоматические фильтры):
* '''Вопрос - номер группы по данному курсу - Фамилия Имя''' — для вопросов;
* '''Практика {номер задания} - номер группы по данному курсу - Фамилия Имя''' — для сдачи практических домашних заданий.

Возможные курсы по данному курсу: 4 простая, 4 сложная, 3 простая, 3 сложная, совбак простая, совбак сложная. 
Пример: Практика 1 - 4 простая - Иванов Иван

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAERI0duQMnhSawsR2A 
Чат в telegram для обсуждений: https://t.me/joinchat/ABAXWEIJR7rcclSWVZfFhg

[https://drive.google.com/open?id=1qWrFvaCEYGQPMf9NNSti0YACmpO4oOI8Z5lWkET0XAU Таблица с оценками]

Оставить анонимный отзыв на курс: [https://docs.google.com/forms/d/e/1FAIpQLSfqAdwstSuIwqeluCjVt-jCGmq4_Tur_4vBqCEXRcTgdiZlwg/viewform форма]

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Чат !! Расписание
|-
| 4 курс эконома, простая || Артем Филатов || Анастасия Рогачевская || || пятница 12:10, ауд. 5215
|-
| 4 курс эконома, сложная || [https://www.hse.ru/staff/bbd Борис Демешев] || Никита Герман || || пятница 12:10, ауд. 2205
|-
| 3 курс эконома, простая || Георгий Звонка || Елизавета Вахрамеева || [https://t.me/joinchat/DUaTB0ObBdXqjmUDrfd_BQ тут] || суббота 16:40, ауд. 2205
|-
| 3 курс эконома, сложная || Евгений Егоров || Мария Такташева || [https://t.me/joinchat/B8wjxQ6Ok7mCk15oG-GM-g обязательно] || понедельник 9:00, ауд. 3316
|-
| совбак, простая || [https://www.hse.ru/staff/is Илья Щуров] || Дмитрий Пчелкин || || вторник, 18:10, ауд. 3317
|-
| совбак, сложная || Артем Филатов || Ксения Вальчук || || среда 13:40, ауд. 4428
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
* Практические домашние работы на Python
* Соревнование по анализу данных
* Устный коллоквиум в конце 1-го модуля
* Устный экзамен

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

Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности.

По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.

=== Правила сдачи заданий ===

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок).

== Лекции ==

'''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture01-intro.pdf Конспект]

'''Лекция 2''' (8 сентября). Линейная регрессия: обучение и разные функционалы ошибки. Градиентный спуск. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture02-linregr.pdf Конспект]

'''Следующая лекция:'''

'''Лекция 3''' (15 сентября). Регуляризация. Методы оценивания обобщающей способности, кросс-валидация. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture03-linregr.pdf Конспект]

== Семинары ==

'''Семинар 1'''. Python, numpy, pandas, matplotlib и прочие страшные звери. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem01-tools.ipynb Notebook].

'''Семинар 2'''. Градиентный спуск и линейная регрессия [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem2/sem02.ipynb Notebook]

== Практические задания ==

'''Задание 1.''' Numpy, pandas, matplotlib.

Дата выдачи: 05.09.2017

Дедлайн: 19.09.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/8ee8985202a5a137987085511a33b85e2f886d70/homeworks/hw01-python.ipynb Условие]

== Теоретические задания ==

'''Задание 1.''' Дифференцирование.

Дата выдачи: 08.09.2017

Проверочные начнутся на семинарах с 15.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_1.pdf Условие]

== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

Прикладная статистика в машинном обучении

2017-09-08T21:33:53Z

Egorovevgenyy: /* Семинары */

Прикладная статистика в машинном обучении

2017-09-08T21:33:07Z

Egorovevgenyy: /* Семинары */

Машинное обучение (факультет экономических наук)

2017-09-07T21:27:54Z

Egorovevgenyy: /* Семинары */

== О курсе ==

'''Лекторы:''' [https://www.hse.ru/org/persons/131072080 Екатерина Лобачева], Алексей Артемов 
Лекции проходят по пятницам, 10:30 - 11:50, ауд. 5215. 

=== Полезные ссылки ===

[ Программа курса] 
[https://github.com/FilatovArtm/ML_Eco-NES_2017 Репозиторий на GitHub с материалами курса] 
[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

Почта курса: '''ml.econom.hse@gmail.com''' 
Формат темы письма (обязательно соблюдайте его, так как у нас стоят автоматические фильтры):
* '''Вопрос - номер группы по данному курсу - Фамилия Имя''' — для вопросов;
* '''Практика {номер задания} - номер группы по данному курсу - Фамилия Имя''' — для сдачи практических домашних заданий.

Возможные курсы по данному курсу: 4 простая, 4 сложная, 3 простая, 3 сложная, совбак простая, совбак сложная. 
Пример: Практика 1 - 4 простая - Иванов Иван

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAERI0duQMnhSawsR2A 
Чат в telegram для обсуждений: https://t.me/joinchat/ABAXWEIJR7rcclSWVZfFhg

[https://drive.google.com/open?id=1qWrFvaCEYGQPMf9NNSti0YACmpO4oOI8Z5lWkET0XAU Таблица с оценками]

Оставить анонимный отзыв на курс: [https://docs.google.com/forms/d/e/1FAIpQLSfqAdwstSuIwqeluCjVt-jCGmq4_Tur_4vBqCEXRcTgdiZlwg/viewform форма]

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Чат !! Расписание
|-
| 4 курс эконома, простая || Артем Филатов || Анастасия Рогачевская || || пятница 12:10, ауд. 5215
|-
| 4 курс эконома, сложная || [https://www.hse.ru/staff/bbd Борис Демешев] || Никита Герман || || пятница 12:10, ауд. 2205
|-
| 3 курс эконома, простая || Георгий Звонка || Елизавета Вахрамеева || [https://t.me/joinchat/DUaTB0ObBdXqjmUDrfd_BQ тут] || суббота 16:40, ауд. 2205
|-
| 3 курс эконома, сложная || Евгений Егоров || Мария Такташева || [https://t.me/joinchat/B8wjxQ6Ok7mCk15oG-GM-g обязательно] || понедельник 9:00, ауд. 3316
|-
| совбак, простая || [https://www.hse.ru/staff/is Илья Щуров] || Дмитрий Пчелкин || || вторник, 18:10, ауд. 3317
|-
| совбак, сложная || Артем Филатов || Ксения Вальчук || || среда 13:40, ауд. 4428
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
* Практические домашние работы на Python
* Соревнование по анализу данных
* Устный коллоквиум в конце 1-го модуля
* Устный экзамен

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

Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности.

По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.

=== Правила сдачи заданий ===

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок).

== Лекции ==

'''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture01-intro.pdf Конспект]

== Семинары ==

'''Семинар 1'''. Python, numpy, pandas, matplotlib и прочие страшные звери. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem01-tools.ipynb Notebook].

== Практические задания ==

'''Задание 1.''' Numpy, pandas, matplotlib.

Дата выдачи: 05.09.2017

Дедлайн: 19.09.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/8ee8985202a5a137987085511a33b85e2f886d70/homeworks/hw01-python.ipynb Условие]

== Теоретические задания ==

== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

Машинное обучение (факультет экономических наук)

2017-09-07T21:27:34Z

Egorovevgenyy: /* Семинары */

== О курсе ==

'''Лекторы:''' [https://www.hse.ru/org/persons/131072080 Екатерина Лобачева], Алексей Артемов 
Лекции проходят по пятницам, 10:30 - 11:50, ауд. 5215. 

=== Полезные ссылки ===

[ Программа курса] 
[https://github.com/FilatovArtm/ML_Eco-NES_2017 Репозиторий на GitHub с материалами курса] 
[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

Почта курса: '''ml.econom.hse@gmail.com''' 
Формат темы письма (обязательно соблюдайте его, так как у нас стоят автоматические фильтры):
* '''Вопрос - номер группы по данному курсу - Фамилия Имя''' — для вопросов;
* '''Практика {номер задания} - номер группы по данному курсу - Фамилия Имя''' — для сдачи практических домашних заданий.

Возможные курсы по данному курсу: 4 простая, 4 сложная, 3 простая, 3 сложная, совбак простая, совбак сложная. 
Пример: Практика 1 - 4 простая - Иванов Иван

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAERI0duQMnhSawsR2A 
Чат в telegram для обсуждений: https://t.me/joinchat/ABAXWEIJR7rcclSWVZfFhg

[https://drive.google.com/open?id=1qWrFvaCEYGQPMf9NNSti0YACmpO4oOI8Z5lWkET0XAU Таблица с оценками]

Оставить анонимный отзыв на курс: [https://docs.google.com/forms/d/e/1FAIpQLSfqAdwstSuIwqeluCjVt-jCGmq4_Tur_4vBqCEXRcTgdiZlwg/viewform форма]

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Чат !! Расписание
|-
| 4 курс эконома, простая || Артем Филатов || Анастасия Рогачевская || || пятница 12:10, ауд. 5215
|-
| 4 курс эконома, сложная || [https://www.hse.ru/staff/bbd Борис Демешев] || Никита Герман || || пятница 12:10, ауд. 2205
|-
| 3 курс эконома, простая || Георгий Звонка || Елизавета Вахрамеева || [https://t.me/joinchat/DUaTB0ObBdXqjmUDrfd_BQ тут] || суббота 16:40, ауд. 2205
|-
| 3 курс эконома, сложная || Евгений Егоров || Мария Такташева || [https://t.me/joinchat/B8wjxQ6Ok7mCk15oG-GM-g обязательно]| || понедельник 9:00, ауд. 3316
|-
| совбак, простая || [https://www.hse.ru/staff/is Илья Щуров] || Дмитрий Пчелкин || || вторник, 18:10, ауд. 3317
|-
| совбак, сложная || Артем Филатов || Ксения Вальчук || || среда 13:40, ауд. 4428
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
* Практические домашние работы на Python
* Соревнование по анализу данных
* Устный коллоквиум в конце 1-го модуля
* Устный экзамен

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

Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности.

По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.

=== Правила сдачи заданий ===

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок).

== Лекции ==

'''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture01-intro.pdf Конспект]

== Семинары ==

'''Семинар 1'''. Python, numpy, pandas, matplotlib и прочие страшные звери. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem01-tools.ipynb Notebook].

== Практические задания ==

'''Задание 1.''' Numpy, pandas, matplotlib.

Дата выдачи: 05.09.2017

Дедлайн: 19.09.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/8ee8985202a5a137987085511a33b85e2f886d70/homeworks/hw01-python.ipynb Условие]

== Теоретические задания ==

== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

Машинное обучение (факультет экономических наук)

2017-09-07T21:27:15Z

Egorovevgenyy: /* Семинары */

== О курсе ==

'''Лекторы:''' [https://www.hse.ru/org/persons/131072080 Екатерина Лобачева], Алексей Артемов 
Лекции проходят по пятницам, 10:30 - 11:50, ауд. 5215. 

=== Полезные ссылки ===

[ Программа курса] 
[https://github.com/FilatovArtm/ML_Eco-NES_2017 Репозиторий на GitHub с материалами курса] 
[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

Почта курса: '''ml.econom.hse@gmail.com''' 
Формат темы письма (обязательно соблюдайте его, так как у нас стоят автоматические фильтры):
* '''Вопрос - номер группы по данному курсу - Фамилия Имя''' — для вопросов;
* '''Практика {номер задания} - номер группы по данному курсу - Фамилия Имя''' — для сдачи практических домашних заданий.

Возможные курсы по данному курсу: 4 простая, 4 сложная, 3 простая, 3 сложная, совбак простая, совбак сложная. 
Пример: Практика 1 - 4 простая - Иванов Иван

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAERI0duQMnhSawsR2A 
Чат в telegram для обсуждений: https://t.me/joinchat/ABAXWEIJR7rcclSWVZfFhg

[https://drive.google.com/open?id=1qWrFvaCEYGQPMf9NNSti0YACmpO4oOI8Z5lWkET0XAU Таблица с оценками]

Оставить анонимный отзыв на курс: [https://docs.google.com/forms/d/e/1FAIpQLSfqAdwstSuIwqeluCjVt-jCGmq4_Tur_4vBqCEXRcTgdiZlwg/viewform форма]

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Чат !! Расписание
|-
| 4 курс эконома, простая || Артем Филатов || Анастасия Рогачевская || || пятница 12:10, ауд. 5215
|-
| 4 курс эконома, сложная || [https://www.hse.ru/staff/bbd Борис Демешев] || Никита Герман || || пятница 12:10, ауд. 2205
|-
| 3 курс эконома, простая || Георгий Звонка || Елизавета Вахрамеева || [https://t.me/joinchat/DUaTB0ObBdXqjmUDrfd_BQ тут] || суббота 16:40, ауд. 2205
|-
| 3 курс эконома, сложная || Евгений Егоров || Мария Такташева | [https://t.me/joinchat/B8wjxQ6Ok7mCk15oG-GM-g обязательно]| || понедельник 9:00, ауд. 3316
|-
| совбак, простая || [https://www.hse.ru/staff/is Илья Щуров] || Дмитрий Пчелкин || || вторник, 18:10, ауд. 3317
|-
| совбак, сложная || Артем Филатов || Ксения Вальчук || || среда 13:40, ауд. 4428
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
* Практические домашние работы на Python
* Соревнование по анализу данных
* Устный коллоквиум в конце 1-го модуля
* Устный экзамен

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

Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности.

По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.

=== Правила сдачи заданий ===

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок).

== Лекции ==

'''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture01-intro.pdf Конспект]

== Семинары ==

'''Семинар 1'''. Python, numpy, pandas, matplotlib и прочие страшные звери. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem01-tools.ipynb Notebook].

== Практические задания ==

'''Задание 1.''' Numpy, pandas, matplotlib.

Дата выдачи: 05.09.2017

Дедлайн: 19.09.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/8ee8985202a5a137987085511a33b85e2f886d70/homeworks/hw01-python.ipynb Условие]

== Теоретические задания ==

== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

О факультете

2017-09-02T15:04:10Z

Egorovevgenyy: /* Учебные курсы факультета компьютерных наук */

__NOTOC__

== Учебные курсы факультета компьютерных наук==

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

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

[[Теория_вероятностей_2017/2018_(пилотный_поток) | Теория вероятностей 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)]]

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

[[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]

[[Theory_of_Computing | Theory of Computing, AMI]]

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

|}

=== 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 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2 | 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 | 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)]]
|}


|}

== Data Culture==

[[Цифровая_грамотность|Цифровая грамотность (факультет гуманитарных наук)]] 
[[Машинное обучение (факультет экономических наук)|Машинное обучение (факультет экономических наук)]]

== 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)]]

Прикладная статистика в машинном обучении

2017-09-02T15:00:57Z

Egorovevgenyy: Новая страница: «== О курсе == Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях. ''…»

Прикладной статистический анализ данных

2016-09-28T11:05:15Z

Egorovevgenyy: /* Правила выставления оценок */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ] специализации [https://www.hse.ru/ba/ami/mla "Машинное обучение и приложения"] в 1-2 модулях.

'''Лектор:''' [http://www.hse.ru/staff/?? Рябенко Евгений Алексеевич]

Лекции проходят по понедельникам, 10:30 - 11:50, ауд. 509.

[https://www.hse.ru/ba/ami/courses/184771666.html Карточка курса и программа]

[https://docs.google.com/spreadsheets/d/11k6ULlMORmjqqq67RmrArF37qTE2cC1JN9IgYTTNU8s/edit?usp=sharing Таблица с оценками]

Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Страница
|-
| 141 (МОП) || [https://www.hse.ru/?? Швечиков Павел Дмитриевич] || Егоров Евгений Евгеньевич||
|-
| 142 (МОП) || [http://??.?? Хальман Михаил Анатольевич] || Варганов Георгий ||
|-
|}

'''''Внимание!!!''''' Для работы на семинарах курса вам понадобятся ноутбуки с установленными на них R (https://www.r-project.org) и RStudio (https://www.rstudio.com/products/rstudio/download/). В противном случае вы не сможете принять полноценное участие в семинарах.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Проверочные работы на семинарах, проверяющие знание основных фактов с лекций и ключевые навыки студента
* Практические домашние работы на языке R (всего 4шт: 2 в первом модуле и 2 во втором)
* Коллоквиум в конце 1-го модуля
* Экзамен в конце 2-го модуля

'''Проверочные работы''' будут проводиться в режиме блиц преимущественно в начале семинара. В каждую проверочную работу будут входить задачи из списка, вывешенного на этой странице. В этот список будет входить фиксированный набор задач по каждой пройденной теме. После прохождения темы выложенные задачи к этой теме меняться не будут. Каждая следующая проверочная работа будет включать в себя случайную выборку из всех задач, включенных в этот список (в т.ч. и по предыдущим пройденным темам). Таким образом, у всех есть возможность подготовиться к проверочной работе до начала семинара. При этом любые попытки списывания будут жестко караться в соответствии с правилами ВШЭ.

'''Проверочные работы: уточнение'''
# За каждое задание выставляются оценки из множества ${0; 1}$
# Можно получить дополнительный 1 балл: за доказательство утверждения/ответ с материалом, выходящим за рамки лекции; дополнительно решенную задачу из списка, Максимальный балл за летучку: 3
# Доп. баллы можно получить, только при верных обязательных заданиях. Уточняйте у семинаристов, что обязательно к выводу/доказательству в обязательных задачах.

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

Oитоговая = 0.8 * Oнакопленная + 0.2 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания.
Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.

=== Правила сдачи домашних заданий ===

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работа не принимаются.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

Работы и вопросы по результатам проверки работа отправлять '''в соотвествии со своим семинаристом на адреса''':
* Швечиков Павел: psad.homework+shvechikov@gmail.com
* Хальман Михаил: psad.homework+khalman@gmail.com

Темы писем:
* Для сдачи ДЗ: "ДЗ {Номер ДЗ} - Фамилия Имя Отчество"
* Для вопроса по результатам проверки ДЗ: "ДЗ {Номер ДЗ} - Фамилия Имя Отчество - Вопрос"
* Для вопроса по результатам проверки работы на семинаре: "Семинар {Номер Семинара} - Фамилия Имя Отчество - Вопрос"

ДЗ {Номер ДЗ} или Семинар {Номер Семинара} можно посмотреть в листах [https://docs.google.com/spreadsheets/d/11k6ULlMORmjqqq67RmrArF37qTE2cC1JN9IgYTTNU8s/edit?usp=sharing Таблицы с оценками]

=== Софт ===

== Лекции ==
'''Лекция 1''' (5 сентября). Базовые распределения, статистики и их свойства [[https://yadi.sk/d/fFrArK_jum4ve слайды]]

'''Лекция 2''' (12 сентября). Оценка параметров: ММП, метод моментов, бутстрэп [[https://yadi.sk/i/NtdP7y-4v3g6Y слайды]]

'''Лекция 3''' (19 сентября). Основы проверки гипотез [[https://yadi.sk/i/C6_mU6OjvMTmV слайды]]

'''Лекция 4''' (26 сентября). Проверка параметрических гипотез [[https://yadi.sk/d/RyXS_4LjvbygS]]

== Cеминары ==

[https://yadi.sk/i/mivbrMpFvUaVc Ссылка на список задач для самостоятельной работы]

'''Семинар 1''' (5-6 сентября). Знакомство с языком R. [https://docs.google.com/document/d/1Y_7HMHYN-0D4ot-0rjucya-KVdmZPk-OfQDBbLVumbc/edit?usp=sharing Задачи по ТВ]

До начала второго семинара, убедитесь, пожалуйста, что вы прошли из блока "R Programming: The basics of programming in R" пакета swirl [http://swirlstats.com/students.html (инструкция по установке и запуску swirl)] следующие уроки:
* 1: Basic Building Blocks
* 4: Vectors
* 7: Matrices and Data Frames
* 10: lapply and sapply
* 13: Simulation
* 15: Base Graphics

В противном случае на втором семинаре вы не сможете полноценно влиться в работу.

'''Семинар 2''' (12-13 сентября). Введение в математическую статистику. Метод Максимального Правдоподобия. Метод Моментов. Бутстрэп. Дельта метод.

[https://yadi.sk/i/ouWUOF7cv4V4W Задание на 2-ой семинар]

[https://goo.gl/forms/7k2x8LE6VM0iB48L2 Cсылка на гуглформу с результатами]

[https://yadi.sk/d/GyPhCNkRvLFAN Решение заданий с семинара]

'''Семинар 3''' (19-20 сентября). Статистические критерии основанные на функции правдоподобия.

[https://yadi.sk/i/Y9LFxEkxvRZdT Задание на 3-ий семинар]

[https://yadi.sk/d/i39dK6dLvTRcr Решение заданий с семинара]

'''Семинар 4''' (26-27 сентября). Проверка параметрических гипотез

[https://www.dropbox.com/sh/e9k1c8hemojaw56/AAAMNiL9TuhZzAwcX3dyJtU-a?dl=0 Задания на 4-ый семинар]

== Литература ==

===Основная литература===
# Вальд, А. Последовательный анализ. — М.: Физматлит, 1960.
# Кобзарь, А.И. Прикладная математическая статистика. — М.: Физматлит, 2006.
# Лагутин, М.Б. Наглядная математическая статистика. — М.: П-центр, 2003.
# Agresti, A. Categorical Data Analysis. — Hoboken: John Wiley & Sons, 2013.
# Bilder, C.R., Loughin, T.M. Analysis of Categorical Data with R. — Boca Raton: Chapman and Hall/CRC, 2013.
# Bonnini, S., Corain, L., Marozzi, M., Salmaso S. Nonparametric Hypothesis Testing: Rank and Permutation Methods with Applications in R. — Hoboken: John Wiley & Sons, 2014.
# Bretz, F., Hothorn, T., Westfall, P. Multiple Comparisons Using R. — Boca Raton: Chapman and Hall/CRC, 2010.
# Chihara, L., Hesterberg, T. Mathematical Statistics with Resampling and R — Hoboken: John Wiley & Sons, 2011.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Hyndman, R.J., Athanasopoulos G. Forecasting: principles and practice. — OTexts, 2016. https://www.otexts.org/book/fpp
# Kanji, G.K. 100 statistical tests. — London: SAGE Publications, 2006.
# Mukhopadhyay, N., de Silva, B. M. Sequential methods and their applications. — Boca Raton: Chapman and Hall/CRC, 2009.
# Olsson, U. Generalized Linear Models: An Applied Approach. — Lund: Studentlitteratur, 2004.
# Pearl J., Glymour M., Jewell N.P. Causal Inference in Statistics: A Primer. — Chichester: John Wiley & Sons, 2016.
# Tabachnick, B.G., Fidell, L.S. Using Multivariate Statistics. — Boston: Pearson Education, 2012.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.

=== Дополнительная литература ===
# Cameron, A.A., Trivedi, P.K. Regression Analysis of Count Data. — Cambridge: Cambridge University Press, 2013.
# Dickhaus, T. Simultaneous Statistical Inference With Applications in the Life Sciences. — Heidelberg: Springer, 2014.
# Good, P. Permutation, Parametric and Bootstrap Tests of Hypotheses: A Practical Guide to Resampling Methods for Testing Hypotheses. — New York: Springer, 2005.
# Hosmer, D.W., Lemeshow S., Sturdivant, R.X. Applied Logistic Regression. — Hoboken: John Wiley & Sons, 2013.

Прикладной статистический анализ данных

2016-09-28T11:04:50Z

Egorovevgenyy: /* Правила выставления оценок */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ] специализации [https://www.hse.ru/ba/ami/mla "Машинное обучение и приложения"] в 1-2 модулях.

'''Лектор:''' [http://www.hse.ru/staff/?? Рябенко Евгений Алексеевич]

Лекции проходят по понедельникам, 10:30 - 11:50, ауд. 509.

[https://www.hse.ru/ba/ami/courses/184771666.html Карточка курса и программа]

[https://docs.google.com/spreadsheets/d/11k6ULlMORmjqqq67RmrArF37qTE2cC1JN9IgYTTNU8s/edit?usp=sharing Таблица с оценками]

Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Страница
|-
| 141 (МОП) || [https://www.hse.ru/?? Швечиков Павел Дмитриевич] || Егоров Евгений Евгеньевич||
|-
| 142 (МОП) || [http://??.?? Хальман Михаил Анатольевич] || Варганов Георгий ||
|-
|}

'''''Внимание!!!''''' Для работы на семинарах курса вам понадобятся ноутбуки с установленными на них R (https://www.r-project.org) и RStudio (https://www.rstudio.com/products/rstudio/download/). В противном случае вы не сможете принять полноценное участие в семинарах.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Проверочные работы на семинарах, проверяющие знание основных фактов с лекций и ключевые навыки студента
* Практические домашние работы на языке R (всего 4шт: 2 в первом модуле и 2 во втором)
* Коллоквиум в конце 1-го модуля
* Экзамен в конце 2-го модуля

'''Проверочные работы''' будут проводиться в режиме блиц преимущественно в начале семинара. В каждую проверочную работу будут входить задачи из списка, вывешенного на этой странице. В этот список будет входить фиксированный набор задач по каждой пройденной теме. После прохождения темы выложенные задачи к этой теме меняться не будут. Каждая следующая проверочная работа будет включать в себя случайную выборку из всех задач, включенных в этот список (в т.ч. и по предыдущим пройденным темам). Таким образом, у всех есть возможность подготовиться к проверочной работе до начала семинара. При этом любые попытки списывания будут жестко караться в соответствии с правилами ВШЭ.

'''Проверочные работы: уточнение'''
0. За каждое задание выставляются оценки из множества ${0; 1}$
1. Можно получить дополнительный 1 балл: за доказательство утверждения/ответ с материалом, выходящим за рамки лекции; дополнительно решенную задачу из списка, Максимальный балл за летучку: 3
2. Доп. баллы можно получить, только при верных обязательных заданиях. Уточняйте у семинаристов, что обязательно к выводу/доказательству в обязательных задачах.

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

Oитоговая = 0.8 * Oнакопленная + 0.2 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания.
Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.

=== Правила сдачи домашних заданий ===

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работа не принимаются.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

Работы и вопросы по результатам проверки работа отправлять '''в соотвествии со своим семинаристом на адреса''':
* Швечиков Павел: psad.homework+shvechikov@gmail.com
* Хальман Михаил: psad.homework+khalman@gmail.com

Темы писем:
* Для сдачи ДЗ: "ДЗ {Номер ДЗ} - Фамилия Имя Отчество"
* Для вопроса по результатам проверки ДЗ: "ДЗ {Номер ДЗ} - Фамилия Имя Отчество - Вопрос"
* Для вопроса по результатам проверки работы на семинаре: "Семинар {Номер Семинара} - Фамилия Имя Отчество - Вопрос"

ДЗ {Номер ДЗ} или Семинар {Номер Семинара} можно посмотреть в листах [https://docs.google.com/spreadsheets/d/11k6ULlMORmjqqq67RmrArF37qTE2cC1JN9IgYTTNU8s/edit?usp=sharing Таблицы с оценками]

=== Софт ===

== Лекции ==
'''Лекция 1''' (5 сентября). Базовые распределения, статистики и их свойства [[https://yadi.sk/d/fFrArK_jum4ve слайды]]

'''Лекция 2''' (12 сентября). Оценка параметров: ММП, метод моментов, бутстрэп [[https://yadi.sk/i/NtdP7y-4v3g6Y слайды]]

'''Лекция 3''' (19 сентября). Основы проверки гипотез [[https://yadi.sk/i/C6_mU6OjvMTmV слайды]]

'''Лекция 4''' (26 сентября). Проверка параметрических гипотез [[https://yadi.sk/d/RyXS_4LjvbygS]]

== Cеминары ==

[https://yadi.sk/i/mivbrMpFvUaVc Ссылка на список задач для самостоятельной работы]

'''Семинар 1''' (5-6 сентября). Знакомство с языком R. [https://docs.google.com/document/d/1Y_7HMHYN-0D4ot-0rjucya-KVdmZPk-OfQDBbLVumbc/edit?usp=sharing Задачи по ТВ]

До начала второго семинара, убедитесь, пожалуйста, что вы прошли из блока "R Programming: The basics of programming in R" пакета swirl [http://swirlstats.com/students.html (инструкция по установке и запуску swirl)] следующие уроки:
* 1: Basic Building Blocks
* 4: Vectors
* 7: Matrices and Data Frames
* 10: lapply and sapply
* 13: Simulation
* 15: Base Graphics

В противном случае на втором семинаре вы не сможете полноценно влиться в работу.

'''Семинар 2''' (12-13 сентября). Введение в математическую статистику. Метод Максимального Правдоподобия. Метод Моментов. Бутстрэп. Дельта метод.

[https://yadi.sk/i/ouWUOF7cv4V4W Задание на 2-ой семинар]

[https://goo.gl/forms/7k2x8LE6VM0iB48L2 Cсылка на гуглформу с результатами]

[https://yadi.sk/d/GyPhCNkRvLFAN Решение заданий с семинара]

'''Семинар 3''' (19-20 сентября). Статистические критерии основанные на функции правдоподобия.

[https://yadi.sk/i/Y9LFxEkxvRZdT Задание на 3-ий семинар]

[https://yadi.sk/d/i39dK6dLvTRcr Решение заданий с семинара]

'''Семинар 4''' (26-27 сентября). Проверка параметрических гипотез

[https://www.dropbox.com/sh/e9k1c8hemojaw56/AAAMNiL9TuhZzAwcX3dyJtU-a?dl=0 Задания на 4-ый семинар]

== Литература ==

===Основная литература===
# Вальд, А. Последовательный анализ. — М.: Физматлит, 1960.
# Кобзарь, А.И. Прикладная математическая статистика. — М.: Физматлит, 2006.
# Лагутин, М.Б. Наглядная математическая статистика. — М.: П-центр, 2003.
# Agresti, A. Categorical Data Analysis. — Hoboken: John Wiley & Sons, 2013.
# Bilder, C.R., Loughin, T.M. Analysis of Categorical Data with R. — Boca Raton: Chapman and Hall/CRC, 2013.
# Bonnini, S., Corain, L., Marozzi, M., Salmaso S. Nonparametric Hypothesis Testing: Rank and Permutation Methods with Applications in R. — Hoboken: John Wiley & Sons, 2014.
# Bretz, F., Hothorn, T., Westfall, P. Multiple Comparisons Using R. — Boca Raton: Chapman and Hall/CRC, 2010.
# Chihara, L., Hesterberg, T. Mathematical Statistics with Resampling and R — Hoboken: John Wiley & Sons, 2011.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Hyndman, R.J., Athanasopoulos G. Forecasting: principles and practice. — OTexts, 2016. https://www.otexts.org/book/fpp
# Kanji, G.K. 100 statistical tests. — London: SAGE Publications, 2006.
# Mukhopadhyay, N., de Silva, B. M. Sequential methods and their applications. — Boca Raton: Chapman and Hall/CRC, 2009.
# Olsson, U. Generalized Linear Models: An Applied Approach. — Lund: Studentlitteratur, 2004.
# Pearl J., Glymour M., Jewell N.P. Causal Inference in Statistics: A Primer. — Chichester: John Wiley & Sons, 2016.
# Tabachnick, B.G., Fidell, L.S. Using Multivariate Statistics. — Boston: Pearson Education, 2012.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.

=== Дополнительная литература ===
# Cameron, A.A., Trivedi, P.K. Regression Analysis of Count Data. — Cambridge: Cambridge University Press, 2013.
# Dickhaus, T. Simultaneous Statistical Inference With Applications in the Life Sciences. — Heidelberg: Springer, 2014.
# Good, P. Permutation, Parametric and Bootstrap Tests of Hypotheses: A Practical Guide to Resampling Methods for Testing Hypotheses. — New York: Springer, 2005.
# Hosmer, D.W., Lemeshow S., Sturdivant, R.X. Applied Logistic Regression. — Hoboken: John Wiley & Sons, 2013.

Прикладной статистический анализ данных

2016-09-05T03:32:49Z

Egorovevgenyy: /* Правила сдачи домашних заданий */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ] специализации [https://www.hse.ru/ba/ami/mla "Машинное обучение и приложения"] в 1-2 модулях.

'''Лектор:''' [http://www.hse.ru/staff/?? Рябенко Евгений Алексеевич]

Лекции проходят по понедельникам, 10:30 - 11:50, ауд. 509.

[https://www.hse.ru/ba/ami/courses/184771666.html Карточка курса и программа]

[https://docs.google.com/spreadsheets/d/11k6ULlMORmjqqq67RmrArF37qTE2cC1JN9IgYTTNU8s/edit?usp=sharing Таблица с оценками]

Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Страница
|-
| 141 (МОП) || [https://www.hse.ru/?? Швечиков Павел Дмитриевич] || Егоров Евгений Евгеньевич||
|-
| 142 (МОП) || [http://??.?? Хальман Михаил Анатольевич] || Варганов Георгий ||
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Проверочные работы на семинарах, проверяющие знание основных фактов с лекций и ключевые навыки студента
* Практические домашние работы на языке R (всего 4шт: 2 в первом модуле и 2 во втором)
* Коллоквиум в конце 1-го модуля
* Экзамен в конце 2-го модуля

'''Проверочные работы''' будут проводиться в режиме блиц преимущественно в начале семинара. В каждую проверочную работу будут входить задачи из списка, вывешенного на этой странице. В этот список будет входить фиксированный набор задач по каждой пройденной теме. После прохождения темы выложенные задачи к этой теме меняться не будут. Каждая следующая проверочная работа будет включать в себя случайную выборку из всех задач, включенных в этот список (в т.ч. и по предыдущим пройденным темам). Таким образом, у всех есть возможность подготовиться к проверочной работе до начала семинара. При этом любые попытки списывания будут жестко караться в соответствии с правилами ВШЭ.

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

Oитоговая = 0.8 * Oнакопленная + 0.2 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания.
Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.

=== Правила сдачи домашних заданий ===

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работа не принимаются.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

Работы и вопросы по результатам проверки работа отправлять '''в соотвествии со своим семинаристом на адреса''':
* Швечиков Павел: psad.homework+shvechikov@gmail.com
* Хальман Михаил: psad.homework+khalman@gmail.com

Темы писем:
* Для сдачи ДЗ: "ДЗ {Номер ДЗ} - Фамилия Имя Отчество"
* Для вопроса по результатам проверки ДЗ: "ДЗ {Номер ДЗ} - Фамилия Имя Отчество - Вопрос"
* Для вопроса по результатам проверки работы на семинаре: "Семинар {Номер Семинара} - Фамилия Имя Отчество - Вопрос"

ДЗ {Номер ДЗ} или Семинар {Номер Семинара} можно посмотреть в листах [https://docs.google.com/spreadsheets/d/11k6ULlMORmjqqq67RmrArF37qTE2cC1JN9IgYTTNU8s/edit?usp=sharing Таблицы с оценками]

== Лекции ==
'''Лекция 1''' (5 сентября). Базовые распределения, статистики и их свойства.

== Cеминары ==
'''Семинар 1''' (5-6 сентября). Знакомство с языком R.

== Литература ==

===Основная литература===
# Вальд, А. Последовательный анализ. — М.: Физматлит, 1960.
# Кобзарь, А.И. Прикладная математическая статистика. — М.: Физматлит, 2006.
# Лагутин, М.Б. Наглядная математическая статистика. — М.: П-центр, 2003.
# Agresti, A. Categorical Data Analysis. — Hoboken: John Wiley & Sons, 2013.
# Baltagi, B.H. Econometric analysis of panel data. — Hoboken: John Wiley & Sons, 3rd ed., 2005.
# Bonnini, S., Corain, L., Marozzi, M., Salmaso S. Nonparametric Hypothesis Testing: Rank and Permutation Methods with Applications in R. — Hoboken: John Wiley & Sons, 2014.
# Bretz, F., Hothorn, T., Westfall, P. Multiple Comparisons Using R. — Boca Raton: Chapman and Hall/CRC, 2010.
# Cameron, A.A., Trivedi, P.K. Regression Analysis of Count Data. — Cambridge: Cambridge University Press, 2013.
# Chihara, L., Hesterberg, T. Mathematical Statistics with Resampling and R — Hoboken: John Wiley & Sons, 2011.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Hosmer, D.W., Lemeshow S., Sturdivant, R.X. Applied Logistic Regression. — Hoboken: John Wiley & Sons, 2013.
# Hyndman, R.J., Athanasopoulos G. Forecasting: principles and practice. — OTexts, 2016. https://www.otexts.org/book/fpp
# Kanji, G.K. 100 statistical tests. — London: SAGE Publications, 2006.
# Mukhopadhyay, N., de Silva, B. M. Sequential methods and their applications. — Boca Raton: Chapman and Hall/CRC, 2009.
# Olsson, U. Generalized Linear Models: An Applied Approach. — Lund: Studentlitteratur, 2004.
# Pearl J., Glymour M., Jewell N.P. Causal Inference in Statistics: A Primer. — Chichester: John Wiley & Sons, 2016.
# Tabachnick, B.G., Fidell, L.S. Using Multivariate Statistics. — Boston: Pearson Education, 2012.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.

=== Дополнительная литература ===

# Dickhaus, T. Simultaneous Statistical Inference With Applications in the Life Sciences. — Heidelberg: Springer, 2014.
# Good, P. Permutation, Parametric and Bootstrap Tests of Hypotheses: A Practical Guide to Resampling Methods for Testing Hypotheses. — New York: Springer, 2005.
# Khurshid, A. (2010). Binomial and Poisson Confidence Intervals and its Variants: A Bibliography. Pakistan Journal of Statistics and Operation Research, (1), 75–100.
# Newcombe, R. G. (1998). Two-sided confidence intervals for the single proportion: comparison of seven methods. Statistics in Medicine, 17, 857–72.
# Newcombe, R. G. (1998). Improved confidence intervals for the difference between binomial proportions based on paired data. Statistics in Medicine, 17, 2635–2650.
# Newcombe, R. G. (1998). Interval estimation for the difference between independent proportions: comparison of eleven methods. Statistics in Medicine, 17, 873–890.
# Ng, H. K. T., Gu, K., & Tang, M. L. (2007). A comparative study of tests for the difference of two Poisson means. Computational Statistics & Data Analysis, 51(6), 3085–3099.

Прикладной статистический анализ данных

2016-09-05T03:31:48Z

Egorovevgenyy: /* О курсе */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ] специализации [https://www.hse.ru/ba/ami/mla "Машинное обучение и приложения"] в 1-2 модулях.

'''Лектор:''' [http://www.hse.ru/staff/?? Рябенко Евгений Алексеевич]

Лекции проходят по понедельникам, 10:30 - 11:50, ауд. 509.

[https://www.hse.ru/ba/ami/courses/184771666.html Карточка курса и программа]

[https://docs.google.com/spreadsheets/d/11k6ULlMORmjqqq67RmrArF37qTE2cC1JN9IgYTTNU8s/edit?usp=sharing Таблица с оценками]

Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Страница
|-
| 141 (МОП) || [https://www.hse.ru/?? Швечиков Павел Дмитриевич] || Егоров Евгений Евгеньевич||
|-
| 142 (МОП) || [http://??.?? Хальман Михаил Анатольевич] || Варганов Георгий ||
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Проверочные работы на семинарах, проверяющие знание основных фактов с лекций и ключевые навыки студента
* Практические домашние работы на языке R (всего 4шт: 2 в первом модуле и 2 во втором)
* Коллоквиум в конце 1-го модуля
* Экзамен в конце 2-го модуля

'''Проверочные работы''' будут проводиться в режиме блиц преимущественно в начале семинара. В каждую проверочную работу будут входить задачи из списка, вывешенного на этой странице. В этот список будет входить фиксированный набор задач по каждой пройденной теме. После прохождения темы выложенные задачи к этой теме меняться не будут. Каждая следующая проверочная работа будет включать в себя случайную выборку из всех задач, включенных в этот список (в т.ч. и по предыдущим пройденным темам). Таким образом, у всех есть возможность подготовиться к проверочной работе до начала семинара. При этом любые попытки списывания будут жестко караться в соответствии с правилами ВШЭ.

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

Oитоговая = 0.8 * Oнакопленная + 0.2 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания.
Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.

=== Правила сдачи домашних заданий ===

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работа не принимаются.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

Работы и вопросы по результатам проверки работа отправлять '''в соотвествии со своим семинаристом на адреса''':
* Швечиков Павел: psad.homework+shvechikov@gmail.com
* Хальман Михаил: psad.homework+khalman@gmail.com

Темы писем:
* Для сдачи ДЗ: "ДЗ {Номер ДЗ} - Фамилия Имя Отчество"
* Для вопроса по результатам проверки ДЗ: "ДЗ {Номер ДЗ} - Фамилия Имя Отчество - Вопрос"
* Для вопроса по результатам проверки работы на семинаре: "Семинар {Номер Семинара} - Фамилия Имя Отчество - Вопрос"

ДЗ {Номер ДЗ} или Семинар {Номер Семинара} можно посмотреть в [https://docs.google.com/spreadsheets/d/11k6ULlMORmjqqq67RmrArF37qTE2cC1JN9IgYTTNU8s/edit?usp=sharing Таблица с оценками]

== Лекции ==
'''Лекция 1''' (5 сентября). Базовые распределения, статистики и их свойства.

== Cеминары ==
'''Семинар 1''' (5-6 сентября). Знакомство с языком R.

== Литература ==

===Основная литература===
# Вальд, А. Последовательный анализ. — М.: Физматлит, 1960.
# Кобзарь, А.И. Прикладная математическая статистика. — М.: Физматлит, 2006.
# Лагутин, М.Б. Наглядная математическая статистика. — М.: П-центр, 2003.
# Agresti, A. Categorical Data Analysis. — Hoboken: John Wiley & Sons, 2013.
# Baltagi, B.H. Econometric analysis of panel data. — Hoboken: John Wiley & Sons, 3rd ed., 2005.
# Bonnini, S., Corain, L., Marozzi, M., Salmaso S. Nonparametric Hypothesis Testing: Rank and Permutation Methods with Applications in R. — Hoboken: John Wiley & Sons, 2014.
# Bretz, F., Hothorn, T., Westfall, P. Multiple Comparisons Using R. — Boca Raton: Chapman and Hall/CRC, 2010.
# Cameron, A.A., Trivedi, P.K. Regression Analysis of Count Data. — Cambridge: Cambridge University Press, 2013.
# Chihara, L., Hesterberg, T. Mathematical Statistics with Resampling and R — Hoboken: John Wiley & Sons, 2011.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Hosmer, D.W., Lemeshow S., Sturdivant, R.X. Applied Logistic Regression. — Hoboken: John Wiley & Sons, 2013.
# Hyndman, R.J., Athanasopoulos G. Forecasting: principles and practice. — OTexts, 2016. https://www.otexts.org/book/fpp
# Kanji, G.K. 100 statistical tests. — London: SAGE Publications, 2006.
# Mukhopadhyay, N., de Silva, B. M. Sequential methods and their applications. — Boca Raton: Chapman and Hall/CRC, 2009.
# Olsson, U. Generalized Linear Models: An Applied Approach. — Lund: Studentlitteratur, 2004.
# Pearl J., Glymour M., Jewell N.P. Causal Inference in Statistics: A Primer. — Chichester: John Wiley & Sons, 2016.
# Tabachnick, B.G., Fidell, L.S. Using Multivariate Statistics. — Boston: Pearson Education, 2012.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.

=== Дополнительная литература ===

# Dickhaus, T. Simultaneous Statistical Inference With Applications in the Life Sciences. — Heidelberg: Springer, 2014.
# Good, P. Permutation, Parametric and Bootstrap Tests of Hypotheses: A Practical Guide to Resampling Methods for Testing Hypotheses. — New York: Springer, 2005.
# Khurshid, A. (2010). Binomial and Poisson Confidence Intervals and its Variants: A Bibliography. Pakistan Journal of Statistics and Operation Research, (1), 75–100.
# Newcombe, R. G. (1998). Two-sided confidence intervals for the single proportion: comparison of seven methods. Statistics in Medicine, 17, 857–72.
# Newcombe, R. G. (1998). Improved confidence intervals for the difference between binomial proportions based on paired data. Statistics in Medicine, 17, 2635–2650.
# Newcombe, R. G. (1998). Interval estimation for the difference between independent proportions: comparison of eleven methods. Statistics in Medicine, 17, 873–890.
# Ng, H. K. T., Gu, K., & Tang, M. L. (2007). A comparative study of tests for the difference of two Poisson means. Computational Statistics & Data Analysis, 51(6), 3085–3099.

Прикладной статистический анализ данных

2016-09-05T03:29:49Z

Egorovevgenyy: /* Правила сдачи домашних заданий */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ] специализации [https://www.hse.ru/ba/ami/mla "Машинное обучение и приложения"] в 1-2 модулях.

'''Лектор:''' [http://www.hse.ru/staff/?? Рябенко Евгений Алексеевич]

Лекции проходят по понедельникам, 10:30 - 11:50, ауд. 509.

[https://www.hse.ru/ba/ami/courses/184771666.html Карточка курса и программа]

Почта для сдачи домашних заданий: [mailto:psad.homework@gmail.com psad.homework@gmail.com]

[https://docs.google.com/spreadsheets/d/11k6ULlMORmjqqq67RmrArF37qTE2cC1JN9IgYTTNU8s/edit?usp=sharing Таблица с оценками]

Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Страница
|-
| 141 (МОП) || [https://www.hse.ru/?? Швечиков Павел Дмитриевич] || Егоров Евгений Евгеньевич||
|-
| 142 (МОП) || [http://??.?? Хальман Михаил Анатольевич] || Варганов Георгий ||
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Проверочные работы на семинарах, проверяющие знание основных фактов с лекций и ключевые навыки студента
* Практические домашние работы на языке R (всего 4шт: 2 в первом модуле и 2 во втором)
* Коллоквиум в конце 1-го модуля
* Экзамен в конце 2-го модуля

'''Проверочные работы''' будут проводиться в режиме блиц преимущественно в начале семинара. В каждую проверочную работу будут входить задачи из списка, вывешенного на этой странице. В этот список будет входить фиксированный набор задач по каждой пройденной теме. После прохождения темы выложенные задачи к этой теме меняться не будут. Каждая следующая проверочная работа будет включать в себя случайную выборку из всех задач, включенных в этот список (в т.ч. и по предыдущим пройденным темам). Таким образом, у всех есть возможность подготовиться к проверочной работе до начала семинара. При этом любые попытки списывания будут жестко караться в соответствии с правилами ВШЭ.

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

Oитоговая = 0.8 * Oнакопленная + 0.2 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания.
Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.

=== Правила сдачи домашних заданий ===

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работа не принимаются.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

Работы и вопросы по результатам проверки работа отправлять '''в соотвествии со своим семинаристом на адреса''':
* Швечиков Павел: psad.homework+shvechikov@gmail.com
* Хальман Михаил: psad.homework+khalman@gmail.com

Темы писем:
* Для сдачи ДЗ: "ДЗ {Номер ДЗ} - Фамилия Имя Отчество"
* Для вопроса по результатам проверки ДЗ: "ДЗ {Номер ДЗ} - Фамилия Имя Отчество - Вопрос"
* Для вопроса по результатам проверки работы на семинаре: "Семинар {Номер Семинара} - Фамилия Имя Отчество - Вопрос"

ДЗ {Номер ДЗ} или Семинар {Номер Семинара} можно посмотреть в таблице с результатами.

== Лекции ==
'''Лекция 1''' (5 сентября). Базовые распределения, статистики и их свойства.

== Cеминары ==
'''Семинар 1''' (5-6 сентября). Знакомство с языком R.

== Литература ==

===Основная литература===
# Вальд, А. Последовательный анализ. — М.: Физматлит, 1960.
# Кобзарь, А.И. Прикладная математическая статистика. — М.: Физматлит, 2006.
# Лагутин, М.Б. Наглядная математическая статистика. — М.: П-центр, 2003.
# Agresti, A. Categorical Data Analysis. — Hoboken: John Wiley & Sons, 2013.
# Baltagi, B.H. Econometric analysis of panel data. — Hoboken: John Wiley & Sons, 3rd ed., 2005.
# Bonnini, S., Corain, L., Marozzi, M., Salmaso S. Nonparametric Hypothesis Testing: Rank and Permutation Methods with Applications in R. — Hoboken: John Wiley & Sons, 2014.
# Bretz, F., Hothorn, T., Westfall, P. Multiple Comparisons Using R. — Boca Raton: Chapman and Hall/CRC, 2010.
# Cameron, A.A., Trivedi, P.K. Regression Analysis of Count Data. — Cambridge: Cambridge University Press, 2013.
# Chihara, L., Hesterberg, T. Mathematical Statistics with Resampling and R — Hoboken: John Wiley & Sons, 2011.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Hosmer, D.W., Lemeshow S., Sturdivant, R.X. Applied Logistic Regression. — Hoboken: John Wiley & Sons, 2013.
# Hyndman, R.J., Athanasopoulos G. Forecasting: principles and practice. — OTexts, 2016. https://www.otexts.org/book/fpp
# Kanji, G.K. 100 statistical tests. — London: SAGE Publications, 2006.
# Mukhopadhyay, N., de Silva, B. M. Sequential methods and their applications. — Boca Raton: Chapman and Hall/CRC, 2009.
# Olsson, U. Generalized Linear Models: An Applied Approach. — Lund: Studentlitteratur, 2004.
# Pearl J., Glymour M., Jewell N.P. Causal Inference in Statistics: A Primer. — Chichester: John Wiley & Sons, 2016.
# Tabachnick, B.G., Fidell, L.S. Using Multivariate Statistics. — Boston: Pearson Education, 2012.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.

=== Дополнительная литература ===

# Dickhaus, T. Simultaneous Statistical Inference With Applications in the Life Sciences. — Heidelberg: Springer, 2014.
# Good, P. Permutation, Parametric and Bootstrap Tests of Hypotheses: A Practical Guide to Resampling Methods for Testing Hypotheses. — New York: Springer, 2005.
# Khurshid, A. (2010). Binomial and Poisson Confidence Intervals and its Variants: A Bibliography. Pakistan Journal of Statistics and Operation Research, (1), 75–100.
# Newcombe, R. G. (1998). Two-sided confidence intervals for the single proportion: comparison of seven methods. Statistics in Medicine, 17, 857–72.
# Newcombe, R. G. (1998). Improved confidence intervals for the difference between binomial proportions based on paired data. Statistics in Medicine, 17, 2635–2650.
# Newcombe, R. G. (1998). Interval estimation for the difference between independent proportions: comparison of eleven methods. Statistics in Medicine, 17, 873–890.
# Ng, H. K. T., Gu, K., & Tang, M. L. (2007). A comparative study of tests for the difference of two Poisson means. Computational Statistics & Data Analysis, 51(6), 3085–3099.

Прикладной статистический анализ данных

2016-09-05T03:25:31Z

Egorovevgenyy: /* Правила сдачи домашних заданий */

== О курсе ==

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ] специализации [https://www.hse.ru/ba/ami/mla "Машинное обучение и приложения"] в 1-2 модулях.

'''Лектор:''' [http://www.hse.ru/staff/?? Рябенко Евгений Алексеевич]

Лекции проходят по понедельникам, 10:30 - 11:50, ауд. 509.

[https://www.hse.ru/ba/ami/courses/184771666.html Карточка курса и программа]

Почта для сдачи домашних заданий: [mailto:psad.homework@gmail.com psad.homework@gmail.com]

[https://docs.google.com/spreadsheets/d/11k6ULlMORmjqqq67RmrArF37qTE2cC1JN9IgYTTNU8s/edit?usp=sharing Таблица с оценками]

Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Страница
|-
| 141 (МОП) || [https://www.hse.ru/?? Швечиков Павел Дмитриевич] || Егоров Евгений Евгеньевич||
|-
| 142 (МОП) || [http://??.?? Хальман Михаил Анатольевич] || Варганов Георгий ||
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Проверочные работы на семинарах, проверяющие знание основных фактов с лекций и ключевые навыки студента
* Практические домашние работы на языке R (всего 4шт: 2 в первом модуле и 2 во втором)
* Коллоквиум в конце 1-го модуля
* Экзамен в конце 2-го модуля

'''Проверочные работы''' будут проводиться в режиме блиц преимущественно в начале семинара. В каждую проверочную работу будут входить задачи из списка, вывешенного на этой странице. В этот список будет входить фиксированный набор задач по каждой пройденной теме. После прохождения темы выложенные задачи к этой теме меняться не будут. Каждая следующая проверочная работа будет включать в себя случайную выборку из всех задач, включенных в этот список (в т.ч. и по предыдущим пройденным темам). Таким образом, у всех есть возможность подготовиться к проверочной работе до начала семинара. При этом любые попытки списывания будут жестко караться в соответствии с правилами ВШЭ.

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

Oитоговая = 0.8 * Oнакопленная + 0.2 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за домашние задания рассчитывается как среднее значение оценок за все выданные домашние задания.
Оценка за самостоятельную работу рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.

=== Правила сдачи домашних заданий ===

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работа не принимаются.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

Работы и вопросы по результатам проверки работа отправлять '''в соотвествии со своим семинаристом на адреса''':
* psad.homework+khalman@gmail.com
* psad.homework+shvechikov@gmail.com

Темы писем:
* Для сдачи ДЗ: "ДЗ {Номер ДЗ} - Фамилия Имя Отчество"
* Для вопроса по результатам проверки ДЗ: "ДЗ {Номер ДЗ} - Фамилия Имя Отчество - Вопрос"
* Для вопроса по результатам проверки работы на семинаре: "Семинар {Номер Семинара} - Фамилия Имя Отчество - Вопрос"

ДЗ {Номер ДЗ} или Семинар {Номер Семинара} можно посмотреть в таблице с результатами.

== Лекции ==
'''Лекция 1''' (5 сентября). Базовые распределения, статистики и их свойства.

== Cеминары ==
'''Семинар 1''' (5-6 сентября). Знакомство с языком R.

== Литература ==

===Основная литература===
# Вальд, А. Последовательный анализ. — М.: Физматлит, 1960.
# Кобзарь, А.И. Прикладная математическая статистика. — М.: Физматлит, 2006.
# Лагутин, М.Б. Наглядная математическая статистика. — М.: П-центр, 2003.
# Agresti, A. Categorical Data Analysis. — Hoboken: John Wiley & Sons, 2013.
# Baltagi, B.H. Econometric analysis of panel data. — Hoboken: John Wiley & Sons, 3rd ed., 2005.
# Bonnini, S., Corain, L., Marozzi, M., Salmaso S. Nonparametric Hypothesis Testing: Rank and Permutation Methods with Applications in R. — Hoboken: John Wiley & Sons, 2014.
# Bretz, F., Hothorn, T., Westfall, P. Multiple Comparisons Using R. — Boca Raton: Chapman and Hall/CRC, 2010.
# Cameron, A.A., Trivedi, P.K. Regression Analysis of Count Data. — Cambridge: Cambridge University Press, 2013.
# Chihara, L., Hesterberg, T. Mathematical Statistics with Resampling and R — Hoboken: John Wiley & Sons, 2011.
# Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. — OpenIntro, 2015.
# Hosmer, D.W., Lemeshow S., Sturdivant, R.X. Applied Logistic Regression. — Hoboken: John Wiley & Sons, 2013.
# Hyndman, R.J., Athanasopoulos G. Forecasting: principles and practice. — OTexts, 2016. https://www.otexts.org/book/fpp
# Kanji, G.K. 100 statistical tests. — London: SAGE Publications, 2006.
# Mukhopadhyay, N., de Silva, B. M. Sequential methods and their applications. — Boca Raton: Chapman and Hall/CRC, 2009.
# Olsson, U. Generalized Linear Models: An Applied Approach. — Lund: Studentlitteratur, 2004.
# Pearl J., Glymour M., Jewell N.P. Causal Inference in Statistics: A Primer. — Chichester: John Wiley & Sons, 2016.
# Tabachnick, B.G., Fidell, L.S. Using Multivariate Statistics. — Boston: Pearson Education, 2012.
# Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.

=== Дополнительная литература ===

# Dickhaus, T. Simultaneous Statistical Inference With Applications in the Life Sciences. — Heidelberg: Springer, 2014.
# Good, P. Permutation, Parametric and Bootstrap Tests of Hypotheses: A Practical Guide to Resampling Methods for Testing Hypotheses. — New York: Springer, 2005.
# Khurshid, A. (2010). Binomial and Poisson Confidence Intervals and its Variants: A Bibliography. Pakistan Journal of Statistics and Operation Research, (1), 75–100.
# Newcombe, R. G. (1998). Two-sided confidence intervals for the single proportion: comparison of seven methods. Statistics in Medicine, 17, 857–72.
# Newcombe, R. G. (1998). Improved confidence intervals for the difference between binomial proportions based on paired data. Statistics in Medicine, 17, 2635–2650.
# Newcombe, R. G. (1998). Interval estimation for the difference between independent proportions: comparison of eleven methods. Statistics in Medicine, 17, 873–890.
# Ng, H. K. T., Gu, K., & Tang, M. L. (2007). A comparative study of tests for the difference of two Poisson means. Computational Statistics & Data Analysis, 51(6), 3085–3099.

Прикладной статистический анализ данных

2016-09-05T03:00:03Z

Egorovevgenyy: /* О курсе */

Прикладной статистический анализ данных

2016-09-05T02:42:22Z

Egorovevgenyy: /* Семинары */