Wiki - Факультет компьютерных наук - Вклад [ru]

Introduction to Data Culture 2019-2020

2019-12-09T07:49:31Z

Elena.kantonistova:

==Materials==

Your grades are [https://docs.google.com/spreadsheets/d/1OtJR4Vhk8FkFHXQhJqp9VLfa9zsQ-TXGFFiF8ATmMAo/edit?usp=sharing here]
{| class="wikitable"
|-
! № !! Topic !! Slides !! Tutorial and Assignment !! Additional Materials
|-
| style="background:#eaecf0;" | '''1''' || Introduction to Data Science || [https://yadi.sk/i/0f3Le1LmWT2kbw Slides1] || [https://yadi.sk/i/XWW37z-PH2EXug Practice1] || [https://bit.ly/367Ej8p Rules for plotting graphs]
|-
| style="background:#eaecf0;" | '''2''' || Data Characteristics|| [https://bitly.su/7kjob Slides2] || [https://bitly.su/E475Cu Practice2] ||
|-
| style="background:#eaecf0;" | '''3''' || Conditional Operators || [https://bitly.su/nHj6L4S Slides3] || [https://yadi.sk/i/RaHE4UMCg1w_Bg Practice3] ||
|-
| style="background:#eaecf0;" | '''4''' || Text Functions and Pivot Tables || - || [https://yadi.sk/i/wGAstSLmPrsSbA Practice4] ||
|-
| style="background:#eaecf0;" | '''5-6''' || Time Series || [https://drive.google.com/file/d/17Ernj95tU_2NK9ofkh0mPjAY-lfc3v6U/view?usp=sharing Slides5-6] || [https://drive.google.com/open?id=1HVhpUJAt2_IIzM-3-OQgkAWTO8kbdYIE Practice5-6] ||
|-
| style="background:#eaecf0;" | '''7''' || Time Series || [https://yadi.sk/i/84IIAAze6d9BoA Slides7] || [https://yadi.sk/i/gq_srPBjCBGztw Practice7] ||
|-
|}

==Teamwork==

First two homeworks are considered to be made individually. Later, you can work on the practice assignments in teams, you are free to choose and organise. Teams can contain two or three people.

==Communication==

All course materials, assignments, deadlines will be published on [http://wiki.cs.hse.ru/Introduction_to_Data_Culture_2019-2020 very wiki].

All practical announcements concerning the whole course (such as lecture cancellation) will appear on the Telegram channel https://t.me/joinchat/Du3HEUStPxVGVwnEvkzokw

Also, please name your tasks in this format: Practice#PracticeNumber#_#Group number#_#Team number#_#Names of participants#, where the Team number is the number of the team in which you work during the seminar.

For example: Practice1_BMOL181_Ivanov
{| class="wikitable"
|-
! Group !! Teacher !! Teaching Assistant !! Schedule
|-
| style="background:#eaecf0;" | '''BMOL191''' || Marina Ananyeva [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram] || Egor Chernousov || Thursday 09:00 - 10:20
|-
| style="background:#eaecf0;" | '''BMOL192''' || Marina Ananyeva || Valeriya Rusina [mailto:varusina@edu.hse.ru Email] [https://t.me/ValeriyaRus77 Telegram] || Thursday 10:30 - 11:50
|-
| style="background:#eaecf0;" | '''BMOL193''' || Marina Ananyeva || Liana Gainutdinova [mailto:lrgaynutdinova@edu.hse.ru Email] [https://t.me/forglemig Telegram] || Monday 09:00 - 10:20
|-
| style="background:#eaecf0;" | '''BMOL194''' || Marina Ananyeva || Polina Semenova [mailto:pesemenova@edu.hse.ru Email] [https://t.me/mavieestlamerde Telegram] || Tuesday 09:00 - 10:20
|-
| style="background:#eaecf0;" | '''BMOL195''' || Ilya Abroskin [mailto:dc.ir.hse@gmail.com Email] [https://t.me/iiiiilllllyyyyyaaaa Telegram]|| Andrey Chernikov [mailto:amchernikov@edu.hse.ru Email] [https://t.me/chernik28 Telegram] || Monday 13:40-15:00
|-
| style="background:#eaecf0;" | '''BMOL196''' || Ilya Abroskin [mailto:dc.ir.hse@gmail.com Email] [https://t.me/iiiiilllllyyyyyaaaa Telegram]|| Andrey Chernikov [mailto:amchernikov@edu.hse.ru Email] [https://t.me/chernik28 Telegram] || Monday 12:10-13:30
|-
| style="background:#eaecf0;" | '''BMOL197''' || Elena Kantonistova || Mikhail Belkin [https://t.me/belkin1667 Telegram] || Monday 10:30-11:50
|-
| style="background:#eaecf0;" | '''BMOL198''' || Elena Kantonistova || Mikhail Belkin [https://t.me/belkin1667 Telegram] || Monday 09:00-10:20
|}

Links for submitting homework
{| class="wikitable"
|-
! Group !! HW 1 !! HW 2 !! HW 3 !! HW 4 !! HW 5-6 !! HW 7
|-
| style="background:#eaecf0;" | '''BMOL191''' || [https://www.dropbox.com/request/WLg2AmYF8b1M4qpsyajK link1] || [https://www.dropbox.com/request/WLg2AmYF8b1M4qpsyajK link2] || [https://www.dropbox.com/request/WLg2AmYF8b1M4qpsyajK link3] || [https://www.dropbox.com/request/WLg2AmYF8b1M4qpsyajK link4] || [https://www.dropbox.com/request/WLg2AmYF8b1M4qpsyajK link5-6] || [https://www.dropbox.com/request/WLg2AmYF8b1M4qpsyajK link7] ||
|-
| style="background:#eaecf0;" | '''BMOL192''' || [https://www.dropbox.com/request/hsDwu5ofscXns74B6aMA link 1] || [https://www.dropbox.com/request/LQrj6xdfyuu31rgLQ2Og link 2] || [https://www.dropbox.com/request/QMY2QFZKNFsp0AokFVgW link 3] || [https://www.dropbox.com/request/pSmPCcvxPDIdBzAGXrEl link4] || [https://www.dropbox.com/request/1uwLhXbZ4MF6el1r8WNq link 5-6]
|-
| style="background:#eaecf0;" | '''BMOL193''' || [https://www.dropbox.com/request/JkVG5PXDnyJzRQ7VGp2o link 1] || [https://www.dropbox.com/request/aet4N10cWCb2AFr9IW4j link 2] || [https://www.dropbox.com/request/LzfyaPRueOfDpfxXkMSi link 3]||[https://www.dropbox.com/request/53kbUV1HQEALbRhSMmVC link 4] || [https://www.dropbox.com/request/6KdTdUYAvHQ7HZtxCxNM link 5-6] || [https://www.dropbox.com/request/xMzBYST3w31ivXUkwcIt link 7]
|-
| style="background:#eaecf0;" | '''BMOL194''' || [https://www.dropbox.com/request/TTRFsrY02wj1E9OkZulp link 1] || [https://www.dropbox.com/request/dSNykwgzVeoNT4qvnycR link 2] || [https://www.dropbox.com/request/dSNykwgzVeoNT4qvnycR link 3] || [https://www.dropbox.com/request/dSNykwgzVeoNT4qvnycR link 4] || [https://www.dropbox.com/request/dSNykwgzVeoNT4qvnycR link 5-6] || [https://www.dropbox.com/request/dSNykwgzVeoNT4qvnycR link 7]
|-
| style="background:#eaecf0;" | '''BMOL195''' || [https://www.dropbox.com/request/55ZgClZ7yGo2nNKIsEnS link 1] || [https://www.dropbox.com/request/AbrgRXMdzkOxHLRKhUyp link 2] || [https://www.dropbox.com/request/btCtp70tmEmQksluQ5Ol link 3] || [https://www.dropbox.com/request/XkQct3GCz0YHVs4Ne1DL link 4] || [https://www.dropbox.com/request/2PBbMFZbT7LAsTGrXnmP link 5-6] || [https://www.dropbox.com/request/zHw7XkDvpb3Tl1vAd4GQ link 7]
|-
| style="background:#eaecf0;" | '''BMOL196''' || [https://www.dropbox.com/request/JQlEain1m9c9tKXCLuZy link 1] || [https://www.dropbox.com/request/3rH9GmHBCp2wpXiGBsXa link 2] || [https://www.dropbox.com/request/v5bFRSoW959Khqglkf3l link 3] || [https://www.dropbox.com/request/QbAl2NS4ENx4MiumJ91G link 4] || [https://www.dropbox.com/request/REfBCxIfoO6MnVHoByIl link 5-6] || [https://www.dropbox.com/request/HtC2P2yJ2vvCmFqAIhOI link 7]

|-
| style="background:#eaecf0;" | '''BMOL197''' || [https://www.dropbox.com/request/muHJzheKUOXipjyVNNjZ link 1] || [https://www.dropbox.com/request/Xg4xxQb1tDmKUZUllUqL link 2] || [https://www.dropbox.com/request/ZiN8UABPagEezGjuE1Ge link 3] || [https://www.dropbox.com/request/IyhVHLad5nuHokFxuDJb link 4] || [https://www.dropbox.com/request/upPP8SYOn7OQhngZsHdN link 5-6] || [https://www.dropbox.com/request/9mSU0pGqEdHGcAOSrfhw link 7]
|-
| style="background:#eaecf0;" | '''BMOL198''' || [https://www.dropbox.com/request/c29QpXJsL1g38ell7xB0 link 1] || [https://www.dropbox.com/request/wvc2k94MetKNk8yuhgqK link 2] || [https://www.dropbox.com/request/r0b3PIruzkMPVcDoqcHU link 3] || [https://www.dropbox.com/request/0E8Cs9db0hoTPv9I6lRI link 4] || [https://www.dropbox.com/request/qGgHGE9WJsTEPRNOFdoB link 5-6] || [https://www.dropbox.com/request/fapFocLk7hZ3w4lD6rsq link 7]
|}

==Feedback==

We’ll much appreciate if you help us to make it better by telling your ideas and suggestions. You are free to do it!

Anonymous feedback form: [https://bit.ly/36fnkB3 click_here]

==About the course==

The course is for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'.

Your seminar teachers are: Elena Kantonistova and Marina Ananyeva.

==Grading==

Final Grade = 0.5*(Homework + Extra Points*) + 0.2*Control Work + 0.3*Examination Assessment

*In the beginning of each seminar students are asked to perform tests to check knowledge based on the materials of previous seminars. Each 100% correctly completed test provides the student with extra points that go towards ongoing assessment.

==Deadlines==

You must submit each seminar assignment by the beginning of the next one - otherwise you get 0 for it.

==Attendance==

It is better to attend all lectures to be aware of your material. However, there are two caveats though:

You are responsible for catching up with the material and timely submission of all the assignments. We reserve the right to respond “RTFM” to questions from people who missed the corresponding class for no good reason. HSE bureaucracy has asked us to submit the roll-call of each seminar - they might apply some punishment for truancy.

==Force majeure==

We use the standard HSE rules to determine what counts as a force majeure - illness and stuff. If you encounter one, please email the practice teacher ASAP and then provide the proof documents to the student's office (учебный офис). Your deadlines will be extended by the duration of the illness, and help with the missed material will be offered. Also since you won't be working in a team, you need to complete only half of the obligatory tasks to get a 10, and half of the bonus tasks to get the full grade for the bonus tasks.

==Fast line==

If you find yourself offended by a proposition to do data analysis in Excel because you are a Tensorflow contributor, or for any other reason you already know everything this course has to offer - please come forward. Prove yourself a competent data scientist (something line achieving a reasonable place on a Kaggle competition, and passing an oral examination - the precise way will be negotiated and publicized). You’ll get a full grade on Ongoing Assessment and a free pass on all the ongoing assignments in exchange for attending the practical lessons in the role of teaching assistant - helping you classmates and answering their questions.

==Hail Mary==

If by the end of the course you find yourself with 5 non-zero grades for tests, but not enough Ongoing Assessment credits to earn a passing grade, there will be a way to make it up with a few extra assignments, for up to the lowest “Satisfactory”. There will be deadlines, they’ll be announced. Please don’t let the situation to deteriorate to that.

Retaking the final exam is governed by the standard HSE rules.

==Cheating and honor==

You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].

Please don’t cheat - the rumor has it HSE has quite severe penalties.

To avoid being accused of plagiarism in “grey cases” please disclose with whom and how you have collaborated on each assignment outside of the assigned group. This way the worst thing that can happen to you after a good faith mistake is being asked to do a different variant of the task in question, with no disciplinary penalty and no notification of the HSE bureaucracy.

==Rules status==

We did our best to lay out what’s expected from students in the Data Culture course and don’t expect to make substantial alteration to this document. However, should a loophole arise and be abused, we reserve the right to alter the rules. This of course will be announced on the course channel.

==MS Excel==

The official and supported version of Microsoft Excel for this course is 2016. It is readily available to HSE students - just login (and possibly register with your @edu.hse.ru email) on the website. In case you have trouble downloading, there is a [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io manual].

Introduction to Data Culture 2019-2020

2019-10-28T06:41:36Z

Elena.kantonistova:

Introduction to Data Culture 2019-2020

2019-10-23T08:37:30Z

Elena.kantonistova:

==Materials==

Your grades are here
{| class="wikitable"
|-
! № !! Topic !! Slides !! Tutorial and Assignment
|-
| style="background:#eaecf0;" | '''1''' || || ||
|-
| style="background:#eaecf0;" | '''2''' || || ||
|-
| style="background:#eaecf0;" | '''3''' || || ||
|-
| style="background:#eaecf0;" | '''4''' || || ||
|-
| style="background:#eaecf0;" | '''5-6''' || || ||
|-
| style="background:#eaecf0;" | '''7''' || || ||
|}

==Teamwork==

First two homeworks are considered to be made individually. Later, you can work on the practice assignments in teams, you are free to choose and organise. Teams can contain two or three people.

==Communication==

All course materials, assignments, deadlines will be published on [[wiki.cs.hse.ru/Introduction_to_Data_Culture_2019-2020|[very wiki]]].

All practical announcements concerning the whole course (such as lecture cancellation) will appear on the Telegram channel https://t.me/joinchat/Du3HEUStPxVGVwnEvkzokw

Also, please name your tasks in this format: Practice#PracticeNumber#_#Group number#_#Team number#_#Names of participants#, where the Team number is the number of the team in which you work during the seminar.

For example: Practice1_BMOL181_Ivanov
{| class="wikitable"
|-
! Group !! Teacher !! Teaching Assistant !! Schedule
|-
| style="background:#eaecf0;" | '''BMOL191''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL192''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL193''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL194''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL195''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL196''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL197''' || Elena Kantonistova || Mikhail Belkin ||
|-
| style="background:#eaecf0;" | '''BMOL198''' || Elena Kantonistova || Mikhail Belkin ||
|}

==Feedback==

We’ll much appreciate if you help us to make it better by telling your ideas and suggestions. You are free to do it.

==About the course==

The course is for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'.

Your seminar teachers are: Elena Kantonistova and Marina Ananyeva.

==Grading==

Final Grade = 0.5*(Homework + Extra Points*) + 0.2*Control Work + 0.3*Examination Assessment

*In the beginning of each seminar students are asked to perform tests to check knowledge based on the materials of previous seminars. Each 100% correctly completed test provides the student with extra points that go towards ongoing assessment.

==Deadlines==

You must submit each seminar assignment by the beginning of the next one - otherwise you get 0 for it.

==Attendance==

It is better to attend all lectures to be aware of your material. However, there are two caveats though:

You are responsible for catching up with the material and timely submission of all the assignments. We reserve the right to respond “RTFM” to questions from people who missed the corresponding class for no good reason. HSE bureaucracy has asked us to submit the roll-call of each seminar - they might apply some punishment for truancy.

==Force majeure==

We use the standard HSE rules to determine what counts as a force majeure - illness and stuff. If you encounter one, please email the practice teacher ASAP and then provide the proof documents to the student's office (учебный офис). Your deadlines will be extended by the duration of the illness, and help with the missed material will be offered. Also since you won't be working in a team, you need to complete only half of the obligatory tasks to get a 10, and half of the bonus tasks to get the full grade for the bonus tasks.

==Fast line==

If you find yourself offended by a proposition to do data analysis in Excel because you are a Tensorflow contributor, or for any other reason you already know everything this course has to offer - please come forward. Prove yourself a competent data scientist (something line achieving a reasonable place on a Kaggle competition, and passing an oral examination - the precise way will be negotiated and publicized). You’ll get a full grade on Ongoing Assessment and a free pass on all the ongoing assignments in exchange for attending the practical lessons in the role of teaching assistant - helping you classmates and answering their questions.

==Hail Mary==

If by the end of the course you find yourself with 5 non-zero grades for tests, but not enough Ongoing Assessment credits to earn a passing grade, there will be a way to make it up with a few extra assignments, for up to the lowest “Satisfactory”. There will be deadlines, they’ll be announced. Please don’t let the situation to deteriorate to that.

Retaking the final exam is governed by the standard HSE rules.

==Cheating and honor==

You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].

Please don’t cheat - the rumor has it HSE has quite severe penalties.

To avoid being accused of plagiarism in “grey cases” please disclose with whom and how you have collaborated on each assignment outside of the assigned group. This way the worst thing that can happen to you after a good faith mistake is being asked to do a different variant of the task in question, with no disciplinary penalty and no notification of the HSE bureaucracy.

==Rules status==

We did our best to lay out what’s expected from students in the Data Culture course and don’t expect to make substantial alteration to this document. However, should a loophole arise and be abused, we reserve the right to alter the rules. This of course will be announced on the course channel.

==MS Excel==

The official and supported version of Microsoft Excel for this course is 2016. It is readily available to HSE students - just login (and possibly register with your @edu.hse.ru email) on the website. In case you have trouble downloading, there is a manual.

Introduction to Data Culture 2019-2020

2019-10-23T08:37:04Z

Elena.kantonistova: /* Grading */

==Materials==

Your grades are here
{| class="wikitable"
|-
! № !! Topic !! Slides !! Tutorial and Assignment
|-
| style="background:#eaecf0;" | '''1''' || || ||
|-
| style="background:#eaecf0;" | '''2''' || || ||
|-
| style="background:#eaecf0;" | '''3''' || || ||
|-
| style="background:#eaecf0;" | '''4''' || || ||
|-
| style="background:#eaecf0;" | '''5-6''' || || ||
|-
| style="background:#eaecf0;" | '''7''' || || ||
|}

==Teamwork==

First two homeworks are considered to be made individually. Later, you can work on the practice assignments in teams, you are free to choose and organise. Teams can contain two or three people.

==Communication==

All course materials, assignments, deadlines will be published on [[wiki.cs.hse.ru/Introduction_to_Data_Culture_2019-2020|[very wiki]]].

All practical announcements concerning the whole course (such as lecture cancellation) will appear on the Telegram channel https://t.me/joinchat/Du3HEUStPxVGVwnEvkzokw

Also, please name your tasks in this format: Practice#PracticeNumber#_#Group number#_#Team number#_#Names of participants#, where the Team number is the number of the team in which you work during the seminar.

For example: Practice1_BMOL181_Ivanov
{| class="wikitable"
|-
! Group !! Teacher !! Teaching Assistant !! Schedule
|-
| style="background:#eaecf0;" | '''BMOL191''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL192''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL193''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL194''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL195''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL196''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL197''' || Elena Kantonistova || Mikhail Belkin ||
|-
| style="background:#eaecf0;" | '''BMOL198''' || Elena Kantonistova || Mikhail Belkin ||
|}

==Feedback==

We’ll much appreciate if you help us to make it better by telling your ideas and suggestions. You are free to do it.

==About the course==

The course is for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'.

Your seminar teachers are: Elena Kantonistova and Marina Ananyeva.

==Grading==

Final Grade = 0.5*(Homework + Extra Points*) + 0.2*Control Work + 0.3*Examination Assessment

==Deadlines==

You must submit each seminar assignment by the beginning of the next one - otherwise you get 0 for it.

==Attendance==

It is better to attend all lectures to be aware of your material. However, there are two caveats though:

You are responsible for catching up with the material and timely submission of all the assignments. We reserve the right to respond “RTFM” to questions from people who missed the corresponding class for no good reason. HSE bureaucracy has asked us to submit the roll-call of each seminar - they might apply some punishment for truancy.

==Force majeure==

We use the standard HSE rules to determine what counts as a force majeure - illness and stuff. If you encounter one, please email the practice teacher ASAP and then provide the proof documents to the student's office (учебный офис). Your deadlines will be extended by the duration of the illness, and help with the missed material will be offered. Also since you won't be working in a team, you need to complete only half of the obligatory tasks to get a 10, and half of the bonus tasks to get the full grade for the bonus tasks.

==Fast line==

If you find yourself offended by a proposition to do data analysis in Excel because you are a Tensorflow contributor, or for any other reason you already know everything this course has to offer - please come forward. Prove yourself a competent data scientist (something line achieving a reasonable place on a Kaggle competition, and passing an oral examination - the precise way will be negotiated and publicized). You’ll get a full grade on Ongoing Assessment and a free pass on all the ongoing assignments in exchange for attending the practical lessons in the role of teaching assistant - helping you classmates and answering their questions.

==Hail Mary==

If by the end of the course you find yourself with 5 non-zero grades for tests, but not enough Ongoing Assessment credits to earn a passing grade, there will be a way to make it up with a few extra assignments, for up to the lowest “Satisfactory”. There will be deadlines, they’ll be announced. Please don’t let the situation to deteriorate to that.

Retaking the final exam is governed by the standard HSE rules.

==Cheating and honor==

You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].

Please don’t cheat - the rumor has it HSE has quite severe penalties.

To avoid being accused of plagiarism in “grey cases” please disclose with whom and how you have collaborated on each assignment outside of the assigned group. This way the worst thing that can happen to you after a good faith mistake is being asked to do a different variant of the task in question, with no disciplinary penalty and no notification of the HSE bureaucracy.

==Rules status==

We did our best to lay out what’s expected from students in the Data Culture course and don’t expect to make substantial alteration to this document. However, should a loophole arise and be abused, we reserve the right to alter the rules. This of course will be announced on the course channel.

==MS Excel==

The official and supported version of Microsoft Excel for this course is 2016. It is readily available to HSE students - just login (and possibly register with your @edu.hse.ru email) on the website. In case you have trouble downloading, there is a manual.

Introduction to Data Culture 2019-2020

2019-10-23T08:35:46Z

Elena.kantonistova:

==Materials==

Your grades are here
{| class="wikitable"
|-
! № !! Topic !! Slides !! Tutorial and Assignment
|-
| style="background:#eaecf0;" | '''1''' || || ||
|-
| style="background:#eaecf0;" | '''2''' || || ||
|-
| style="background:#eaecf0;" | '''3''' || || ||
|-
| style="background:#eaecf0;" | '''4''' || || ||
|-
| style="background:#eaecf0;" | '''5-6''' || || ||
|-
| style="background:#eaecf0;" | '''7''' || || ||
|}

==Teamwork==

First two homeworks are considered to be made individually. Later, you can work on the practice assignments in teams, you are free to choose and organise. Teams can contain two or three people.

==Communication==

All course materials, assignments, deadlines will be published on [[wiki.cs.hse.ru/Introduction_to_Data_Culture_2019-2020|[very wiki]]].

All practical announcements concerning the whole course (such as lecture cancellation) will appear on the Telegram channel https://t.me/joinchat/Du3HEUStPxVGVwnEvkzokw

Also, please name your tasks in this format: Practice#PracticeNumber#_#Group number#_#Team number#_#Names of participants#, where the Team number is the number of the team in which you work during the seminar.

For example: Practice1_BMOL181_Ivanov
{| class="wikitable"
|-
! Group !! Teacher !! Teaching Assistant !! Schedule
|-
| style="background:#eaecf0;" | '''BMOL191''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL192''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL193''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL194''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL195''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL196''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL197''' || Elena Kantonistova || Mikhail Belkin ||
|-
| style="background:#eaecf0;" | '''BMOL198''' || Elena Kantonistova || Mikhail Belkin ||
|}

==Feedback==

We’ll much appreciate if you help us to make it better by telling your ideas and suggestions. You are free to do it.

==About the course==

The course is for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'.

Your seminar teachers are: Elena Kantonistova and Marina Ananyeva.

==Grading==

Final Grade = 0.7*Cumulative Grade + 0.3*Exam Grade

==Deadlines==

You must submit each seminar assignment by the beginning of the next one - otherwise you get 0 for it.

==Attendance==

It is better to attend all lectures to be aware of your material. However, there are two caveats though:

You are responsible for catching up with the material and timely submission of all the assignments. We reserve the right to respond “RTFM” to questions from people who missed the corresponding class for no good reason. HSE bureaucracy has asked us to submit the roll-call of each seminar - they might apply some punishment for truancy.

==Force majeure==

We use the standard HSE rules to determine what counts as a force majeure - illness and stuff. If you encounter one, please email the practice teacher ASAP and then provide the proof documents to the student's office (учебный офис). Your deadlines will be extended by the duration of the illness, and help with the missed material will be offered. Also since you won't be working in a team, you need to complete only half of the obligatory tasks to get a 10, and half of the bonus tasks to get the full grade for the bonus tasks.

==Fast line==

If you find yourself offended by a proposition to do data analysis in Excel because you are a Tensorflow contributor, or for any other reason you already know everything this course has to offer - please come forward. Prove yourself a competent data scientist (something line achieving a reasonable place on a Kaggle competition, and passing an oral examination - the precise way will be negotiated and publicized). You’ll get a full grade on Ongoing Assessment and a free pass on all the ongoing assignments in exchange for attending the practical lessons in the role of teaching assistant - helping you classmates and answering their questions.

==Hail Mary==

If by the end of the course you find yourself with 5 non-zero grades for tests, but not enough Ongoing Assessment credits to earn a passing grade, there will be a way to make it up with a few extra assignments, for up to the lowest “Satisfactory”. There will be deadlines, they’ll be announced. Please don’t let the situation to deteriorate to that.

Retaking the final exam is governed by the standard HSE rules.

==Cheating and honor==

You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].

Please don’t cheat - the rumor has it HSE has quite severe penalties.

To avoid being accused of plagiarism in “grey cases” please disclose with whom and how you have collaborated on each assignment outside of the assigned group. This way the worst thing that can happen to you after a good faith mistake is being asked to do a different variant of the task in question, with no disciplinary penalty and no notification of the HSE bureaucracy.

==Rules status==

We did our best to lay out what’s expected from students in the Data Culture course and don’t expect to make substantial alteration to this document. However, should a loophole arise and be abused, we reserve the right to alter the rules. This of course will be announced on the course channel.

==MS Excel==

The official and supported version of Microsoft Excel for this course is 2016. It is readily available to HSE students - just login (and possibly register with your @edu.hse.ru email) on the website. In case you have trouble downloading, there is a manual.

Introduction to Data Culture 2019-2020

2019-10-23T08:35:01Z

Elena.kantonistova:

==Materials==

Your grades are here
{| class="wikitable"
|-
! № !! Topic !! Slides !! Tutorial and Assignment
|-
| style="background:#eaecf0;" | '''1''' || || ||
|-
| style="background:#eaecf0;" | '''2''' || || ||
|-
| style="background:#eaecf0;" | '''3''' || || ||
|-
| style="background:#eaecf0;" | '''4''' || || ||
|-
| style="background:#eaecf0;" | '''5-6''' || || ||
|-
| style="background:#eaecf0;" | '''7''' || || ||
|}

==Teamwork==

First two homeworks are considered to be made individually. Later, you can work on the practice assignments in teams, you are free to choose and organise. Teams can contain two or three people.

==Communication==

All course materials, assignments, deadlines will be published on [[wiki.cs.hse.ru/Introduction_to_Data_Culture_2019-2020|[very wiki]]].

All practical announcements concerning the whole course (such as lecture cancellation) will appear on the Telegram channel.

Also, please name your tasks in this format: Practice#PracticeNumber#_#Group number#_#Team number#_#Names of participants#, where the Team number is the number of the team in which you work during the seminar.

For example: Practice1_BMOL181_Ivanov
{| class="wikitable"
|-
! Group !! Teacher !! Teaching Assistant !! Schedule
|-
| style="background:#eaecf0;" | '''BMOL191''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL192''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL193''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL194''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL195''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL196''' || || ||
|-
| style="background:#eaecf0;" | '''BMOL197''' || Elena Kantonistova || Mikhail Belkin ||
|-
| style="background:#eaecf0;" | '''BMOL198''' || Elena Kantonistova || Mikhail Belkin ||
|}
Telegram channel: https://t.me/joinchat/Du3HEUStPxVGVwnEvkzokw

==Feedback==

We’ll much appreciate if you help us to make it better by telling your ideas and suggestions. You are free to do it.

==About the course==

The course is for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'.

Your seminar teachers are: Elena Kantonistova and Marina Ananyeva.

==Grading==

Final Grade = 0.7*Cumulative Grade + 0.3*Exam Grade

==Deadlines==

You must submit each seminar assignment by the beginning of the next one - otherwise you get 0 for it.

==Attendance==

It is better to attend all lectures to be aware of your material. However, there are two caveats though:

You are responsible for catching up with the material and timely submission of all the assignments. We reserve the right to respond “RTFM” to questions from people who missed the corresponding class for no good reason. HSE bureaucracy has asked us to submit the roll-call of each seminar - they might apply some punishment for truancy.

==Force majeure==

We use the standard HSE rules to determine what counts as a force majeure - illness and stuff. If you encounter one, please email the practice teacher ASAP and then provide the proof documents to the student's office (учебный офис). Your deadlines will be extended by the duration of the illness, and help with the missed material will be offered. Also since you won't be working in a team, you need to complete only half of the obligatory tasks to get a 10, and half of the bonus tasks to get the full grade for the bonus tasks.

==Fast line==

If you find yourself offended by a proposition to do data analysis in Excel because you are a Tensorflow contributor, or for any other reason you already know everything this course has to offer - please come forward. Prove yourself a competent data scientist (something line achieving a reasonable place on a Kaggle competition, and passing an oral examination - the precise way will be negotiated and publicized). You’ll get a full grade on Ongoing Assessment and a free pass on all the ongoing assignments in exchange for attending the practical lessons in the role of teaching assistant - helping you classmates and answering their questions.

==Hail Mary==

If by the end of the course you find yourself with 5 non-zero grades for tests, but not enough Ongoing Assessment credits to earn a passing grade, there will be a way to make it up with a few extra assignments, for up to the lowest “Satisfactory”. There will be deadlines, they’ll be announced. Please don’t let the situation to deteriorate to that.

Retaking the final exam is governed by the standard HSE rules.

==Cheating and honor==

You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].

Please don’t cheat - the rumor has it HSE has quite severe penalties.

To avoid being accused of plagiarism in “grey cases” please disclose with whom and how you have collaborated on each assignment outside of the assigned group. This way the worst thing that can happen to you after a good faith mistake is being asked to do a different variant of the task in question, with no disciplinary penalty and no notification of the HSE bureaucracy.

==Rules status==

We did our best to lay out what’s expected from students in the Data Culture course and don’t expect to make substantial alteration to this document. However, should a loophole arise and be abused, we reserve the right to alter the rules. This of course will be announced on the course channel.

==MS Excel==

The official and supported version of Microsoft Excel for this course is 2016. It is readily available to HSE students - just login (and possibly register with your @edu.hse.ru email) on the website. In case you have trouble downloading, there is a manual.

Introduction to Data Culture 2019-2020

2019-10-23T08:31:10Z

Elena.kantonistova:

==Materials==

Your grades are here
{| class="wikitable"
|-
! № !! Topic !! Slides !! Tutorial and Assignment
|-
| style="background:#eaecf0;" | '''1''' || || ||
|-
| style="background:#eaecf0;" | '''2''' || || ||
|-
| style="background:#eaecf0;" | '''3''' || || ||
|-
| style="background:#eaecf0;" | '''4''' || || ||
|-
| style="background:#eaecf0;" | '''5-6''' || || ||
|-
| style="background:#eaecf0;" | '''7''' || || ||
|}

==Teamwork==

First two homeworks are considered to be made individually. Later, you can work on the practice assignments in teams, you are free to choose and organise. Teams can contain two or three people.

==Communication==

All course materials, assignments, deadlines will be published on [[wiki.cs.hse.ru/Introduction_to_Data_Culture_2019-2020|[very wiki]]].

All practical announcements concerning the whole course (such as lecture cancellation) will appear on the Telegram channel.

Also, please name your tasks in this format: Practice#PracticeNumber#_#Group number#_#Team number#_#Names of participants#, where the Team number is the number of the team in which you work during the seminar.

For example: Practice1_BMOL181_Ivanov
{| class="wikitable"
|-
! Group !! Teacher !! Teaching Assistant !! Schedule !! Telegram channel
|-
| style="background:#eaecf0;" | '''BMOL191''' || || || ||
|-
| style="background:#eaecf0;" | '''BMOL192''' || || || ||
|-
| style="background:#eaecf0;" | '''BMOL193''' || || || ||
|-
| style="background:#eaecf0;" | '''BMOL194''' || || || ||
|-
| style="background:#eaecf0;" | '''BMOL195''' || || || ||
|-
| style="background:#eaecf0;" | '''BMOL196''' || || || ||
|-
| style="background:#eaecf0;" | '''BMOL197''' || Elena Kantonistova || Mikhail Belkin || ||
|-
| style="background:#eaecf0;" | '''BMOL198''' || Elena Kantonistova || Mikhail Belkin || ||
|}
Links for submitting homeworks for group BMOL191:

==Feedback==

We’ll much appreciate if you help us to make it better by telling your ideas and suggestions. You are free to do it.

==About the course==

The course is for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'.

Your seminar teachers are: Elena Kantonistova and Marina Ananyeva.

==Grading==

Final Grade = 0.7*Cumulative Grade + 0.3*Exam Grade

==Deadlines==

You must submit each seminar assignment by the beginning of the next one - otherwise you get 0 for it.

==Attendance==

It is better to attend all lectures to be aware of your material. However, there are two caveats though:

You are responsible for catching up with the material and timely submission of all the assignments. We reserve the right to respond “RTFM” to questions from people who missed the corresponding class for no good reason. HSE bureaucracy has asked us to submit the roll-call of each seminar - they might apply some punishment for truancy.

==Force majeure==

We use the standard HSE rules to determine what counts as a force majeure - illness and stuff. If you encounter one, please email the practice teacher ASAP and then provide the proof documents to the student's office (учебный офис). Your deadlines will be extended by the duration of the illness, and help with the missed material will be offered. Also since you won't be working in a team, you need to complete only half of the obligatory tasks to get a 10, and half of the bonus tasks to get the full grade for the bonus tasks.

==Fast line==

If you find yourself offended by a proposition to do data analysis in Excel because you are a Tensorflow contributor, or for any other reason you already know everything this course has to offer - please come forward. Prove yourself a competent data scientist (something line achieving a reasonable place on a Kaggle competition, and passing an oral examination - the precise way will be negotiated and publicized). You’ll get a full grade on Ongoing Assessment and a free pass on all the ongoing assignments in exchange for attending the practical lessons in the role of teaching assistant - helping you classmates and answering their questions.

==Hail Mary==

If by the end of the course you find yourself with 5 non-zero grades for tests, but not enough Ongoing Assessment credits to earn a passing grade, there will be a way to make it up with a few extra assignments, for up to the lowest “Satisfactory”. There will be deadlines, they’ll be announced. Please don’t let the situation to deteriorate to that.

Retaking the final exam is governed by the standard HSE rules.

==Cheating and honor==

You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].

Please don’t cheat - the rumor has it HSE has quite severe penalties.

To avoid being accused of plagiarism in “grey cases” please disclose with whom and how you have collaborated on each assignment outside of the assigned group. This way the worst thing that can happen to you after a good faith mistake is being asked to do a different variant of the task in question, with no disciplinary penalty and no notification of the HSE bureaucracy.

==Rules status==

We did our best to lay out what’s expected from students in the Data Culture course and don’t expect to make substantial alteration to this document. However, should a loophole arise and be abused, we reserve the right to alter the rules. This of course will be announced on the course channel.

==MS Excel==

The official and supported version of Microsoft Excel for this course is 2016. It is readily available to HSE students - just login (and possibly register with your @edu.hse.ru email) on the website. In case you have trouble downloading, there is a manual.

Основы анализа и визуализации данных ДИЯ 2019

2019-05-19T11:46:00Z

Elena.kantonistova: /* О курсе */

== О курсе ==
"Основы анализа и визуализации данных" читается на 2 курсе, в 3 и 4 модулях.

[https://t.me/joinchat/ERSSVlQXkzMGiHTqj7UUeA Канал курса в Telegram]

[https://docs.google.com/spreadsheets/d/1_WuJcKZjESLGaGeIVdOWItdM5WwltU_--oXl4k-S6iQ/edit?usp=sharing Таблица с оценками]

За работу на семинарах можно получать extra points, с помощью которых можно будет улучшить свои текущую и итоговую оценки.

'''Внимание! 15 марта у обеих групп будет контрольная работа по всему пройденному материалу!'''

Условия получения оценки за курс автоматом: накопленная оценка - 8 и больше, и написано не менее 6 тестов на лекциях.

Ссылка на проектное задание: [https://yadi.sk/i/x1qLFu95iHzt2w проект]

'''24 мая у обеих групп будет защита проектов, а 7 июня - контрольная работа по регрессиям и проверке гипотез!'''

==Преподаватели==
Деркач Денис Александрович - лекции
* [mailto:dderkach@hse.ru E-mail]
Кантонистова Елена Олеговна - семинары
* [mailto:elena.kantonistova@yandex.ru E-mail]

==Ассистенты==
Ася Карпова
* [mailto:asyakarpovaa@gmail.com E-mail]
Константин Ваниев
* [mailto:konstantin.vaniev@gmail.com E-mail]

== Материалы курса ==
===Лекции===
{| class="wikitable"
|-
! № !! Тема !! Презентация
|-
| 1 || Введение в науку о данных. || [https://www.dropbox.com/s/208mkt9wjemydxw/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F1.pdf?dl=0 Лекция 1]
|-
| 2 || Открытые данные. Этика. || [https://www.dropbox.com/s/4vmk32o0m4gttsl/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F2.pdf?dl=0 Лекция 2]
|-
| 3 || Основы описательной статистики || [https://www.dropbox.com/s/wnd7fpclsgmhwio/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F3_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 3]
|-
| 4 || Основы статистики и теории вероятностей || [https://www.dropbox.com/s/0tx72hutuzgs3g6/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F4_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 4]
|-
| 5 || Регрессия || [https://www.dropbox.com/s/bsd99wkt2vo4jdk/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F5_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 5]
|-
| 6 || Гипотезы || [https://www.dropbox.com/s/t0dtvwxif13l0ap/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F6_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 6]
|-
| 7 || Множественные гипотезы || [https://www.dropbox.com/s/qzs4iyu3qgfro3l/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F7_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 7]
|
|}

===Семинары===
{| class="wikitable"
|-
! № !! Тема !! Презентация !! Файлы
|-
| 1 || Проверка знаний по Excel || [-] || [https://yadi.sk/i/YaBt191q7q_Nvw Excel]
|-
| 2 || Введение в анализ данных || [https://yadi.sk/i/GogSuaT3HlfQ1g Презентация] || [https://yadi.sk/i/0i2Q5jPOefiVbA Excel]
|-
| 3 || Работа с графиками || [https://yadi.sk/i/vJxznnplH9Zylw Презентация] || [-]
|-
| 4 || Сводные таблицы и функция ЕСЛИ || [-] || [https://yadi.sk/i/7tRqRykSQIbdew Excel]
|-
| 5 || Функции работы с текстами и функции подсчёта с условием || [-] || [https://yadi.sk/i/6iQ_AeZlMsxiAA Excel]
|-
| 6 || Контрольная работа по основам Excel || [https://yadi.sk/i/fJZ4jlEHA_nSDA Задание] || [-]
|-
| 7 || Линейная зависимость в данных || [https://yadi.sk/i/v8ruzaXlHl-xPQ Презентация] || [https://yadi.sk/d/AILiArqGkVD7tg Excel]
|-
| 8 || Линейная регрессия || [https://yadi.sk/i/tK3-6Js9VERSRw Презентация] || [https://yadi.sk/i/KjJY_fzMsP8rsQ Excel]
|-
| 9 || Многомерная регрессия || [https://yadi.sk/i/KwKCqDFkWs19WA Презентация] || [https://yadi.sk/i/dclyTDieJeeWCQ Excel]
|-
| 10 || Проверка гипотез 1 || [https://yadi.sk/i/iUWpLkWJXb-FuQ Презентация] || [https://yadi.sk/i/At2f2WdKHglBfQ Excel]
|-
| 11 || Проверка гипотез 2 || [https://yadi.sk/i/j8_9V5s6VxCukg Презентация] || [https://yadi.sk/i/wFRknx-remnFqw Excel]
|-
| 12 || Проверка гипотез 3 || [-] || [https://yadi.sk/i/KOLQsEH_cSXbTg Excel]
|-
|}

== Список рекомендуемой литературы ==
* Salganik, Matthew J. 2017. Bit by Bit: Social Research in the Digital Age. (http://www.bitbybitbook.com/ )
* Tufte E. The visual display of quantitative information.
* Huff D. How to lie with statistics.
* Савельев В. Статистика и котики.

== MS Excel 2016 ==
ВШЭ дает студентам возможность установить MS Office 2016 бесплатно. Инструкция по установке [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io/edit тут].

Основы анализа и визуализации данных ДИЯ 2019

2019-05-19T11:44:17Z

Elena.kantonistova: /* Семинары */

== О курсе ==
"Основы анализа и визуализации данных" читается на 2 курсе, в 3 и 4 модулях.

[https://t.me/joinchat/ERSSVlQXkzMGiHTqj7UUeA Канал курса в Telegram]

[https://docs.google.com/spreadsheets/d/1_WuJcKZjESLGaGeIVdOWItdM5WwltU_--oXl4k-S6iQ/edit?usp=sharing Таблица с оценками]

За работу на семинарах можно получать extra points, с помощью которых можно будет улучшить свои текущую и итоговую оценки.

'''Внимание! 15 марта у обеих групп будет контрольная работа по всему пройденному материалу!'''

Условия получения оценки за курс автоматом: накопленная оценка - 8 и больше, и написано не менее 6 тестов на лекциях.

Ссылка на проектное задание: [https://yadi.sk/i/x1qLFu95iHzt2w проект]

==Преподаватели==
Деркач Денис Александрович - лекции
* [mailto:dderkach@hse.ru E-mail]
Кантонистова Елена Олеговна - семинары
* [mailto:elena.kantonistova@yandex.ru E-mail]

==Ассистенты==
Ася Карпова
* [mailto:asyakarpovaa@gmail.com E-mail]
Константин Ваниев
* [mailto:konstantin.vaniev@gmail.com E-mail]

== Материалы курса ==
===Лекции===
{| class="wikitable"
|-
! № !! Тема !! Презентация
|-
| 1 || Введение в науку о данных. || [https://www.dropbox.com/s/208mkt9wjemydxw/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F1.pdf?dl=0 Лекция 1]
|-
| 2 || Открытые данные. Этика. || [https://www.dropbox.com/s/4vmk32o0m4gttsl/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F2.pdf?dl=0 Лекция 2]
|-
| 3 || Основы описательной статистики || [https://www.dropbox.com/s/wnd7fpclsgmhwio/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F3_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 3]
|-
| 4 || Основы статистики и теории вероятностей || [https://www.dropbox.com/s/0tx72hutuzgs3g6/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F4_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 4]
|-
| 5 || Регрессия || [https://www.dropbox.com/s/bsd99wkt2vo4jdk/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F5_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 5]
|-
| 6 || Гипотезы || [https://www.dropbox.com/s/t0dtvwxif13l0ap/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F6_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 6]
|-
| 7 || Множественные гипотезы || [https://www.dropbox.com/s/qzs4iyu3qgfro3l/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F7_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 7]
|
|}

===Семинары===
{| class="wikitable"
|-
! № !! Тема !! Презентация !! Файлы
|-
| 1 || Проверка знаний по Excel || [-] || [https://yadi.sk/i/YaBt191q7q_Nvw Excel]
|-
| 2 || Введение в анализ данных || [https://yadi.sk/i/GogSuaT3HlfQ1g Презентация] || [https://yadi.sk/i/0i2Q5jPOefiVbA Excel]
|-
| 3 || Работа с графиками || [https://yadi.sk/i/vJxznnplH9Zylw Презентация] || [-]
|-
| 4 || Сводные таблицы и функция ЕСЛИ || [-] || [https://yadi.sk/i/7tRqRykSQIbdew Excel]
|-
| 5 || Функции работы с текстами и функции подсчёта с условием || [-] || [https://yadi.sk/i/6iQ_AeZlMsxiAA Excel]
|-
| 6 || Контрольная работа по основам Excel || [https://yadi.sk/i/fJZ4jlEHA_nSDA Задание] || [-]
|-
| 7 || Линейная зависимость в данных || [https://yadi.sk/i/v8ruzaXlHl-xPQ Презентация] || [https://yadi.sk/d/AILiArqGkVD7tg Excel]
|-
| 8 || Линейная регрессия || [https://yadi.sk/i/tK3-6Js9VERSRw Презентация] || [https://yadi.sk/i/KjJY_fzMsP8rsQ Excel]
|-
| 9 || Многомерная регрессия || [https://yadi.sk/i/KwKCqDFkWs19WA Презентация] || [https://yadi.sk/i/dclyTDieJeeWCQ Excel]
|-
| 10 || Проверка гипотез 1 || [https://yadi.sk/i/iUWpLkWJXb-FuQ Презентация] || [https://yadi.sk/i/At2f2WdKHglBfQ Excel]
|-
| 11 || Проверка гипотез 2 || [https://yadi.sk/i/j8_9V5s6VxCukg Презентация] || [https://yadi.sk/i/wFRknx-remnFqw Excel]
|-
| 12 || Проверка гипотез 3 || [-] || [https://yadi.sk/i/KOLQsEH_cSXbTg Excel]
|-
|}

== Список рекомендуемой литературы ==
* Salganik, Matthew J. 2017. Bit by Bit: Social Research in the Digital Age. (http://www.bitbybitbook.com/ )
* Tufte E. The visual display of quantitative information.
* Huff D. How to lie with statistics.
* Савельев В. Статистика и котики.

== MS Excel 2016 ==
ВШЭ дает студентам возможность установить MS Office 2016 бесплатно. Инструкция по установке [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io/edit тут].

Основы анализа и визуализации данных ДИЯ 2019

2019-05-19T11:42:49Z

Elena.kantonistova: /* Семинары */

== О курсе ==
"Основы анализа и визуализации данных" читается на 2 курсе, в 3 и 4 модулях.

[https://t.me/joinchat/ERSSVlQXkzMGiHTqj7UUeA Канал курса в Telegram]

[https://docs.google.com/spreadsheets/d/1_WuJcKZjESLGaGeIVdOWItdM5WwltU_--oXl4k-S6iQ/edit?usp=sharing Таблица с оценками]

За работу на семинарах можно получать extra points, с помощью которых можно будет улучшить свои текущую и итоговую оценки.

'''Внимание! 15 марта у обеих групп будет контрольная работа по всему пройденному материалу!'''

Условия получения оценки за курс автоматом: накопленная оценка - 8 и больше, и написано не менее 6 тестов на лекциях.

Ссылка на проектное задание: [https://yadi.sk/i/x1qLFu95iHzt2w проект]

==Преподаватели==
Деркач Денис Александрович - лекции
* [mailto:dderkach@hse.ru E-mail]
Кантонистова Елена Олеговна - семинары
* [mailto:elena.kantonistova@yandex.ru E-mail]

==Ассистенты==
Ася Карпова
* [mailto:asyakarpovaa@gmail.com E-mail]
Константин Ваниев
* [mailto:konstantin.vaniev@gmail.com E-mail]

== Материалы курса ==
===Лекции===
{| class="wikitable"
|-
! № !! Тема !! Презентация
|-
| 1 || Введение в науку о данных. || [https://www.dropbox.com/s/208mkt9wjemydxw/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F1.pdf?dl=0 Лекция 1]
|-
| 2 || Открытые данные. Этика. || [https://www.dropbox.com/s/4vmk32o0m4gttsl/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F2.pdf?dl=0 Лекция 2]
|-
| 3 || Основы описательной статистики || [https://www.dropbox.com/s/wnd7fpclsgmhwio/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F3_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 3]
|-
| 4 || Основы статистики и теории вероятностей || [https://www.dropbox.com/s/0tx72hutuzgs3g6/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F4_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 4]
|-
| 5 || Регрессия || [https://www.dropbox.com/s/bsd99wkt2vo4jdk/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F5_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 5]
|-
| 6 || Гипотезы || [https://www.dropbox.com/s/t0dtvwxif13l0ap/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F6_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 6]
|-
| 7 || Множественные гипотезы || [https://www.dropbox.com/s/qzs4iyu3qgfro3l/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F7_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 7]
|
|}

===Семинары===
{| class="wikitable"
|-
! № !! Тема !! Презентация !! Файлы
|-
| 1 || Проверка знаний по Excel || [-] || [https://yadi.sk/i/YaBt191q7q_Nvw Excel]
|-
| 2 || Введение в анализ данных || [https://yadi.sk/i/GogSuaT3HlfQ1g Презентация] || [https://yadi.sk/i/0i2Q5jPOefiVbA Excel]
|-
| 3 || Работа с графиками || [https://yadi.sk/i/vJxznnplH9Zylw Презентация] || [-]
|-
| 4 || Сводные таблицы и функция ЕСЛИ || [-] || [https://yadi.sk/i/7tRqRykSQIbdew Excel]
|-
| 5 || Функции работы с текстами и функции подсчёта с условием || [-] || [https://yadi.sk/i/6iQ_AeZlMsxiAA Excel]
|-
| 6 || Контрольная работа по основам Excel || [https://yadi.sk/i/fJZ4jlEHA_nSDA Задание] || [-]
|-
| 7 || Линейная зависимость в данных || [https://yadi.sk/i/v8ruzaXlHl-xPQ Презентация] || [https://yadi.sk/d/AILiArqGkVD7tg Excel]
|-
| 8 || Линейная регрессия || [https://yadi.sk/i/tK3-6Js9VERSRw Презентация] || [https://yadi.sk/i/KjJY_fzMsP8rsQ Excel]
|-
| 9 || Многомерная регрессия || [https://yadi.sk/i/KwKCqDFkWs19WA Презентация] || [https://yadi.sk/i/dclyTDieJeeWCQ Excel]
|-
| 10 || Проверка гипотез 1 || [https://yadi.sk/i/iUWpLkWJXb-FuQ Презентация] || [https://yadi.sk/i/At2f2WdKHglBfQ Excel]
|-
| 11 || Проверка гипотез 2 || [https://yadi.sk/i/j8_9V5s6VxCukg Презентация] || [https://yadi.sk/i/KOLQsEH_cSXbTg Excel]
|-
| 12 || Проверка гипотез 3 || [-] || [https://yadi.sk/i/wFRknx-remnFqw Excel]
|-
|}

== Список рекомендуемой литературы ==
* Salganik, Matthew J. 2017. Bit by Bit: Social Research in the Digital Age. (http://www.bitbybitbook.com/ )
* Tufte E. The visual display of quantitative information.
* Huff D. How to lie with statistics.
* Савельев В. Статистика и котики.

== MS Excel 2016 ==
ВШЭ дает студентам возможность установить MS Office 2016 бесплатно. Инструкция по установке [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io/edit тут].

Основы анализа и визуализации данных ДИЯ 2019

2019-05-19T11:40:49Z

Elena.kantonistova: /* Семинары */

== О курсе ==
"Основы анализа и визуализации данных" читается на 2 курсе, в 3 и 4 модулях.

[https://t.me/joinchat/ERSSVlQXkzMGiHTqj7UUeA Канал курса в Telegram]

[https://docs.google.com/spreadsheets/d/1_WuJcKZjESLGaGeIVdOWItdM5WwltU_--oXl4k-S6iQ/edit?usp=sharing Таблица с оценками]

За работу на семинарах можно получать extra points, с помощью которых можно будет улучшить свои текущую и итоговую оценки.

'''Внимание! 15 марта у обеих групп будет контрольная работа по всему пройденному материалу!'''

Условия получения оценки за курс автоматом: накопленная оценка - 8 и больше, и написано не менее 6 тестов на лекциях.

Ссылка на проектное задание: [https://yadi.sk/i/x1qLFu95iHzt2w проект]

==Преподаватели==
Деркач Денис Александрович - лекции
* [mailto:dderkach@hse.ru E-mail]
Кантонистова Елена Олеговна - семинары
* [mailto:elena.kantonistova@yandex.ru E-mail]

==Ассистенты==
Ася Карпова
* [mailto:asyakarpovaa@gmail.com E-mail]
Константин Ваниев
* [mailto:konstantin.vaniev@gmail.com E-mail]

== Материалы курса ==
===Лекции===
{| class="wikitable"
|-
! № !! Тема !! Презентация
|-
| 1 || Введение в науку о данных. || [https://www.dropbox.com/s/208mkt9wjemydxw/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F1.pdf?dl=0 Лекция 1]
|-
| 2 || Открытые данные. Этика. || [https://www.dropbox.com/s/4vmk32o0m4gttsl/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F2.pdf?dl=0 Лекция 2]
|-
| 3 || Основы описательной статистики || [https://www.dropbox.com/s/wnd7fpclsgmhwio/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F3_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 3]
|-
| 4 || Основы статистики и теории вероятностей || [https://www.dropbox.com/s/0tx72hutuzgs3g6/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F4_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 4]
|-
| 5 || Регрессия || [https://www.dropbox.com/s/bsd99wkt2vo4jdk/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F5_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 5]
|-
| 6 || Гипотезы || [https://www.dropbox.com/s/t0dtvwxif13l0ap/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F6_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 6]
|-
| 7 || Множественные гипотезы || [https://www.dropbox.com/s/qzs4iyu3qgfro3l/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F7_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 7]
|
|}

===Семинары===
{| class="wikitable"
|-
! № !! Тема !! Презентация !! Файлы
|-
| 1 || Проверка знаний по Excel || [-] || [https://yadi.sk/i/YaBt191q7q_Nvw Excel]
|-
| 2 || Введение в анализ данных || [https://yadi.sk/i/GogSuaT3HlfQ1g Презентация] || [https://yadi.sk/i/0i2Q5jPOefiVbA Excel]
|-
| 3 || Работа с графиками || [https://yadi.sk/i/vJxznnplH9Zylw Презентация] || [-]
|-
| 4 || Сводные таблицы и функция ЕСЛИ || [-] || [https://yadi.sk/i/7tRqRykSQIbdew Excel]
|-
| 5 || Функции работы с текстами и функции подсчёта с условием || [-] || [https://yadi.sk/i/6iQ_AeZlMsxiAA Excel]
|-
| 6 || Контрольная работа по основам Excel || [https://yadi.sk/i/fJZ4jlEHA_nSDA Задание] || [-]
|-
| 7 || Линейная зависимость в данных || [https://yadi.sk/i/v8ruzaXlHl-xPQ Презентация] || [https://yadi.sk/d/AILiArqGkVD7tg Excel]
|-
| 8 || Линейная регрессия || [https://yadi.sk/i/tK3-6Js9VERSRw Презентация] || [https://yadi.sk/i/KjJY_fzMsP8rsQ Excel]
|-
| 9 || Многомерная регрессия || [https://yadi.sk/i/KwKCqDFkWs19WA Презентация] || [https://yadi.sk/i/dclyTDieJeeWCQ Excel]
|-
| 10 || Проверка гипотез 1 || [https://yadi.sk/i/iUWpLkWJXb-FuQ Презентация] || [https://yadi.sk/i/At2f2WdKHglBfQ Excel]
|-
| 11 || Проверка гипотез 2 || [https://yadi.sk/i/j8_9V5s6VxCukg Презентация] || [https://yadi.sk/i/KOLQsEH_cSXbTg Excel]
|-
| 12 || Проверка гипотез 3 || [-] || [https://yadi.sk/i/At2f2WdKHglBfQ Excel] || [https://yadi.sk/i/wFRknx-remnFqw Excel]
|-
|}

== Список рекомендуемой литературы ==
* Salganik, Matthew J. 2017. Bit by Bit: Social Research in the Digital Age. (http://www.bitbybitbook.com/ )
* Tufte E. The visual display of quantitative information.
* Huff D. How to lie with statistics.
* Савельев В. Статистика и котики.

== MS Excel 2016 ==
ВШЭ дает студентам возможность установить MS Office 2016 бесплатно. Инструкция по установке [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io/edit тут].

Основы анализа и визуализации данных ДИЯ 2019

2019-04-26T13:54:48Z

Elena.kantonistova: /* Семинары */

== О курсе ==
"Основы анализа и визуализации данных" читается на 2 курсе, в 3 и 4 модулях.

[https://t.me/joinchat/ERSSVlQXkzMGiHTqj7UUeA Канал курса в Telegram]

[https://docs.google.com/spreadsheets/d/1_WuJcKZjESLGaGeIVdOWItdM5WwltU_--oXl4k-S6iQ/edit?usp=sharing Таблица с оценками]

За работу на семинарах можно получать extra points, с помощью которых можно будет улучшить свои текущую и итоговую оценки.

'''Внимание! 15 марта у обеих групп будет контрольная работа по всему пройденному материалу!'''

Условия получения оценки за курс автоматом: накопленная оценка - 8 и больше, и написано не менее 6 тестов на лекциях.

Ссылка на проектное задание: [https://yadi.sk/i/x1qLFu95iHzt2w проект]

==Преподаватели==
Деркач Денис Александрович - лекции
* [mailto:dderkach@hse.ru E-mail]
Кантонистова Елена Олеговна - семинары
* [mailto:elena.kantonistova@yandex.ru E-mail]

==Ассистенты==
Ася Карпова
* [mailto:asyakarpovaa@gmail.com E-mail]
Константин Ваниев
* [mailto:konstantin.vaniev@gmail.com E-mail]

== Материалы курса ==
===Лекции===
{| class="wikitable"
|-
! № !! Тема !! Презентация
|-
| 1 || Введение в науку о данных. || [https://www.dropbox.com/s/208mkt9wjemydxw/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F1.pdf?dl=0 Лекция 1]
|-
| 2 || Открытые данные. Этика. || [https://www.dropbox.com/s/4vmk32o0m4gttsl/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F2.pdf?dl=0 Лекция 2]
|-
| 3 || Основы описательной статистики || [https://www.dropbox.com/s/wnd7fpclsgmhwio/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F3_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 3]
|-
| 4 || Основы статистики и теории вероятностей || [https://www.dropbox.com/s/0tx72hutuzgs3g6/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F4_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 4]
|-
| 5 || Регрессия || [https://www.dropbox.com/s/bsd99wkt2vo4jdk/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F5_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 5]
|-
| 6 || Гипотезы || [https://www.dropbox.com/s/t0dtvwxif13l0ap/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F6_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 6]
|}

===Семинары===
{| class="wikitable"
|-
! № !! Тема !! Презентация !! Файлы
|-
| 1 || Проверка знаний по Excel || [-] || [https://yadi.sk/i/YaBt191q7q_Nvw Excel]
|-
| 2 || Введение в анализ данных || [https://yadi.sk/i/GogSuaT3HlfQ1g Презентация] || [https://yadi.sk/i/0i2Q5jPOefiVbA Excel]
|-
| 3 || Работа с графиками || [https://yadi.sk/i/vJxznnplH9Zylw Презентация] || [-]
|-
| 4 || Сводные таблицы и функция ЕСЛИ || [-] || [https://yadi.sk/i/7tRqRykSQIbdew Excel]
|-
| 5 || Функции работы с текстами и функции подсчёта с условием || [-] || [https://yadi.sk/i/6iQ_AeZlMsxiAA Excel]
|-
| 6 || Контрольная работа по основам Excel || [https://yadi.sk/i/fJZ4jlEHA_nSDA Задание] || [-]
|-
| 7 || Линейная зависимость в данных || [https://yadi.sk/i/v8ruzaXlHl-xPQ Презентация] || [https://yadi.sk/d/AILiArqGkVD7tg Excel]
|-
| 8 || Линейная регрессия || [https://yadi.sk/i/tK3-6Js9VERSRw Презентация] || [https://yadi.sk/i/KjJY_fzMsP8rsQ Excel]
|-
| 9 || Многомерная регрессия || [https://yadi.sk/i/KwKCqDFkWs19WA Презентация] || [https://yadi.sk/i/dclyTDieJeeWCQ Excel]
|-
| 10 || Проверка гипотез 1 || [https://yadi.sk/i/iUWpLkWJXb-FuQ Презентация] || [https://yadi.sk/i/At2f2WdKHglBfQ Excel]
|-
|}

== Список рекомендуемой литературы ==
* Salganik, Matthew J. 2017. Bit by Bit: Social Research in the Digital Age. (http://www.bitbybitbook.com/ )
* Tufte E. The visual display of quantitative information.
* Huff D. How to lie with statistics.
* Савельев В. Статистика и котики.

== MS Excel 2016 ==
ВШЭ дает студентам возможность установить MS Office 2016 бесплатно. Инструкция по установке [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io/edit тут].

Основы анализа и визуализации данных ДИЯ 2019

2019-04-26T06:12:04Z

Elena.kantonistova:

== О курсе ==
"Основы анализа и визуализации данных" читается на 2 курсе, в 3 и 4 модулях.

[https://t.me/joinchat/ERSSVlQXkzMGiHTqj7UUeA Канал курса в Telegram]

[https://docs.google.com/spreadsheets/d/1_WuJcKZjESLGaGeIVdOWItdM5WwltU_--oXl4k-S6iQ/edit?usp=sharing Таблица с оценками]

За работу на семинарах можно получать extra points, с помощью которых можно будет улучшить свои текущую и итоговую оценки.

'''Внимание! 15 марта у обеих групп будет контрольная работа по всему пройденному материалу!'''

Условия получения оценки за курс автоматом: накопленная оценка - 8 и больше, и написано не менее 6 тестов на лекциях.

Ссылка на проектное задание: [https://yadi.sk/i/x1qLFu95iHzt2w проект]

==Преподаватели==
Деркач Денис Александрович - лекции
* [mailto:dderkach@hse.ru E-mail]
Кантонистова Елена Олеговна - семинары
* [mailto:elena.kantonistova@yandex.ru E-mail]

==Ассистенты==
Ася Карпова
* [mailto:asyakarpovaa@gmail.com E-mail]
Константин Ваниев
* [mailto:konstantin.vaniev@gmail.com E-mail]

== Материалы курса ==
===Лекции===
{| class="wikitable"
|-
! № !! Тема !! Презентация
|-
| 1 || Введение в науку о данных. || [https://www.dropbox.com/s/208mkt9wjemydxw/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F1.pdf?dl=0 Лекция 1]
|-
| 2 || Открытые данные. Этика. || [https://www.dropbox.com/s/4vmk32o0m4gttsl/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F2.pdf?dl=0 Лекция 2]
|-
| 3 || Основы описательной статистики || [https://www.dropbox.com/s/wnd7fpclsgmhwio/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F3_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 3]
|-
| 4 || Основы статистики и теории вероятностей || [https://www.dropbox.com/s/0tx72hutuzgs3g6/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F4_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 4]
|-
| 5 || Регрессия || [https://www.dropbox.com/s/bsd99wkt2vo4jdk/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F5_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 5]
|-
| 6 || Гипотезы || [https://www.dropbox.com/s/t0dtvwxif13l0ap/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F6_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 6]
|}

===Семинары===
{| class="wikitable"
|-
! № !! Тема !! Презентация !! Файлы
|-
| 1 || Проверка знаний по Excel || [-] || [https://yadi.sk/i/YaBt191q7q_Nvw Excel]
|-
| 2 || Введение в анализ данных || [https://yadi.sk/i/GogSuaT3HlfQ1g Презентация] || [https://yadi.sk/i/0i2Q5jPOefiVbA Excel]
|-
| 3 || Работа с графиками || [https://yadi.sk/i/vJxznnplH9Zylw Презентация] || [-]
|-
| 4 || Сводные таблицы и функция ЕСЛИ || [-] || [https://yadi.sk/i/7tRqRykSQIbdew Excel]
|-
| 5 || Функции работы с текстами и функции подсчёта с условием || [-] || [https://yadi.sk/i/6iQ_AeZlMsxiAA Excel]
|-
| 6 || Контрольная работа по основам Excel || [https://yadi.sk/i/fJZ4jlEHA_nSDA Задание] || [-]
|-
| 7 || Линейная зависимость в данных || [https://yadi.sk/i/v8ruzaXlHl-xPQ Презентация] || [https://yadi.sk/d/AILiArqGkVD7tg Excel]
|-
| 8 || Линейная регрессия || [https://yadi.sk/i/tK3-6Js9VERSRw Презентация] || [https://yadi.sk/i/KjJY_fzMsP8rsQ Excel]
|-
| 9 || Многомерная регрессия || [-] || [-]
|-
| 10 || Проверка гипотез 1 || [https://yadi.sk/i/iUWpLkWJXb-FuQ Презентация] || [https://yadi.sk/i/At2f2WdKHglBfQ Excel]
|-
|}

== Список рекомендуемой литературы ==
* Salganik, Matthew J. 2017. Bit by Bit: Social Research in the Digital Age. (http://www.bitbybitbook.com/ )
* Tufte E. The visual display of quantitative information.
* Huff D. How to lie with statistics.
* Савельев В. Статистика и котики.

== MS Excel 2016 ==
ВШЭ дает студентам возможность установить MS Office 2016 бесплатно. Инструкция по установке [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io/edit тут].

Основы анализа и визуализации данных ДИЯ 2019

2019-04-26T06:07:22Z

Elena.kantonistova: /* Семинары */

== О курсе ==
"Основы анализа и визуализации данных" читается на 2 курсе, в 3 и 4 модулях.

[https://t.me/joinchat/ERSSVlQXkzMGiHTqj7UUeA Канал курса в Telegram]

[https://docs.google.com/spreadsheets/d/1_WuJcKZjESLGaGeIVdOWItdM5WwltU_--oXl4k-S6iQ/edit?usp=sharing Таблица с оценками]

За работу на семинарах можно получать extra points, с помощью которых можно будет улучшить свои текущую и итоговую оценки.

'''Внимание! 15 марта у обеих групп будет контрольная работа по всему пройденному материалу!'''

Условия получения оценки за курс автоматом: накопленная оценка - 8 и больше, и написано не менее 6 тестов на лекциях.

==Преподаватели==
Деркач Денис Александрович - лекции
* [mailto:dderkach@hse.ru E-mail]
Кантонистова Елена Олеговна - семинары
* [mailto:elena.kantonistova@yandex.ru E-mail]

==Ассистенты==
Ася Карпова
* [mailto:asyakarpovaa@gmail.com E-mail]
Константин Ваниев
* [mailto:konstantin.vaniev@gmail.com E-mail]

== Материалы курса ==
===Лекции===
{| class="wikitable"
|-
! № !! Тема !! Презентация
|-
| 1 || Введение в науку о данных. || [https://www.dropbox.com/s/208mkt9wjemydxw/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F1.pdf?dl=0 Лекция 1]
|-
| 2 || Открытые данные. Этика. || [https://www.dropbox.com/s/4vmk32o0m4gttsl/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F2.pdf?dl=0 Лекция 2]
|-
| 3 || Основы описательной статистики || [https://www.dropbox.com/s/wnd7fpclsgmhwio/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F3_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 3]
|-
| 4 || Основы статистики и теории вероятностей || [https://www.dropbox.com/s/0tx72hutuzgs3g6/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F4_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 4]
|-
| 5 || Регрессия || [https://www.dropbox.com/s/bsd99wkt2vo4jdk/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F5_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 5]
|-
| 6 || Гипотезы || [https://www.dropbox.com/s/t0dtvwxif13l0ap/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F6_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 6]
|}

===Семинары===
{| class="wikitable"
|-
! № !! Тема !! Презентация !! Файлы
|-
| 1 || Проверка знаний по Excel || [-] || [https://yadi.sk/i/YaBt191q7q_Nvw Excel]
|-
| 2 || Введение в анализ данных || [https://yadi.sk/i/GogSuaT3HlfQ1g Презентация] || [https://yadi.sk/i/0i2Q5jPOefiVbA Excel]
|-
| 3 || Работа с графиками || [https://yadi.sk/i/vJxznnplH9Zylw Презентация] || [-]
|-
| 4 || Сводные таблицы и функция ЕСЛИ || [-] || [https://yadi.sk/i/7tRqRykSQIbdew Excel]
|-
| 5 || Функции работы с текстами и функции подсчёта с условием || [-] || [https://yadi.sk/i/6iQ_AeZlMsxiAA Excel]
|-
| 6 || Контрольная работа по основам Excel || [https://yadi.sk/i/fJZ4jlEHA_nSDA Задание] || [-]
|-
| 7 || Линейная зависимость в данных || [https://yadi.sk/i/v8ruzaXlHl-xPQ Презентация] || [https://yadi.sk/d/AILiArqGkVD7tg Excel]
|-
| 8 || Линейная регрессия || [https://yadi.sk/i/tK3-6Js9VERSRw Презентация] || [https://yadi.sk/i/KjJY_fzMsP8rsQ Excel]
|-
| 9 || Многомерная регрессия || [-] || [-]
|-
| 10 || Проверка гипотез 1 || [https://yadi.sk/i/iUWpLkWJXb-FuQ Презентация] || [https://yadi.sk/i/At2f2WdKHglBfQ Excel]
|-
|}

== Список рекомендуемой литературы ==
* Salganik, Matthew J. 2017. Bit by Bit: Social Research in the Digital Age. (http://www.bitbybitbook.com/ )
* Tufte E. The visual display of quantitative information.
* Huff D. How to lie with statistics.
* Савельев В. Статистика и котики.

== MS Excel 2016 ==
ВШЭ дает студентам возможность установить MS Office 2016 бесплатно. Инструкция по установке [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io/edit тут].

Основы анализа и визуализации данных ДИЯ 2019

2019-04-26T05:50:29Z

Elena.kantonistova:

== О курсе ==
"Основы анализа и визуализации данных" читается на 2 курсе, в 3 и 4 модулях.

[https://t.me/joinchat/ERSSVlQXkzMGiHTqj7UUeA Канал курса в Telegram]

[https://docs.google.com/spreadsheets/d/1_WuJcKZjESLGaGeIVdOWItdM5WwltU_--oXl4k-S6iQ/edit?usp=sharing Таблица с оценками]

За работу на семинарах можно получать extra points, с помощью которых можно будет улучшить свои текущую и итоговую оценки.

'''Внимание! 15 марта у обеих групп будет контрольная работа по всему пройденному материалу!'''

Условия получения оценки за курс автоматом: накопленная оценка - 8 и больше, и написано не менее 6 тестов на лекциях.

==Преподаватели==
Деркач Денис Александрович - лекции
* [mailto:dderkach@hse.ru E-mail]
Кантонистова Елена Олеговна - семинары
* [mailto:elena.kantonistova@yandex.ru E-mail]

==Ассистенты==
Ася Карпова
* [mailto:asyakarpovaa@gmail.com E-mail]
Константин Ваниев
* [mailto:konstantin.vaniev@gmail.com E-mail]

== Материалы курса ==
===Лекции===
{| class="wikitable"
|-
! № !! Тема !! Презентация
|-
| 1 || Введение в науку о данных. || [https://www.dropbox.com/s/208mkt9wjemydxw/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F1.pdf?dl=0 Лекция 1]
|-
| 2 || Открытые данные. Этика. || [https://www.dropbox.com/s/4vmk32o0m4gttsl/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F2.pdf?dl=0 Лекция 2]
|-
| 3 || Основы описательной статистики || [https://www.dropbox.com/s/wnd7fpclsgmhwio/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F3_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 3]
|-
| 4 || Основы статистики и теории вероятностей || [https://www.dropbox.com/s/0tx72hutuzgs3g6/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F4_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 4]
|-
| 5 || Регрессия || [https://www.dropbox.com/s/bsd99wkt2vo4jdk/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F5_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 5]
|-
| 6 || Гипотезы || [https://www.dropbox.com/s/t0dtvwxif13l0ap/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F6_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 6]
|}

===Семинары===
{| class="wikitable"
|-
! № !! Тема !! Презентация !! Файлы
|-
| 1 || Проверка знаний по Excel || [-] || [https://yadi.sk/i/YaBt191q7q_Nvw Excel]
|-
| 2 || Введение в анализ данных || [https://yadi.sk/i/GogSuaT3HlfQ1g Презентация] || [https://yadi.sk/i/0i2Q5jPOefiVbA Excel]
|-
| 3 || Работа с графиками || [https://yadi.sk/i/vJxznnplH9Zylw Презентация] || [-]
|-
| 4 || Сводные таблицы и функция ЕСЛИ || [-] || [https://yadi.sk/i/7tRqRykSQIbdew Excel]
|-
| 5 || Функции работы с текстами и функции подсчёта с условием || [-] || [https://yadi.sk/i/6iQ_AeZlMsxiAA Excel]
|-
| 6 || Контрольная работа по основам Excel || [https://yadi.sk/i/fJZ4jlEHA_nSDA Задание] || [-]
|-
| 7 || Линейная зависимость в данных || [https://yadi.sk/i/v8ruzaXlHl-xPQ Презентация] || [https://yadi.sk/d/AILiArqGkVD7tg Excel]
|-
| 8 || Линейная регрессия || [https://yadi.sk/i/tK3-6Js9VERSRw Презентация] || [https://yadi.sk/i/KjJY_fzMsP8rsQ Excel]
|-
|}

== Список рекомендуемой литературы ==
* Salganik, Matthew J. 2017. Bit by Bit: Social Research in the Digital Age. (http://www.bitbybitbook.com/ )
* Tufte E. The visual display of quantitative information.
* Huff D. How to lie with statistics.
* Савельев В. Статистика и котики.

== MS Excel 2016 ==
ВШЭ дает студентам возможность установить MS Office 2016 бесплатно. Инструкция по установке [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io/edit тут].

Основы анализа и визуализации данных ДИЯ 2019

2019-03-22T06:14:35Z

Elena.kantonistova:

Основы анализа и визуализации данных ДИЯ 2019

2019-03-20T13:28:33Z

Elena.kantonistova: /* Семинары */

Основы анализа и визуализации данных ДИЯ 2019

2019-03-20T13:26:23Z

Elena.kantonistova:

Основы анализа и визуализации данных ДИЯ 2019

2019-03-12T16:18:09Z

Elena.kantonistova:

Основы анализа и визуализации данных ДИЯ 2019

2019-03-10T09:03:05Z

Elena.kantonistova: /* Семинары */

Основы анализа и визуализации данных ДИЯ 2019

2019-02-25T08:14:36Z

Elena.kantonistova: семинары

== О курсе ==
"Основы анализа и визуализации данных" читается на 2 курсе, в 3 и 4 модулях.

[https://t.me/joinchat/ERSSVlQXkzMGiHTqj7UUeA Канал курса в Telegram]

За работу на семинарах можно получать extra points, с помощью которых можно будет улучшить свои текущую и итоговую оценки.

==Преподаватели==
Деркач Денис Александрович - лекции
* [mailto:dderkach@hse.ru E-mail]
Кантонистова Елена Олеговна - семинары
* [mailto:elena.kantonistova@yandex.ru E-mail]

==Ассистенты==
Ася Карпова
* [mailto:asyakarpovaa@gmail.com E-mail]
Константин Ваниев
* [mailto:konstantin.vaniev@gmail.com E-mail]

== Материалы курса ==
===Лекции===
{| class="wikitable"
|-
! № !! Тема !! Презентация
|-
| 1 || Введение в науку о данных. || [https://www.dropbox.com/s/208mkt9wjemydxw/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F1.pdf?dl=0 Лекция 1]
|-
| 2 || Открытые данные. Этика. || [https://www.dropbox.com/s/4vmk32o0m4gttsl/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F2.pdf?dl=0 Лекция 2]
|-
| 3 || Основы описательной статистики || [https://www.dropbox.com/s/wnd7fpclsgmhwio/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F3_%D0%A0%D0%A3%D0%A1.pdf?dl=0 Лекция 3]
|-
|}

===Семинары===
{| class="wikitable"
|-
! № !! Тема !! Презентация !! Файлы
|-
| 1 || Проверка знаний по Excel || [-] || [https://yadi.sk/i/YaBt191q7q_Nvw Excel]
|-
| 2 || Введение в анализ данных || [https://yadi.sk/i/GogSuaT3HlfQ1g Презентация] || [https://yadi.sk/i/0i2Q5jPOefiVbA Excel]
|-
| 3 || Работа с графиками || [https://yadi.sk/i/vJxznnplH9Zylw Презентация] || [-]
|-
|}

== Список рекомендуемой литературы ==
* Salganik, Matthew J. 2017. Bit by Bit: Social Research in the Digital Age. (http://www.bitbybitbook.com/ )
* Tufte E. The visual display of quantitative information.
* Huff D. How to lie with statistics.
* Савельев В. Статистика и котики.

== MS Excel 2016 ==
ВШЭ дает студентам возможность установить MS Office 2016 бесплатно. Инструкция по установке [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io/edit тут].

Основы анализа и визуализации данных ДИЯ 2019

2019-02-15T14:37:41Z

Elena.kantonistova: мануал по установке Excel

Основы анализа и визуализации данных ДИЯ 2019

2019-01-18T06:54:29Z

Elena.kantonistova:

Основы анализа и визуализации данных ДИЯ 2019

2019-01-17T15:35:15Z

Elena.kantonistova:

== О курсе ==
"Основы анализа и визуализации данных" читается на 2 курсе, в 3 и 4 модулях.

[https://t.me/joinchat/ERSSVlQXkzMGiHTqj7UUeA Канал курса в Telegram]

==Преподаватели==
Деркач Денис Александрович - лекции
* [mailto:dderkach@hse.ru E-mail]
Кантонистова Елена Олеговна - семинары
* [mailto:elena.kantonistova@yandex.ru E-mail]

==Ассистенты==
Ася Карпова
* [mailto:asyakarpovaa@gmail.com E-mail]
Константин Ваниев
* [mailto:konstantin.vaniev@gmail.com E-mail]

== Материалы курса ==
===Лекции===
{| class="wikitable"
|-
! № !! Тема !! Презентация
|-
| 1 || Введение в науку о данных || [https://www.dropbox.com/s/208mkt9wjemydxw/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F1.pdf?dl=0 Лекция 1]
|-
|}

== Список рекомендуемой литературы ==
* Salganik, Matthew J. 2017. Bit by Bit: Social Research in the Digital Age. (http://www.bitbybitbook.com/ )
* Tufte E. The visual display of quantitative information.
* Huff D. How to lie with statistics.
* Савельев В. Статистика и котики.

Основы анализа и визуализации данных ДИЯ 2019

2019-01-17T15:33:51Z

Elena.kantonistova:

== О курсе ==
"Основы анализа и визуализации данных" читается на 2 курсе, в 3 и 4 модулях.

[https://t.me/joinchat/ERSSVlQXkzMGiHTqj7UUeA Канал курса в Telegram]

==Преподаватели==
Деркач Денис Александрович - лекции
* [mailto:dderkach@hse.ru E-mail]
Кантонистова Елена Олеговна - семинары
* [mailto:elena.kantonistova@yandex.ru E-mail]

==Ассистенты==
Ася Карпова
* [mailto:dderkach@hse.ru E-mail]
Константин Ваниев
* [mailto:dderkach@hse.ru E-mail]

== Материалы курса ==
===Лекции===
{| class="wikitable"
|-
! № !! Тема !! Презентация
|-
| 1 || Введение в науку о данных || [https://www.dropbox.com/s/208mkt9wjemydxw/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F1.pdf?dl=0 Лекция 1]
|-
|}

== Список рекомендуемой литературы ==
* Salganik, Matthew J. 2017. Bit by Bit: Social Research in the Digital Age. (http://www.bitbybitbook.com/ )
* Tufte E. The visual display of quantitative information.
* Huff D. How to lie with statistics.
* Савельев В. Статистика и котики.

Introduction to Data Culture 2018-2019

2018-12-16T17:37:40Z

Elena.kantonistova: 7

== Materials ==
Your grades are [https://docs.google.com/spreadsheets/d/1-C1NgwMtu755veLafNGvJrjntWNfM_9d7hkxA-GEISs/edit#gid=0 here] 

{| class="wikitable"
|-
! № !! Topic !! Slides !! Tutorial & Assignment
|-
| 1 || Introduction || [https://yadi.sk/i/IXPq8LhtdWBovA Slides1.pdf] || [https://yadi.sk/i/HsSuMQIKzBUixg Practice1.xlsx]
|-
| 2 || Data Characteristics || [https://yadi.sk/i/L2UcugpDyjhK9Q Slides2.pdf] || [https://yadi.sk/i/ZdZGncxIwaT_8A Practice2.xlsx]
|-
| 3 || Conditional Operators || [https://yadi.sk/i/paBMf6_0Ncl-Tw Slides3.pdf] || [https://yadi.sk/i/RaHE4UMCg1w_Bg Practice3.xlsx]
|-
| 4 || Text functions and Pivot tables || [-] || [https://yadi.sk/i/wGAstSLmPrsSbA Practice4.xlsx]
|-
| 5-6 || Time series || [https://yadi.sk/i/5360I2pcQTQarg Slides5-6.pdf] || [https://yadi.sk/i/rZX0H0k1iwHv_A Practice5-6.xlsx]
|-
|-
| 7 || Linear Regression || [https://yadi.sk/i/q8itYypQvCssOg Slides7.pdf] || [https://yadi.sk/i/opkUhE-xzMxWlA Practice7.xlsx]
|-
|}

== Teamwork ==
First two homeworks are considered to be made individually. Later, you can work on the practice assignments in teams, you are free to choose and organise. Teams can contain two or three people. 
 

== Communication ==
All course materials, assignments, deadlines will be published on [[http://wiki.cs.hse.ru/index.php?title=Introduction_to_Data_Culture_2018-2019&action=edit&redlink=1|this very wiki]].

All practical announcements concerning the whole course (such as lecture cancellation) will appear on the Telegram channel.

There are Telegram groups [https://t.me/joinchat/HJ_AVw4FyGbVSPuWFaOjnw 1]; [https://t.me/joinchat/HJ_AVxGbuvScrDTNRnUp6w 2&3] for general discussion - please feel free to discuss the course materials there, we’ll create a mailing list.
Also, please name your tasks in this format: Practice#PracticeNumber#_#Group number#_#Team number#_#Names of participants#, where the Team number is the number of the team in which you work during the seminar.

For example: Practice1_BMOL181_Ivanov
{| class="wikitable"
|-
! Group !! Teacher !! Teaching assistant !! Schedule !! Telegram channel
|-
| BMOL181 || Marina Ananyeva || Egor Chernousov || Saturday (3.11, 17.11, 01.12, 15.12) at 12.10-15.00 || [https://www.dropbox.com/sh/qqltptndyj7nzcc/AAAEHVL_C98DtrLy991Is5hXa?dl=0 Here]
|-
| BMOL182 || Marina Ananyeva || Ekaterina Zorina || Saturday (3.11, 17.11, 01.12, 15.12) at 9.00-11.50 || [https://www.dropbox.com/sh/bflpkxbrxsig7x2/AACMGJ7ltyH-1xZmKdxiu7_Na?dl=0 Here]
|-
| BMOL183 || Elena Kantonistova || Ilya Abroskin || Every Friday 9.00-10.30 || [https://t.me/joinchat/Eb8LXw6ecVuR6Xa5IrxjWg Here]
|}
 

Links for submitting homeworks for group BMOL181: 
[https://t.me/Kuske228 Egor Chernousov (Telegram)] 
[mailto:evchernousov@edu.hse.ru Email] evchernousov@edu.hse.ru 

Links for submitting homeworks for group BMOL182: 
[https://t.me/zorkass Ekaterina Zorina (Telegram)] 
[mailto:edzorina@edu.hse.ru Email] edzorina@edu.hse.ru 

Links for submitting homeworks for group BMOL183 
[https://www.dropbox.com/request/nWHdD7CmNEpVfofackhg Practice 1] 
[https://www.dropbox.com/request/a3U4dnSSYMnuoejiI1vq Practice 2] 
[https://www.dropbox.com/request/gfsn6GCWTIQDdv97xB1j Practice 3] 
[https://www.dropbox.com/request/RHsRHhHjTbHxTKSs17aT Practice 4] 
[https://www.dropbox.com/request/xNO67fd5LyeDUv2wD5si Practice 5] 
[https://www.dropbox.com/request/uOZtpjTHglasN9oIupLl Practice 6] 
[https://www.dropbox.com/request/sKMoLrihkpfz3w2jqndM Practice 7] 

== Feedback ==
We’ll much appreciate if you help us to make it better by telling your ideas and suggestions. You are free to do it. 

== About the course ==
The course is for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'.

Your seminar teachers are: Elena Kantonistova ([mailto:elena.kantonistova@yandex.ru email]) and Marina Ananyeva ([mailto:ananyeva.me@gmail.com email]). 

== Grading ==
Final Grade = 0.8*Cumulative Grade + 0.2*Exam Grade 

Cumulative Grade = 0.7*Homework Grade + 0.3*Class Test Grade + Extra Points 
 
== Deadlines ==
You must submit each seminar assignment by the beginning of the next one - otherwise you get 0 for it. 
 
== Attendance ==
 
It is better to attend all lectures to be aware of your material. However, there are two caveats though:

You are responsible for catching up with the material and timely submission of all the assignments. We reserve the right to respond “RTFM” to questions from people who missed the corresponding class for no good reason.
HSE bureaucracy has asked us to submit the roll-call of each seminar - they might apply some punishment for truancy. 

== Force majeure ==
 
We use the standard HSE rules to determine what counts as a force majeure - illness and stuff. If you encounter one, please email the practice teacher ASAP and then provide the proof documents to the student's office (учебный офис). Your deadlines will be extended by the duration of the illness, and help with the missed material will be offered. Also since you won't be working in a team, you need to complete only half of the obligatory tasks to get a 10, and half of the bonus tasks to get the full grade for the bonus tasks.
 
 
== Fast line ==
 
If you find yourself offended by a proposition to do data analysis in Excel because you are a Tensorflow contributor, or for any other reason you already know everything this course has to offer - please come forward. Prove yourself a competent data scientist (something line achieving a reasonable place on a Kaggle competition, and passing an oral examination - the precise way will be negotiated and publicized). You’ll get a full grade on Ongoing Assessment and a free pass on all the ongoing assignments in exchange for attending the practical lessons in the role of teaching assistant - helping you classmates and answering their questions. 
== Hail Mary ==
 
If by the end of the course you find yourself with 5 non-zero grades for tests, but not enough Ongoing Assessment credits to earn a passing grade, there will be a way to make it up with a few extra assignments, for up to the lowest “Satisfactory”. There will be deadlines, they’ll be announced. Please don’t let the situation to deteriorate to that.

Retaking the final exam is governed by the standard HSE rules. 

== Cheating and honor ==
 
You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].

Please don’t cheat - the rumor has it HSE has quite severe penalties.

To avoid being accused of plagiarism in “grey cases” please disclose with whom and how you have collaborated on each assignment outside of the assigned group. This way the worst thing that can happen to you after a good faith mistake is being asked to do a different variant of the task in question, with no disciplinary penalty and no notification of the HSE bureaucracy.
 
== Rules status ==
 
We did our best to lay out what’s expected from students in the Data Culture course and don’t expect to make substantial alteration to this document. However, should a loophole arise and be abused, we reserve the right to alter the rules. This of course will be announced on the course channel. 
 
== MS Excel ==
 
The official and supported version of Microsoft Excel for this course is 2016. It is readily available to HSE students - just login (and possibly register with your @edu.hse.ru email) on the website. In case you have trouble downloading, there is a [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io/edit?usp=sharing manual].

Машинное обучение (ФЭН)

2018-12-14T10:53:01Z

Elena.kantonistova: /* Экзамен */

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

[https://docs.google.com/spreadsheets/d/12-AnCGi1yiv9gyRgjNYy5Db0XHURYvg5wx74gVNaGH8/edit?usp=sharing Таблица с оценками]

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

'''Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00'''. Третий курс приходит к 9:00, четвертый курс - к 10:30.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов: [https://yadi.sk/i/02MVWioinckZPA ссылка]
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
'''Экзамен будет проведен 29 декабря в аудитории 5306 с 9:00 до 13:30'''.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/RXA_JnqbY-bo5g Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

'''Лекция 7''' (19 октября). Работа с признаками (методы отбора признаков, метод главных компонент и сингулярное разложение).
[https://yadi.sk/i/QkzT9GE2H6ikUw Слайды]

'''Лекция 8''' (2 ноября). Решающие деревья.
[https://yadi.sk/i/fxryvBNF5f96bg Слайды]

'''Лекция 9''' (9 ноября). Композиции алгоритмов (общая идея bias-variance decomposition, бэггинг, случайные леса).
[https://yadi.sk/i/ovhp--Wd1KwpHQ Слайды]

'''Лекция 10''' (16 ноября). Композиции алгоритмов (бустинг, градиентный бустинг над решающими деревьями).
[https://yadi.sk/i/hf1mdCjR_DYzfA Слайды]

'''Лекция 11''' (23 ноября). Модификации градиентного бустинга над решающими деревьями. Методы кластеризации и визуализации данных.
[https://yadi.sk/d/d-UYHLwdU_wwFg Слайды]

'''Лекция 12''' (30 ноября). Введение в нейронные сети (метод обратного распространения ошибки, полносвязные нейронные сети, свёрточные нейронные сети).
[https://yadi.sk/i/9rYFxGfADDiO9w Слайды]

'''Лекция 13''' (7 декабря). Работа с текстами (методы кодирования текстовых данных, word2vec, рекуррентные нейронные сети).
[https://yadi.sk/i/gzMHqCEVgSqjUg Слайды]

'''Лекция 14''' (14 декабря). Прогнозирование временных рядов как задача регрессии: авторегрессия, тренды и сезонности. Адаптивные методы работы с временными рядами, фильтр Калмана.
[https://yadi.sk/i/UlhgYYf5Phmo_A Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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 (ФЭН)

2018-12-14T08:09:09Z

Elena.kantonistova: Добавлена лекция 14

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

[https://docs.google.com/spreadsheets/d/12-AnCGi1yiv9gyRgjNYy5Db0XHURYvg5wx74gVNaGH8/edit?usp=sharing Таблица с оценками]

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

'''Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00'''. Третий курс приходит к 9:00, четвертый курс - к 10:30.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов: [https://yadi.sk/i/02MVWioinckZPA ссылка]
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
'''Экзамен будет проведен 29 декабря в аудитории 5306 с 9:00 до 10:30'''.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/RXA_JnqbY-bo5g Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

'''Лекция 7''' (19 октября). Работа с признаками (методы отбора признаков, метод главных компонент и сингулярное разложение).
[https://yadi.sk/i/QkzT9GE2H6ikUw Слайды]

'''Лекция 8''' (2 ноября). Решающие деревья.
[https://yadi.sk/i/fxryvBNF5f96bg Слайды]

'''Лекция 9''' (9 ноября). Композиции алгоритмов (общая идея bias-variance decomposition, бэггинг, случайные леса).
[https://yadi.sk/i/ovhp--Wd1KwpHQ Слайды]

'''Лекция 10''' (16 ноября). Композиции алгоритмов (бустинг, градиентный бустинг над решающими деревьями).
[https://yadi.sk/i/hf1mdCjR_DYzfA Слайды]

'''Лекция 11''' (23 ноября). Модификации градиентного бустинга над решающими деревьями. Методы кластеризации и визуализации данных.
[https://yadi.sk/d/d-UYHLwdU_wwFg Слайды]

'''Лекция 12''' (30 ноября). Введение в нейронные сети (метод обратного распространения ошибки, полносвязные нейронные сети, свёрточные нейронные сети).
[https://yadi.sk/i/9rYFxGfADDiO9w Слайды]

'''Лекция 13''' (7 декабря). Работа с текстами (методы кодирования текстовых данных, word2vec, рекуррентные нейронные сети).
[https://yadi.sk/i/gzMHqCEVgSqjUg Слайды]

'''Лекция 14''' (14 декабря). Прогнозирование временных рядов как задача регрессии: авторегрессия, тренды и сезонности. Адаптивные методы работы с временными рядами, фильтр Калмана.
[https://yadi.sk/i/UlhgYYf5Phmo_A Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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]

Introduction to Data Culture 2018-2019

2018-12-07T08:01:21Z

Elena.kantonistova: Practice 5-6

== Materials ==
Your grades are [https://docs.google.com/spreadsheets/d/1-C1NgwMtu755veLafNGvJrjntWNfM_9d7hkxA-GEISs/edit#gid=0 here] 

{| class="wikitable"
|-
! № !! Topic !! Slides !! Tutorial & Assignment
|-
| 1 || Introduction || [https://yadi.sk/i/IXPq8LhtdWBovA Slides1.pdf] || [https://yadi.sk/i/HsSuMQIKzBUixg Practice1.xlsx]
|-
| 2 || Data Characteristics || [https://yadi.sk/i/L2UcugpDyjhK9Q Slides2.pdf] || [https://yadi.sk/i/ZdZGncxIwaT_8A Practice2.xlsx]
|-
| 3 || Conditional Operators || [https://yadi.sk/i/paBMf6_0Ncl-Tw Slides3.pdf] || [https://yadi.sk/i/RaHE4UMCg1w_Bg Practice3.xlsx]
|-
| 4 || Text functions and Pivot tables || [-] || [https://yadi.sk/i/wGAstSLmPrsSbA Practice4.xlsx]
|-
| 5-6 || Time series || [https://yadi.sk/i/t_wi5Lqs9OeSAw Slides5-6.pdf] || [https://yadi.sk/i/rZX0H0k1iwHv_A Practice5-6.xlsx]
|-
|}

== Teamwork ==
First two homeworks are considered to be made individually. Later, you can work on the practice assignments in teams, you are free to choose and organise. Teams can contain two or three people. 
 

== Communication ==
All course materials, assignments, deadlines will be published on [[http://wiki.cs.hse.ru/index.php?title=Introduction_to_Data_Culture_2018-2019&action=edit&redlink=1|this very wiki]].

All practical announcements concerning the whole course (such as lecture cancellation) will appear on the Telegram channel.

There are Telegram groups [https://t.me/joinchat/HJ_AVw4FyGbVSPuWFaOjnw 1]; [https://t.me/joinchat/HJ_AVxGbuvScrDTNRnUp6w 2&3] for general discussion - please feel free to discuss the course materials there, we’ll create a mailing list.
Also, please name your tasks in this format: Practice#PracticeNumber#_#Group number#_#Team number#_#Names of participants#, where the Team number is the number of the team in which you work during the seminar.

For example: Practice1_BMOL181_Ivanov
{| class="wikitable"
|-
! Group !! Teacher !! Teaching assistant !! Schedule !! Telegram channel
|-
| BMOL181 || Marina Ananyeva || Egor Chernousov || Saturday (3.11, 17.11, 01.12, 15.12) at 12.10-15.00 || [https://www.dropbox.com/sh/qqltptndyj7nzcc/AAAEHVL_C98DtrLy991Is5hXa?dl=0 Here]
|-
| BMOL182 || Marina Ananyeva || Ekaterina Zorina || Saturday (3.11, 17.11, 01.12, 15.12) at 9.00-11.50 || [https://www.dropbox.com/sh/bflpkxbrxsig7x2/AACMGJ7ltyH-1xZmKdxiu7_Na?dl=0 Here]
|-
| BMOL183 || Elena Kantonistova || Ilya Abroskin || Every Friday 9.00-10.30 || [https://t.me/joinchat/Eb8LXw6ecVuR6Xa5IrxjWg Here]
|}
 

Links for submitting homeworks for group BMOL181: 
[https://t.me/Kuske228 Egor Chernousov (Telegram)] 
[mailto:evchernousov@edu.hse.ru Email] evchernousov@edu.hse.ru 

Links for submitting homeworks for group BMOL182: 
[https://t.me/zorkass Ekaterina Zorina (Telegram)] 
[mailto:edzorina@edu.hse.ru Email] edzorina@edu.hse.ru 

Links for submitting homeworks for group BMOL183 
[https://www.dropbox.com/request/nWHdD7CmNEpVfofackhg Practice 1] 
[https://www.dropbox.com/request/a3U4dnSSYMnuoejiI1vq Practice 2] 
[https://www.dropbox.com/request/gfsn6GCWTIQDdv97xB1j Practice 3] 
[https://www.dropbox.com/request/RHsRHhHjTbHxTKSs17aT Practice 4] 
[https://www.dropbox.com/request/xNO67fd5LyeDUv2wD5si Practice 5] 
[https://www.dropbox.com/request/uOZtpjTHglasN9oIupLl Practice 6] 
[https://www.dropbox.com/request/sKMoLrihkpfz3w2jqndM Practice 7] 

== Feedback ==
We’ll much appreciate if you help us to make it better by telling your ideas and suggestions. You are free to do it. 

== About the course ==
The course is for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'.

Your seminar teachers are: Elena Kantonistova ([mailto:elena.kantonistova@yandex.ru email]) and Marina Ananyeva ([mailto:ananyeva.me@gmail.com email]). 

== Grading ==
Final Grade = 0.8*Cumulative Grade + 0.2*Exam Grade 

Cumulative Grade = 0.7*Homework Grade + 0.3*Class Test Grade + Extra Points 
 
== Deadlines ==
You must submit each seminar assignment by the beginning of the next one - otherwise you get 0 for it. 
 
== Attendance ==
 
It is better to attend all lectures to be aware of your material. However, there are two caveats though:

You are responsible for catching up with the material and timely submission of all the assignments. We reserve the right to respond “RTFM” to questions from people who missed the corresponding class for no good reason.
HSE bureaucracy has asked us to submit the roll-call of each seminar - they might apply some punishment for truancy. 

== Force majeure ==
 
We use the standard HSE rules to determine what counts as a force majeure - illness and stuff. If you encounter one, please email the practice teacher ASAP and then provide the proof documents to the student's office (учебный офис). Your deadlines will be extended by the duration of the illness, and help with the missed material will be offered. Also since you won't be working in a team, you need to complete only half of the obligatory tasks to get a 10, and half of the bonus tasks to get the full grade for the bonus tasks.
 
 
== Fast line ==
 
If you find yourself offended by a proposition to do data analysis in Excel because you are a Tensorflow contributor, or for any other reason you already know everything this course has to offer - please come forward. Prove yourself a competent data scientist (something line achieving a reasonable place on a Kaggle competition, and passing an oral examination - the precise way will be negotiated and publicized). You’ll get a full grade on Ongoing Assessment and a free pass on all the ongoing assignments in exchange for attending the practical lessons in the role of teaching assistant - helping you classmates and answering their questions. 
== Hail Mary ==
 
If by the end of the course you find yourself with 5 non-zero grades for tests, but not enough Ongoing Assessment credits to earn a passing grade, there will be a way to make it up with a few extra assignments, for up to the lowest “Satisfactory”. There will be deadlines, they’ll be announced. Please don’t let the situation to deteriorate to that.

Retaking the final exam is governed by the standard HSE rules. 

== Cheating and honor ==
 
You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].

Please don’t cheat - the rumor has it HSE has quite severe penalties.

To avoid being accused of plagiarism in “grey cases” please disclose with whom and how you have collaborated on each assignment outside of the assigned group. This way the worst thing that can happen to you after a good faith mistake is being asked to do a different variant of the task in question, with no disciplinary penalty and no notification of the HSE bureaucracy.
 
== Rules status ==
 
We did our best to lay out what’s expected from students in the Data Culture course and don’t expect to make substantial alteration to this document. However, should a loophole arise and be abused, we reserve the right to alter the rules. This of course will be announced on the course channel. 
 
== MS Excel ==
 
The official and supported version of Microsoft Excel for this course is 2016. It is readily available to HSE students - just login (and possibly register with your @edu.hse.ru email) on the website. In case you have trouble downloading, there is a [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io/edit?usp=sharing manual].

Машинное обучение (ФЭН)

2018-12-07T07:59:07Z

Elena.kantonistova:

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

[https://docs.google.com/spreadsheets/d/12-AnCGi1yiv9gyRgjNYy5Db0XHURYvg5wx74gVNaGH8/edit?usp=sharing Таблица с оценками]

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

'''Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00'''. Третий курс приходит к 9:00, четвертый курс - к 10:30.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов: [https://yadi.sk/i/02MVWioinckZPA ссылка]
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
'''Экзамен будет проведен 29 декабря в аудитории 5306 с 9:00 до 10:30'''.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/RXA_JnqbY-bo5g Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

'''Лекция 7''' (19 октября). Работа с признаками (методы отбора признаков, метод главных компонент и сингулярное разложение).
[https://yadi.sk/i/QkzT9GE2H6ikUw Слайды]

'''Лекция 8''' (2 ноября). Решающие деревья.
[https://yadi.sk/i/fxryvBNF5f96bg Слайды]

'''Лекция 9''' (9 ноября). Композиции алгоритмов (общая идея bias-variance decomposition, бэггинг, случайные леса).
[https://yadi.sk/i/ovhp--Wd1KwpHQ Слайды]

'''Лекция 10''' (16 ноября). Композиции алгоритмов (бустинг, градиентный бустинг над решающими деревьями).
[https://yadi.sk/i/hf1mdCjR_DYzfA Слайды]

'''Лекция 11''' (23 ноября). Модификации градиентного бустинга над решающими деревьями. Методы кластеризации и визуализации данных.
[https://yadi.sk/d/d-UYHLwdU_wwFg Слайды]

'''Лекция 12''' (30 ноября). Введение в нейронные сети (метод обратного распространения ошибки, полносвязные нейронные сети, свёрточные нейронные сети).
[https://yadi.sk/i/9rYFxGfADDiO9w Слайды]

'''Лекция 13''' (7 декабря). Работа с текстами (методы кодирования текстовых данных, word2vec, рекуррентные нейронные сети).
[https://yadi.sk/i/gzMHqCEVgSqjUg Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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 (ФЭН)

2018-12-07T07:58:52Z

Elena.kantonistova: инфо про экзамен

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

[https://docs.google.com/spreadsheets/d/12-AnCGi1yiv9gyRgjNYy5Db0XHURYvg5wx74gVNaGH8/edit?usp=sharing Таблица с оценками]

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

'''Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00'''. Третий курс приходит к 9:00, четвертый курс - к 10:30.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов: [https://yadi.sk/i/02MVWioinckZPA ссылка]
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
'''Коллоквиум будет проведен 29 декабря в аудитории 5306 с 9:00 до 10:30'''.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/RXA_JnqbY-bo5g Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

'''Лекция 7''' (19 октября). Работа с признаками (методы отбора признаков, метод главных компонент и сингулярное разложение).
[https://yadi.sk/i/QkzT9GE2H6ikUw Слайды]

'''Лекция 8''' (2 ноября). Решающие деревья.
[https://yadi.sk/i/fxryvBNF5f96bg Слайды]

'''Лекция 9''' (9 ноября). Композиции алгоритмов (общая идея bias-variance decomposition, бэггинг, случайные леса).
[https://yadi.sk/i/ovhp--Wd1KwpHQ Слайды]

'''Лекция 10''' (16 ноября). Композиции алгоритмов (бустинг, градиентный бустинг над решающими деревьями).
[https://yadi.sk/i/hf1mdCjR_DYzfA Слайды]

'''Лекция 11''' (23 ноября). Модификации градиентного бустинга над решающими деревьями. Методы кластеризации и визуализации данных.
[https://yadi.sk/d/d-UYHLwdU_wwFg Слайды]

'''Лекция 12''' (30 ноября). Введение в нейронные сети (метод обратного распространения ошибки, полносвязные нейронные сети, свёрточные нейронные сети).
[https://yadi.sk/i/9rYFxGfADDiO9w Слайды]

'''Лекция 13''' (7 декабря). Работа с текстами (методы кодирования текстовых данных, word2vec, рекуррентные нейронные сети).
[https://yadi.sk/i/gzMHqCEVgSqjUg Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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 (ФЭН)

2018-12-07T07:56:01Z

Elena.kantonistova: добавлена лекция 13

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

[https://docs.google.com/spreadsheets/d/12-AnCGi1yiv9gyRgjNYy5Db0XHURYvg5wx74gVNaGH8/edit?usp=sharing Таблица с оценками]

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

'''Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00'''. Третий курс приходит к 9:00, четвертый курс - к 10:30.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов: [https://yadi.sk/i/02MVWioinckZPA ссылка]
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
В конце курса будет проведен устный экзамен.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/RXA_JnqbY-bo5g Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

'''Лекция 7''' (19 октября). Работа с признаками (методы отбора признаков, метод главных компонент и сингулярное разложение).
[https://yadi.sk/i/QkzT9GE2H6ikUw Слайды]

'''Лекция 8''' (2 ноября). Решающие деревья.
[https://yadi.sk/i/fxryvBNF5f96bg Слайды]

'''Лекция 9''' (9 ноября). Композиции алгоритмов (общая идея bias-variance decomposition, бэггинг, случайные леса).
[https://yadi.sk/i/ovhp--Wd1KwpHQ Слайды]

'''Лекция 10''' (16 ноября). Композиции алгоритмов (бустинг, градиентный бустинг над решающими деревьями).
[https://yadi.sk/i/hf1mdCjR_DYzfA Слайды]

'''Лекция 11''' (23 ноября). Модификации градиентного бустинга над решающими деревьями. Методы кластеризации и визуализации данных.
[https://yadi.sk/d/d-UYHLwdU_wwFg Слайды]

'''Лекция 12''' (30 ноября). Введение в нейронные сети (метод обратного распространения ошибки, полносвязные нейронные сети, свёрточные нейронные сети).
[https://yadi.sk/i/9rYFxGfADDiO9w Слайды]

'''Лекция 13''' (7 декабря). Работа с текстами (методы кодирования текстовых данных, word2vec, рекуррентные нейронные сети).
[https://yadi.sk/i/gzMHqCEVgSqjUg Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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 (ФЭН)

2018-11-30T08:11:16Z

Elena.kantonistova: Лекция 12

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

[https://docs.google.com/spreadsheets/d/12-AnCGi1yiv9gyRgjNYy5Db0XHURYvg5wx74gVNaGH8/edit?usp=sharing Таблица с оценками]

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

'''Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00'''. Третий курс приходит к 9:00, четвертый курс - к 10:30.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов: [https://yadi.sk/i/02MVWioinckZPA ссылка]
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
В конце курса будет проведен устный экзамен.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/RXA_JnqbY-bo5g Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

'''Лекция 7''' (19 октября). Работа с признаками (методы отбора признаков, метод главных компонент и сингулярное разложение).
[https://yadi.sk/i/QkzT9GE2H6ikUw Слайды]

'''Лекция 8''' (2 ноября). Решающие деревья.
[https://yadi.sk/i/fxryvBNF5f96bg Слайды]

'''Лекция 9''' (9 ноября). Композиции алгоритмов (общая идея bias-variance decomposition, бэггинг, случайные леса).
[https://yadi.sk/i/ovhp--Wd1KwpHQ Слайды]

'''Лекция 10''' (16 ноября). Композиции алгоритмов (бустинг, градиентный бустинг над решающими деревьями).
[https://yadi.sk/i/hf1mdCjR_DYzfA Слайды]

'''Лекция 11''' (23 ноября). Модификации градиентного бустинга над решающими деревьями. Методы кластеризации и визуализации данных.
[https://yadi.sk/d/d-UYHLwdU_wwFg Слайды]

'''Лекция 12''' (30 ноября). Введение в нейронные сети (метод обратного распространения ошибки, полносвязные нейронные сети, свёрточные нейронные сети).
[https://yadi.sk/i/9rYFxGfADDiO9w Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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 (ФЭН)

2018-11-23T08:02:43Z

Elena.kantonistova: Добавлена лекция 11

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

[https://docs.google.com/spreadsheets/d/12-AnCGi1yiv9gyRgjNYy5Db0XHURYvg5wx74gVNaGH8/edit?usp=sharing Таблица с оценками]

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

'''Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00'''. Третий курс приходит к 9:00, четвертый курс - к 10:30.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов: [https://yadi.sk/i/02MVWioinckZPA ссылка]
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
В конце курса будет проведен устный экзамен.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/RXA_JnqbY-bo5g Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

'''Лекция 7''' (19 октября). Работа с признаками (методы отбора признаков, метод главных компонент и сингулярное разложение).
[https://yadi.sk/i/QkzT9GE2H6ikUw Слайды]

'''Лекция 8''' (2 ноября). Решающие деревья.
[https://yadi.sk/i/fxryvBNF5f96bg Слайды]

'''Лекция 9''' (9 ноября). Композиции алгоритмов (общая идея bias-variance decomposition, бэггинг, случайные леса).
[https://yadi.sk/i/ovhp--Wd1KwpHQ Слайды]

'''Лекция 10''' (16 ноября). Композиции алгоритмов (бустинг, градиентный бустинг над решающими деревьями).
[https://yadi.sk/i/hf1mdCjR_DYzfA Слайды]

'''Лекция 11''' (23 ноября). Модификации градиентного бустинга над решающими деревьями. Методы кластеризации и визуализации данных.
[https://yadi.sk/d/d-UYHLwdU_wwFg Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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]

Introduction to Data Culture 2018-2019

2018-11-23T07:20:20Z

Elena.kantonistova: Practice 4

== Materials ==
Your grades are [https://docs.google.com/spreadsheets/d/1-C1NgwMtu755veLafNGvJrjntWNfM_9d7hkxA-GEISs/edit#gid=0 here] 

{| class="wikitable"
|-
! № !! Topic !! Slides !! Tutorial & Assignment
|-
| 1 || Introduction || [https://yadi.sk/i/IXPq8LhtdWBovA Slides1.pdf] || [https://yadi.sk/i/HsSuMQIKzBUixg Practice1.xlsx]
|-
| 2 || Data Characteristics || [https://yadi.sk/i/L2UcugpDyjhK9Q Slides2.pdf] || [https://yadi.sk/i/ZdZGncxIwaT_8A Practice2.xlsx]
|-
| 3 || Conditional Operators || [https://yadi.sk/i/paBMf6_0Ncl-Tw Slides3.pdf] || [https://yadi.sk/i/RaHE4UMCg1w_Bg Practice3.xlsx]
|-
| 4 || Text functions and Pivot tables || [-] || [https://yadi.sk/i/wGAstSLmPrsSbA Practice4.xlsx]
|-
|}

== Teamwork ==
First two homeworks are considered to be made individually. Later, you can work on the practice assignments in teams, you are free to choose and organise. Teams can contain two or three people. 
 

== Communication ==
All course materials, assignments, deadlines will be published on [[http://wiki.cs.hse.ru/index.php?title=Introduction_to_Data_Culture_2018-2019&action=edit&redlink=1|this very wiki]].

All practical announcements concerning the whole course (such as lecture cancellation) will appear on the Telegram channel.

There are Telegram groups [https://t.me/joinchat/HJ_AVw4FyGbVSPuWFaOjnw 1]; [https://t.me/joinchat/HJ_AVxGbuvScrDTNRnUp6w 2&3] for general discussion - please feel free to discuss the course materials there, we’ll create a mailing list.
Also, please name your tasks in this format: Practice#PracticeNumber#_#Group number#_#Team number#_#Names of participants#, where the Team number is the number of the team in which you work during the seminar.

For example: Practice1_BMOL181_Ivanov
{| class="wikitable"
|-
! Group !! Teacher !! Teaching assistant !! Schedule !! Telegram channel
|-
| BMOL181 || Marina Ananyeva || Egor Chernousov || Saturday (3.11, 17.11, 01.12, 15.12) at 12.10-15.00 || [https://t.me/joinchat/Eb8LXw6ecVuR6Xa5IrxjWg Here]
|-
| BMOL182 || Marina Ananyeva || Ekaterina Zorina || Saturday (3.11, 17.11, 01.12, 15.12) at 9.00-11.50 || [https://t.me/joinchat/Eb8LXw6ecVuR6Xa5IrxjWg Here]
|-
| BMOL183 || Elena Kantonistova || Ilya Abroskin || Every Friday 9.00-10.30 || [https://t.me/joinchat/Eb8LXw6ecVuR6Xa5IrxjWg Here]
|}
 

Links for submitting homeworks for group BMOL181: 
[https://t.me/Kuske228 Egor Chernousov (Telegram)] 
[mailto:evchernousov@edu.hse.ru Email] evchernousov@edu.hse.ru 

Links for submitting homeworks for group BMOL182: 
[https://t.me/zorkass Ekaterina Zorina (Telegram)] 
[mailto:edzorina@edu.hse.ru Email] edzorina@edu.hse.ru 

Links for submitting homeworks for group BMOL183 
[https://www.dropbox.com/request/nWHdD7CmNEpVfofackhg Practice 1] 
[https://www.dropbox.com/request/a3U4dnSSYMnuoejiI1vq Practice 2] 
[https://www.dropbox.com/request/gfsn6GCWTIQDdv97xB1j Practice 3] 
[https://www.dropbox.com/request/RHsRHhHjTbHxTKSs17aT Practice 4] 
[https://www.dropbox.com/request/xNO67fd5LyeDUv2wD5si Practice 5] 
[https://www.dropbox.com/request/uOZtpjTHglasN9oIupLl Practice 6] 
[https://www.dropbox.com/request/sKMoLrihkpfz3w2jqndM Practice 7] 

== Feedback ==
We’ll much appreciate if you help us to make it better by telling your ideas and suggestions. You are free to do it. 

== About the course ==
The course is for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'.

Your seminar teachers are: Elena Kantonistova ([mailto:elena.kantonistova@yandex.ru email]) and Marina Ananyeva ([mailto:ananyeva.me@gmail.com email]). 

== Grading ==
Final Grade = 0.8*Cumulative Grade + 0.2*Exam Grade 

Cumulative Grade = 0.7*Homework Grade + 0.3*Class Test Grade + Extra Points 
 
== Deadlines ==
You must submit each seminar assignment by the beginning of the next one - otherwise you get 0 for it. 
 
== Attendance ==
 
It is better to attend all lectures to be aware of your material. However, there are two caveats though:

You are responsible for catching up with the material and timely submission of all the assignments. We reserve the right to respond “RTFM” to questions from people who missed the corresponding class for no good reason.
HSE bureaucracy has asked us to submit the roll-call of each seminar - they might apply some punishment for truancy. 

== Force majeure ==
 
We use the standard HSE rules to determine what counts as a force majeure - illness and stuff. If you encounter one, please email the practice teacher ASAP and then provide the proof documents to the student's office (учебный офис). Your deadlines will be extended by the duration of the illness, and help with the missed material will be offered. Also since you won't be working in a team, you need to complete only half of the obligatory tasks to get a 10, and half of the bonus tasks to get the full grade for the bonus tasks.
 
 
== Fast line ==
 
If you find yourself offended by a proposition to do data analysis in Excel because you are a Tensorflow contributor, or for any other reason you already know everything this course has to offer - please come forward. Prove yourself a competent data scientist (something line achieving a reasonable place on a Kaggle competition, and passing an oral examination - the precise way will be negotiated and publicized). You’ll get a full grade on Ongoing Assessment and a free pass on all the ongoing assignments in exchange for attending the practical lessons in the role of teaching assistant - helping you classmates and answering their questions. 
== Hail Mary ==
 
If by the end of the course you find yourself with 5 non-zero grades for tests, but not enough Ongoing Assessment credits to earn a passing grade, there will be a way to make it up with a few extra assignments, for up to the lowest “Satisfactory”. There will be deadlines, they’ll be announced. Please don’t let the situation to deteriorate to that.

Retaking the final exam is governed by the standard HSE rules. 

== Cheating and honor ==
 
You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].

Please don’t cheat - the rumor has it HSE has quite severe penalties.

To avoid being accused of plagiarism in “grey cases” please disclose with whom and how you have collaborated on each assignment outside of the assigned group. This way the worst thing that can happen to you after a good faith mistake is being asked to do a different variant of the task in question, with no disciplinary penalty and no notification of the HSE bureaucracy.
 
== Rules status ==
 
We did our best to lay out what’s expected from students in the Data Culture course and don’t expect to make substantial alteration to this document. However, should a loophole arise and be abused, we reserve the right to alter the rules. This of course will be announced on the course channel. 
 
== MS Excel ==
 
The official and supported version of Microsoft Excel for this course is 2016. It is readily available to HSE students - just login (and possibly register with your @edu.hse.ru email) on the website. In case you have trouble downloading, there is a [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io/edit?usp=sharing manual].

Introduction to Data Culture 2018-2019

2018-11-21T16:45:35Z

Elena.kantonistova: Practice 3

== Materials ==
Your grades are [https://docs.google.com/spreadsheets/d/1-C1NgwMtu755veLafNGvJrjntWNfM_9d7hkxA-GEISs/edit#gid=0 here] 

{| class="wikitable"
|-
! № !! Topic !! Slides !! Tutorial & Assignment
|-
| 1 || Introduction || [https://yadi.sk/i/IXPq8LhtdWBovA Slides1.pdf] || [https://yadi.sk/i/HsSuMQIKzBUixg Practice1.xlsx]
|-
| 2 || Data Characteristics || [https://yadi.sk/i/L2UcugpDyjhK9Q Slides2.pdf] || [https://yadi.sk/i/ZdZGncxIwaT_8A Practice2.xlsx]
|-
| 3 || Conditional Operators || [https://yadi.sk/i/paBMf6_0Ncl-Tw Slides3.pdf] || [https://yadi.sk/i/RaHE4UMCg1w_Bg Practice3.xlsx]
|-
|}

== Teamwork ==
First two homeworks are considered to be made individually. Later, you can work on the practice assignments in teams, you are free to choose and organise. Teams can contain two or three people. 
 

== Communication ==
All course materials, assignments, deadlines will be published on [[http://wiki.cs.hse.ru/index.php?title=Introduction_to_Data_Culture_2018-2019&action=edit&redlink=1|this very wiki]].

All practical announcements concerning the whole course (such as lecture cancellation) will appear on the Telegram channel.

There are Telegram groups [https://t.me/joinchat/HJ_AVw4FyGbVSPuWFaOjnw 1]; [https://t.me/joinchat/HJ_AVxGbuvScrDTNRnUp6w 2&3] for general discussion - please feel free to discuss the course materials there, we’ll create a mailing list.
Also, please name your tasks in this format: Practice#PracticeNumber#_#Group number#_#Team number#_#Names of participants#, where the Team number is the number of the team in which you work during the seminar.

For example: Practice1_BMOL181_Ivanov
{| class="wikitable"
|-
! Group !! Teacher !! Teaching assistant !! Schedule !! Telegram channel
|-
| BMOL181 || Marina Ananyeva || Egor Chernousov || Saturday (3.11, 17.11, 01.12, 15.12) at 12.10-15.00 || [https://t.me/joinchat/Eb8LXw6ecVuR6Xa5IrxjWg Here]
|-
| BMOL182 || Marina Ananyeva || Ekaterina Zorina || Saturday (3.11, 17.11, 01.12, 15.12) at 9.00-11.50 || [https://t.me/joinchat/Eb8LXw6ecVuR6Xa5IrxjWg Here]
|-
| BMOL183 || Elena Kantonistova || Ilya Abroskin || Every Friday 9.00-10.30 || [https://t.me/joinchat/Eb8LXw6ecVuR6Xa5IrxjWg Here]
|}
 

Links for submitting homeworks for group BMOL181: 
[https://t.me/Kuske228 Egor Chernousov (Telegram)] 
[mailto:evchernousov@edu.hse.ru Email] evchernousov@edu.hse.ru 

Links for submitting homeworks for group BMOL182: 
[https://t.me/zorkass Ekaterina Zorina (Telegram)] 
[mailto:edzorina@edu.hse.ru Email] edzorina@edu.hse.ru 

Links for submitting homeworks for group BMOL183 
[https://www.dropbox.com/request/nWHdD7CmNEpVfofackhg Practice 1] 
[https://www.dropbox.com/request/a3U4dnSSYMnuoejiI1vq Practice 2] 
[https://www.dropbox.com/request/gfsn6GCWTIQDdv97xB1j Practice 3] 
[https://www.dropbox.com/request/RHsRHhHjTbHxTKSs17aT Practice 4] 
[https://www.dropbox.com/request/xNO67fd5LyeDUv2wD5si Practice 5] 
[https://www.dropbox.com/request/uOZtpjTHglasN9oIupLl Practice 6] 
[https://www.dropbox.com/request/sKMoLrihkpfz3w2jqndM Practice 7] 

== Feedback ==
We’ll much appreciate if you help us to make it better by telling your ideas and suggestions. You are free to do it. 

== About the course ==
The course is for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'.

Your seminar teachers are: Elena Kantonistova ([mailto:elena.kantonistova@yandex.ru email]) and Marina Ananyeva ([mailto:ananyeva.me@gmail.com email]). 

== Grading ==
Final Grade = 0.8*Cumulative Grade + 0.2*Exam Grade 

Cumulative Grade = 0.7*Homework Grade + 0.3*Class Test Grade + Extra Points 
 
== Deadlines ==
You must submit each seminar assignment by the beginning of the next one - otherwise you get 0 for it. 
 
== Attendance ==
 
It is better to attend all lectures to be aware of your material. However, there are two caveats though:

You are responsible for catching up with the material and timely submission of all the assignments. We reserve the right to respond “RTFM” to questions from people who missed the corresponding class for no good reason.
HSE bureaucracy has asked us to submit the roll-call of each seminar - they might apply some punishment for truancy. 

== Force majeure ==
 
We use the standard HSE rules to determine what counts as a force majeure - illness and stuff. If you encounter one, please email the practice teacher ASAP and then provide the proof documents to the student's office (учебный офис). Your deadlines will be extended by the duration of the illness, and help with the missed material will be offered. Also since you won't be working in a team, you need to complete only half of the obligatory tasks to get a 10, and half of the bonus tasks to get the full grade for the bonus tasks.
 
 
== Fast line ==
 
If you find yourself offended by a proposition to do data analysis in Excel because you are a Tensorflow contributor, or for any other reason you already know everything this course has to offer - please come forward. Prove yourself a competent data scientist (something line achieving a reasonable place on a Kaggle competition, and passing an oral examination - the precise way will be negotiated and publicized). You’ll get a full grade on Ongoing Assessment and a free pass on all the ongoing assignments in exchange for attending the practical lessons in the role of teaching assistant - helping you classmates and answering their questions. 
== Hail Mary ==
 
If by the end of the course you find yourself with 5 non-zero grades for tests, but not enough Ongoing Assessment credits to earn a passing grade, there will be a way to make it up with a few extra assignments, for up to the lowest “Satisfactory”. There will be deadlines, they’ll be announced. Please don’t let the situation to deteriorate to that.

Retaking the final exam is governed by the standard HSE rules. 

== Cheating and honor ==
 
You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].

Please don’t cheat - the rumor has it HSE has quite severe penalties.

To avoid being accused of plagiarism in “grey cases” please disclose with whom and how you have collaborated on each assignment outside of the assigned group. This way the worst thing that can happen to you after a good faith mistake is being asked to do a different variant of the task in question, with no disciplinary penalty and no notification of the HSE bureaucracy.
 
== Rules status ==
 
We did our best to lay out what’s expected from students in the Data Culture course and don’t expect to make substantial alteration to this document. However, should a loophole arise and be abused, we reserve the right to alter the rules. This of course will be announced on the course channel. 
 
== MS Excel ==
 
The official and supported version of Microsoft Excel for this course is 2016. It is readily available to HSE students - just login (and possibly register with your @edu.hse.ru email) on the website. In case you have trouble downloading, there is a [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io/edit?usp=sharing manual].

Машинное обучение (ФЭН)

2018-11-16T07:56:45Z

Elena.kantonistova: Добавлена лекция 10

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

[https://docs.google.com/spreadsheets/d/12-AnCGi1yiv9gyRgjNYy5Db0XHURYvg5wx74gVNaGH8/edit?usp=sharing Таблица с оценками]

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

'''Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00'''. Третий курс приходит к 9:00, четвертый курс - к 10:30.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов: [https://yadi.sk/i/02MVWioinckZPA ссылка]
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
В конце курса будет проведен устный экзамен.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/RXA_JnqbY-bo5g Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

'''Лекция 7''' (19 октября). Работа с признаками (методы отбора признаков, метод главных компонент и сингулярное разложение).
[https://yadi.sk/i/QkzT9GE2H6ikUw Слайды]

'''Лекция 8''' (2 ноября). Решающие деревья.
[https://yadi.sk/i/fxryvBNF5f96bg Слайды]

'''Лекция 9''' (9 ноября). Композиции алгоритмов (общая идея bias-variance decomposition, бэггинг, случайные леса).
[https://yadi.sk/i/ovhp--Wd1KwpHQ Слайды]

'''Лекция 10''' (16 ноября). Композиции алгоритмов (бустинг, градиентный бустинг над решающими деревьями).
[https://yadi.sk/i/hf1mdCjR_DYzfA Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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]

Introduction to Data Culture 2018-2019

2018-11-09T11:55:02Z

Elena.kantonistova:

== Materials ==
Your grades are [https://docs.google.com/spreadsheets/d/1-C1NgwMtu755veLafNGvJrjntWNfM_9d7hkxA-GEISs/edit#gid=0 here] 

{| class="wikitable"
|-
! № !! Slides !! Tutorial & Assignment
|-
| 1 || [https://yadi.sk/i/IXPq8LhtdWBovA Slides1.pdf] || [https://yadi.sk/i/HsSuMQIKzBUixg Practice1.xlsx]
|-
| 2 || [https://yadi.sk/i/L2UcugpDyjhK9Q Slides2.pdf] || [https://yadi.sk/i/ZdZGncxIwaT_8A Practice2.xlsx]
|-
|}

== Teamwork ==
First two homeworks are considered to be made individually.Later, you can work on the practice assignments in teams, you are freely to choose and organise. Teams can contain two or three people. 
 
== Communication ==
All the course materials, assignments, deadlines will be published on [[http://wiki.cs.hse.ru/index.php?title=Introduction_to_Data_Culture_2018-2019&action=edit&redlink=1|this very wiki]].

All the practical announcements concerning the whole course (such as lecture cancellation) will appear in the Telegram channel.

There is a Telegram groups [https://t.me/joinchat/HJ_AVw4FyGbVSPuWFaOjnw 1]; [https://t.me/joinchat/HJ_AVxGbuvScrDTNRnUp6w 2&3] for general discussion - please feel free to discuss the course materials there, we’ll create a mailing list.
Also, please name your tasks in this format: Practice#PracticeNumber#_#Group number#_#Team number#_#Names of participants#, where the Team number is the number of the team in which you work on the seminar.

For example: Practice1_BMOL181_3_IvanovPetrovSidorov
{| class="wikitable"
|-
! Group !! Teacher !! Teaching assistant !! Schedule !! Telegram channel
|-
| BMOL181 || Marina Ananyeva || Egor Chernousov || One Saturday in two weeks, starting from 3.11 12.10-15.00 || [https://t.me/joinchat/Eb8LXw6ecVuR6Xa5IrxjWg Here]
|-
| BMOL182 || Marina Ananyeva || Ekaterina Zorina || One Saturday in two weeks, starting from 3.11 9.00-11.50 || [https://t.me/joinchat/Eb8LXw6ecVuR6Xa5IrxjWg Here]
|-
| BMOL183 || Elena Kantonistova || Ilya Abroskin || Every Friday 9.00-10.30 || [https://t.me/joinchat/Eb8LXw6ecVuR6Xa5IrxjWg Here]
|}
 

Links for submitting homeworks for group BMOL183 
[https://www.dropbox.com/request/nWHdD7CmNEpVfofackhg Practice 1] 
[https://www.dropbox.com/request/a3U4dnSSYMnuoejiI1vq Practice 2] 
[https://www.dropbox.com/request/gfsn6GCWTIQDdv97xB1j Practice 3] 
[https://www.dropbox.com/request/RHsRHhHjTbHxTKSs17aT Practice 4] 
[https://www.dropbox.com/request/xNO67fd5LyeDUv2wD5si Practice 5] 
[https://www.dropbox.com/request/uOZtpjTHglasN9oIupLl Practice 6] 
[https://www.dropbox.com/request/sKMoLrihkpfz3w2jqndM Practice 7] 

== Feedback ==
We’ll much appreciate if you help us make it better by telling your ideas and suggestions. You are free to do it. 

== About the course ==
The course is for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'

Your seminar teachers are: Elena Kantonistova and Marina Ananyeva 

== Grading ==
Final Grade = 0.8*Cumulative Grade + 0.2*Exam Grade 

Cumulative Grade = 0.7*Homework Grade + 0.3*Class Test Grade + Extra Points 
 
== Deadlines ==
You must submit each seminar assignment by the beginning of the next one - otherwise you get 0 for it. 
 
== Attendance ==
 
It is better to attend all lectures to be aware of your material. However, there are two caveats though:

You are responsible for catching up with the material and timely submission of all the assignments. We reserve the right to respond “RTFM” to questions from people who missed the corresponding class for no good reason.
HSE bureaucracy has asked us to submit the roll-call of each seminar - they might apply some punishment for truancy. 

== Force majeure ==
 
We use the standard HSE rules to determine what counts as a force majeure - illness and stuff. If you encounter one, please email the practice teacher ASAP and then provide the proof documents to the student's office (учебный офис). Your deadlines will be extended by the duration of the illness, and help with the missed material will be offered. Also since you won't be working in a team, you need to complete only half of the obligatory tasks to get a 10, and half of the bonus tasks to get the full grade for the bonus tasks.
 
 
== Fast line ==
 
If you find yourself offended by a proposition to do data analysis in Excel because you are a Tensorflow contributor, or for any other reason you already know everything this course has to offer - please come forward. Prove yourself a competent data scientist (something line achieving a reasonable place on a Kaggle competition, and passing an oral examination - the precise way will be negotiated and publicized). You’ll get a full grade on Ongoing Assessment and a free pass on all the ongoing assignments in exchange for attending the practical lessons in the role of teaching assistant - helping you classmates and answering their questions. 
== Hail Mary ==
 
If by the end of the course you find yourself with 5 non-zero grades for tests, but not enough Ongoing Assessment credits to earn a passing grade, there will be a way to make it up with a few extra assignments, for up to the lowest “Satisfactory”. There will be deadlines, they’ll be announced. Please don’t let the situation to deteriorate to that.

Retaking the final exam is governed by the standard HSE rules. 

== Cheating and honor ==
 
You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].

Please don’t cheat - the rumor has it HSE has quite severe penalties.

To avoid being accused of plagiarism in “grey cases” please disclose with whom and how you have collaborated on each assignment outside of the assigned group. This way the worst thing that can happen to you after a good faith mistake is being asked to do a different variant of the task in question, with no disciplinary penalty and no notification of the HSE bureaucracy.
 
== Rules status ==
 
We did our best to lay out what’s expected from students in the Data Culture course and don’t expect to make substantial alteration to this document. However, should a loophole arise and be abused, we reserve the right to alter the rules. This of course will be announced on the course channel. 
 
== MS Excel ==
 
The official and supported version of Microsoft Excel for this course is 2016. It is readily available to HSE students - just login (and possibly register with your @edu.hse.ru email) on the website. In case you have trouble downloading, there is a [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io/edit?usp=sharing manual].

Introduction to Data Culture 2018-2019

2018-11-09T08:35:55Z

Elena.kantonistova: Добавлены материалы занятий 1 и 2

== Materials ==
Your grades are [https://docs.google.com/spreadsheets/d/1-C1NgwMtu755veLafNGvJrjntWNfM_9d7hkxA-GEISs/edit#gid=0 here] 

{| class="wikitable"
|-
! № !! Slides !! Tutorial & Assignment
|-
| 1 || [https://yadi.sk/i/IXPq8LhtdWBovA Slides1.pdf] || [https://yadi.sk/i/HsSuMQIKzBUixg Practice1.xlsx]
|-
| 2 || [https://yadi.sk/i/L2UcugpDyjhK9Q Slides2.pdf] || [https://yadi.sk/i/ZdZGncxIwaT_8A Practice2.xlsx]
|-
|}

== Teamwork ==
First two homeworks are considered to be made individually.Later, you can work on the practice assignments in teams, you are freely to choose and organise. Teams can contain two or three people. 
 
== Communication ==
All the course materials, assignments, deadlines will be published on [[http://wiki.cs.hse.ru/index.php?title=Introduction_to_Data_Culture_2018-2019&action=edit&redlink=1|this very wiki]].

All the practical announcements concerning the whole course (such as lecture cancellation) will appear in the Telegram channel.

There is a Telegram groups [https://t.me/joinchat/HJ_AVw4FyGbVSPuWFaOjnw 1]; [https://t.me/joinchat/HJ_AVxGbuvScrDTNRnUp6w 2&3] for general discussion - please feel free to discuss the course materials there, we’ll create a mailing list.
Also, please name your tasks in this format: Practice#PracticeNumber#_#Group number#_#Team number#_#Names of participants#, where the Team number is the number of the team in which you work on the seminar.

For example: Practice1_BMOL181_3_IvanovPetrovSidorov
{| class="wikitable"
|-
! Group !! Teacher !! Teaching assistant !! Schedule !! Telegram channel
|-
| BMOL181 || Marina Ananyeva || Egor Chernousov || One Saturday in two weeks, starting from 3.11 12.10-15.00 || [https://t.me/joinchat/Eb8LXw6ecVuR6Xa5IrxjWg Here]
|-
| BMOL182 || Marina Ananyeva || Ekaterina Zorina || One Saturday in two weeks, starting from 3.11 9.00-11.50 || [https://t.me/joinchat/Eb8LXw6ecVuR6Xa5IrxjWg Here]
|-
| BMOL183 || Elena Kantonistova || Ilya Abroskin || Every Friday 9.00-10.30 || [https://t.me/joinchat/Eb8LXw6ecVuR6Xa5IrxjWg Here]
|}
 

Links for submitting homeworks for group BMOL183 
[https://www.dropbox.com/request/nWHdD7CmNEpVfofackhg Practice 1] 
[https://www.dropbox.com/request/a3U4dnSSYMnuoejiI1vq Practice 2] 
[https://www.dropbox.com/request/gfsn6GCWTIQDdv97xB1j Practice 3] 
[https://www.dropbox.com/request/RHsRHhHjTbHxTKSs17aT Practice 4] 
[https://www.dropbox.com/request/xNO67fd5LyeDUv2wD5si Practice 5] 
[https://www.dropbox.com/request/uOZtpjTHglasN9oIupLl Practice 6] 
[https://www.dropbox.com/request/sKMoLrihkpfz3w2jqndM Practice 7] 

== Feedback ==
We’ll much appreciate if you help us make it better by telling your ideas and suggestions. You are free to do it. 

== About the course ==
The course is for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'

Your seminar teachers are: Elena Kantonistova and Marina Ananyeva 

== Grading ==
Final Grade = 0.8*Cumulative Grade + 0.2*Exam Grade 

Cumulative Grade = 0.7*Homework Grade + 0.3*Class Test Grade + Extra Points 
 
== Deadlines ==
You must submit each seminar assignment by the beginning of the next one - otherwise you get 0 for it. 
 
== Attendance ==
 
It is better to attend all lectures to be aware of your material. However, there are two caveats though:

You are responsible for catching up with the material and timely submission of all the assignments. We reserve the right to respond “RTFM” to questions from people who missed the corresponding class for no good reason.
HSE bureaucracy has asked us to submit the roll-call of each seminar - they might apply some punishment for truancy. 

== Force majeure ==
 
We use the standard HSE rules to determine what counts as a force majeure - illness and stuff. If you encounter one, please email the practice teacher ASAP and then provide the proof documents to the student's office (учебный офис). Your deadlines will be extended by the duration of the illness, and help with the missed material will be offered. Also since you won't be working in a team, you need to complete only half of the obligatory tasks to get a 10, and half of the bonus tasks to get the full grade for the bonus tasks.
 
 
== Fast line ==
 
If you find yourself offended by a proposition to do data analysis in Excel because you are a Tensorflow contributor, or for any other reason you already know everything this course has to offer - please come forward. Prove yourself a competent data scientist (something line achieving a reasonable place on a Kaggle competition, and passing an oral examination - the precise way will be negotiated and publicized). You’ll get a full grade on Ongoing Assessment and a free pass on all the ongoing assignments in exchange for attending the practical lessons in the role of teaching assistant - helping you classmates and answering their questions. 
== Hail Mary ==
 
If by the end of the course you find yourself with 9 non-zero grades for tests, but not enough Ongoing Assessment credits to earn a passing grade, there will be a way to make it up with a few extra assignments, for up to the lowest “Satisfactory”. There will be deadlines, they’ll be announced. Please don’t let the situation to deteriorate to that.

Retaking the final exam is governed by the standard HSE rules. 
== Cheating and honor ==
 
You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].

Please don’t cheat - the rumor has it HSE has quite severe penalties.

To avoid being accused of plagiarism in “grey cases” please disclose with whom and how you have collaborated on each assignment outside of the assigned group. This way the worst thing that can happen to you after a good faith mistake is being asked to do a different variant of the task in question, with no disciplinary penalty and no notification of the HSE bureaucracy.
 
== Rules status ==
 
We did our best to lay out what’s expected from students in the Data Culture course and don’t expect to make substantial alteration to this document. However, should a loophole arise and be abused, we reserve the right to alter the rules. This of course will be announced on the course channel. 
 
== MS Excel ==
 
The official and supported version of Microsoft Excel for this course is 2016. It is readily available to HSE students - just login (and possibly register with your @edu.hse.ru email) on the website. In case you have trouble downloading, there is a [https://docs.google.com/document/d/1_49BpcYiCXa8EO7G69lQGXeQRae7x1RrZ2R2-eJJ6io/edit?usp=sharing manual].

Машинное обучение (ФЭН)

2018-11-09T07:56:54Z

Elena.kantonistova: добавлена лекция 9

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

[https://docs.google.com/spreadsheets/d/12-AnCGi1yiv9gyRgjNYy5Db0XHURYvg5wx74gVNaGH8/edit?usp=sharing Таблица с оценками]

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

'''Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00'''. Третий курс приходит к 9:00, четвертый курс - к 10:30.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов: [https://yadi.sk/i/02MVWioinckZPA ссылка]
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
В конце курса будет проведен устный экзамен.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/RXA_JnqbY-bo5g Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

'''Лекция 7''' (19 октября). Работа с признаками (методы отбора признаков, метод главных компонент и сингулярное разложение).
[https://yadi.sk/i/QkzT9GE2H6ikUw Слайды]

'''Лекция 8''' (2 ноября). Решающие деревья.
[https://yadi.sk/i/fxryvBNF5f96bg Слайды]

'''Лекция 9''' (9 ноября). Композиции алгоритмов (общая идея bias-variance decomposition, бэггинг, случайные леса).
[https://yadi.sk/i/ovhp--Wd1KwpHQ Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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 (ФЭН)

2018-11-02T08:11:33Z

Elena.kantonistova: Добавлена лекция 8

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

[https://docs.google.com/spreadsheets/d/12-AnCGi1yiv9gyRgjNYy5Db0XHURYvg5wx74gVNaGH8/edit?usp=sharing Таблица с оценками]

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

'''Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00'''. Третий курс приходит к 9:00, четвертый курс - к 10:30.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов: [https://yadi.sk/i/02MVWioinckZPA ссылка]
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
В конце курса будет проведен устный экзамен.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/RXA_JnqbY-bo5g Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

'''Лекция 7''' (19 октября). Работа с признаками (методы отбора признаков, метод главных компонент и сингулярное разложение).
[https://yadi.sk/i/QkzT9GE2H6ikUw Слайды]

'''Лекция 8''' (2 ноября). Решающие деревья.
[https://yadi.sk/i/fxryvBNF5f96bg Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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 (ФЭН)

2018-10-20T08:46:38Z

Elena.kantonistova: Информация о коллоквиуме

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

[https://docs.google.com/spreadsheets/d/12-AnCGi1yiv9gyRgjNYy5Db0XHURYvg5wx74gVNaGH8/edit?usp=sharing Таблица с оценками]

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

'''Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00'''. Третий курс приходит к 9:00, четвертый курс - к 10:30.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов: [https://yadi.sk/i/02MVWioinckZPA ссылка]
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
В конце курса будет проведен устный экзамен.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/RXA_JnqbY-bo5g Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

'''Лекция 7''' (19 октября). Работа с признаками (методы отбора признаков, метод главных компонент и сингулярное разложение).
[https://yadi.sk/i/QkzT9GE2H6ikUw Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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 (ФЭН)

2018-10-19T07:49:46Z

Elena.kantonistova: Добавлена лекция 7

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

[https://docs.google.com/spreadsheets/d/12-AnCGi1yiv9gyRgjNYy5Db0XHURYvg5wx74gVNaGH8/edit?usp=sharing Таблица с оценками]

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

'''Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00'''. К скольки часам подходить каждой группе - объявим чуть позже.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов: [https://yadi.sk/i/02MVWioinckZPA ссылка]
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
В конце курса будет проведен устный экзамен.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/RXA_JnqbY-bo5g Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

'''Лекция 7''' (19 октября). Работа с признаками (методы отбора признаков, метод главных компонент и сингулярное разложение).
[https://yadi.sk/i/QkzT9GE2H6ikUw Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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 (ФЭН)

2018-10-17T13:16:30Z

Elena.kantonistova: выложена новая ссылка на лекцию 3

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

[https://docs.google.com/spreadsheets/d/12-AnCGi1yiv9gyRgjNYy5Db0XHURYvg5wx74gVNaGH8/edit?usp=sharing Таблица с оценками]

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

'''Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00'''. К скольки часам подходить каждой группе - объявим чуть позже.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов: [https://yadi.sk/i/02MVWioinckZPA ссылка]
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
В конце курса будет проведен устный экзамен.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/RXA_JnqbY-bo5g Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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 (ФЭН)

2018-10-16T10:43:32Z

Elena.kantonistova: информация про коллоквиум

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

'''Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00'''. К скольки часам подходить каждой группе - объявим чуть позже.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов: [https://yadi.sk/i/02MVWioinckZPA ссылка]
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
В конце курса будет проведен устный экзамен.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/_d1o63NUQPcPKQ Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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 (ФЭН)

2018-10-12T09:04:11Z

Elena.kantonistova: обновлена лекция 6

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

После первого модуля будет проведен устный коллоквиум.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов вопросов будет опубликован позже
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
В конце курса будет проведен устный экзамен.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/_d1o63NUQPcPKQ Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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 (ФЭН)

2018-10-12T07:41:30Z

Elena.kantonistova: добавлена лекция 6

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

После первого модуля будет проведен устный коллоквиум.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов вопросов будет опубликован позже
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
В конце курса будет проведен устный экзамен.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/_d1o63NUQPcPKQ Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/WOgl2g8JqRVoRQ Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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 (ФЭН)

2018-10-05T16:39:27Z

Elena.kantonistova:

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

После первого модуля будет проведен устный коллоквиум.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов вопросов будет опубликован позже
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
В конце курса будет проведен устный экзамен.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/_d1o63NUQPcPKQ Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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 (ФЭН)

2018-10-05T16:38:36Z

Elena.kantonistova: Добавлена лекция 5

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

После первого модуля будет проведен устный коллоквиум.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов вопросов будет опубликован позже
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
В конце курса будет проведен устный экзамен.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/_d1o63NUQPcPKQ Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классфикации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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 (ФЭН)

2018-09-28T11:10:19Z

Elena.kantonistova: Слайды к лекции 4

== О курсе ==

'''Преподаватели:''' Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович. 

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214. 

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Чат !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || Артем Филатов || Анастасия Рогачевская || || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || Алексей Иванов || || суббота 9:00, ауд. 3316
|-
|}

=== 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

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

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.

== Коллоквиум ==

После первого модуля будет проведен устный коллоквиум.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов вопросов будет опубликован позже
* задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
* на подготовку и ответ будет выделено примерно по 10 минут
* пользоваться при подготовке ничем нельзя

== Экзамен ==
В конце курса будет проведен устный экзамен.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/_d1o63NUQPcPKQ Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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]