Машинное обучение (фэн 2019)

2019-10-22T09:04:15Z

Glebzok: добавил свои контакты

== О курсе ==

[https://www.hse.ru/edu/courses/292706624 Официальная программа]

[https://docs.google.com/spreadsheets/d/1wszs9DwtMwSzmF9igTkkQEEg8Mq05ampc6doDPDG2zY/edit?usp=sharing Таблица с оценками]

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Username !! Расписание
|-
| лекции || [https://www.hse.ru/staff/bbd Борис Демешев] || || || R405, пятница, 9:00-10:30
|-
| ... || Павел Губко || Глеб Мезенцев || gleb_mezentsev || ||
|-
| ... || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || || ||
|-
| ... || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || || ||
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Квизы (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
* Письменный экзамен

Итоговая оценка = 0.2 * Квизы + 0.3 * Домашние задания + 0.2 * Коллоквиум + 0.3 * Экзамен

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 и экзамен ==

'''Коллоквиум будет проведен ...'''

* коллоквиум будет включать в себя теоретические вопросы и задачи
* на подготовку и ответ будет выделено примерно по ... минут
* пользоваться при подготовке ничем нельзя

'''Экзамен будет проведен ...'''

== Полезные материалы ==

[https://github.com/bdemeshev/mlearn_pro Задачник по машинному обучению]

'''Неделя 1''' (лекция 6 сентября). Матричный дифференциал и его свойства. Формула оценивания. Киноклуб Two minutes paper.

[http://www.janmagnus.nl/misc/mdc-ch18.pdf Матричный дифференциал]

[https://www.youtube.com/channel/UCbfYPyITQ-7l4upoX8nvctg Two minutes paper]

[https://www.coursera.org/learn/python-osnovy-programmirovaniya Курс по питону с курсеры]

'''Неделя 2''' (лекция 13 сентября). Второй дифференциал. Явный вывод оценок МНК в матричной форме. Проверка условий второго порядка с помощью второго дифференциала.
Градиентный спуск. Методы оценки градиента: SG, SAG, momentum.

[https://distill.pub/2017/momentum/ Приятная визуализация Why momentum really works?]

[https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture02-linregr.pdf Лекция 2 Евгения Соколова про линейную регрессию]

[http://www.cs.cmu.edu/~aarti/Class/10725_Fall17/Lecture_Slides/stochastic_optimization_methods.pdf Слайды про SG, SAG от Carnegie Mellon]

'''Неделя 3''' (лекция 20 сентября). Парадокс Штейна или зачем нужна регуляризация? Идея LASSO и гребневой регрессии.

[https://en.wikipedia.org/wiki/Stein%27s_example Wikipedia, Stein's example]

[http://www.statslab.cam.ac.uk/~rjs57/SteinParadox.pdf Richard Samworth, Stein Paradox]

[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture03-linregr.pdf Лекция 3 Евгения Соколова про линейные модели]

[https://stats.stackexchange.com/questions/122062 Что общего между Ridge regression и Stein paradox?]

'''Неделя 4''' (лекция 27 сентября). Задача классификации. Персептрон, обучение персептрона. Логистическая регрессия: функция правдоподобия, интерпретация коэффициентов,
интерпретация с помощью полезности. Кривая точность-полнота, ROC-кривая.

[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture04-linclass.pdf Лекция 4 Евгения Соколова про линейные классификаторы]

[http://ciml.info/ Глава 5 про персептрон и глава 9 про логистическую регрессию]

'''Неделя 5''' (лекция 04 октября). Многоклассовая классификация. Идеи: обобщение алгоритма на примере логистической регрессии, один против остальных, каждый против каждого. Создание признаков: стандартизация, one-hot кодирование, one-hot кодирование с хэш-функцией, mean-target кодирование на примере долей для дискретной зависимой переменной.

[https://github.com/esokolov/ml-course-hse/raw/master/2018-fall/lecture-notes/lecture06-linclass.pdf Лекция 6 Евгения Соколова про многоклассовую классификацию]

'''Неделя 6''' (лекция 11 октября). Два взглядов на метод главных компонент: максимизация выборочной дисперсии, диагонализация ковариационной матрицы.

[http://web.math.ku.dk/~richard/courses/statlearn2011/pca.pdf оч удачный листок, доказывающий эквивалентность трёх подходов]

[https://stats.stackexchange.com/questions/2691 making sense of PCA]

'''Неделя 7''' (лекция 18 октября). Ещё три взгляда на метод главных компонент. Сингулярное разложение матрицы X. Минимизация суммы квадратов расстояний от X до аппроксимирующей матрицы меньшего ранга. Максимизиация средней величины R^2, где прогнозируемыми переменными выступают исходные переменные, а предикторами — главные компоненты. Вероятностная модель за pca.

[https://www.researchgate.net/publication/318472700_Teaching_Principal_Components_Using_Correlations pca как максимизация среднего значения коэффициента детерминации]

[http://www.robots.ox.ac.uk/~cvrg/hilary2006/ppca.pdf вероятностная модель за pca]

[https://medium.com/@jonathan_hui/machine-learning-singular-value-decomposition-svd-principal-component-analysis-pca-1d45e885e491 про связь svd и pca с картинками]

[https://stats.stackexchange.com/questions/134282 Про связь PCA и SVD на stats.stackexchange]

[http://www.d.umn.edu/~mhampton/m4326svd_example.pdf пример подсчёта SVD руками]. Компьютер считает принципиально по-другому :)

[https://www.scss.tcd.ie/Rozenn.Dahyot/CS1BA1/SolutionEigen.pdf пример подсчёта собственных векторов]

===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]
* [http://ciml.info/ A Course in Machine Learning by Hal Daume]

Wiki - Факультет компьютерных наук - Вклад [ru]

Машинное обучение (фэн 2019)