Машинное обучение (ФЭН) - 2021-2022

2021-09-05T20:19:11Z

Ilipatov: /* Как связаться с преподавателями и куда сдавать домашки */

== О курсе ==

'''Преподаватели:'''

Лекции - Кантонистова Елена Олеговна

Семинары - Кантонистова Елена Олеговна, Ананьева Марина Евгеньевна, Липатов Иван Константинович

=== Лекции и семинары ===
Канал курса: https://t.me/ml_econom

Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_Econom_2021-2022

=== Ссылки на видеозаписи занятий ===
На данный момент все занятия проводятся очно, в аудиториях.

=== Как связаться с преподавателями и куда сдавать домашки ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент || Инвайт в anytask || Чат в telegram
|-
| Вторник|| [https://telegram.me/murr4a Елена Кантонистова] || https://t.me/NikPatov || ||
|-
| Среда|| [https://telegram.me/ananyevame Мария Ананьева] || [https://telegram.me/masstermax Максим Гудзикевич] || ||
|-
| Понедельник || [https://telegram.me/vgodie Иван Липатов] || [https://t.me/Savely_Prokhorov Савелий Прохоров] || || https://t.me/joinchat/9CNMwhLK8xk1Nzky
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:

* самостоятельные работы на семинарах (пятиминутки);

* коллоквиум в сессию первого модуля (письменный);

* домашние задания (в том числе соревнование на Kaggle);

* экзамен в сессию второго модуля (письменный).

Все работы оцениваются в 10 баллов.

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

'''0.3 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.3 * Экзамен'''

* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).

* 20% слушателей с наибольшим накопленным баллом получают автоматом 10 баллов за курс.

== Коллоквиум ==
Коллоквиум будет проходить в сессию первого модуля. Коллоквиум проходит в письменном виде.

Подробности будут объявлены позже.

== Экзамен ==

Экзамен будет проходить в сессию второго модуля. Экзамен проходит в письменном виде.

Подробности будут объявлены позже.

== Лекции ==
Материалы лекций: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Лекции

'''Лекция 1.''' Введение в машинное обучение.

'''Лекция 2.''' Линейная регрессия, градиентный спуск

'''Лекция 3.''' Метрики качества регрессии

'''Лекция 4.''' Линейные классификаторы (1).

'''Лекция 5.''' Линейные классификаторы (2).

'''Лекция 6.''' Многоклассовая классификация. Нелинейные модели. Калибровка вероятностей.

'''Лекция 7.''' Работа с текстовыми данными. Работа с выбросами

'''Лекция 8.''' Снижение размерности

'''Лекция 9.''' Решающие деревья

'''Лекция 10.''' Бэггинг

'''Лекция 11.''' Бустинг

'''Лекция 12.''' Временные ряды.

'''Лекция 13.''' Кластеризация и визуализация данных.

'''Лекция 14.''' Введение в нейронные сети.

== Семинары ==
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары

'''Семинар 1.''' Основы линейной алгебры и матричного дифференцирования

'''Семинар 2.''' Одномерная регрессия ручками, градиентный спуск

'''Семинар 3.''' Вывод оптимальных констант некоторых функций потерь. Обсуждение предобработки данных

'''Семинар 4.''' Решение теоретико-практических задач.

'''Семинар 5.''' Теоретические задачи на персептрон и логистическую регрессию

'''Семинар 6.''' Решение теоретико-практических задач

'''Семинар 7.''' Обсуждение feature extraction и feature selection

'''Семинар 8.''' Решение теоретико-практических задач

'''Семинар 9.''' Решение теоретико-практических задач

'''Семинар 10.''' Решение теоретико-практических задач

'''Семинар 11.''' Бустинг и его имплементации

'''Семинар 12.''' Catboost

'''Семинар 13.''' Временные ряды

'''Семинар 14.''' Кластеризация

== Домашние задания ==
На курсе планируется 7 домашних заданий. Формула вычисления итоговой оценки: взвешенное среднее из 6 домашних заданий с максимальными баллами.

Каждое домашнее задание имеет индивидуальный вес, который будет появляться одновременно с появлением очередного домашнего задания.

Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/ Anytask].

'''Домашняя работа 1.'''

'''Домашняя работа 2.'''

'''Домашняя работа 3.'''

'''Домашняя работа 4.'''

'''Домашняя работа 5.'''

'''Домашняя работа 6.'''

'''Домашняя работа 7.'''

== 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]

Wiki - Факультет компьютерных наук - Вклад [ru]

Машинное обучение (ФЭН) - 2021-2022