== О курсе ==

Курс читается для студентов 3-го курса ПМИ в 1-3 модулях.

=== Полезные ссылки ===

Домашние задание сдаются в Anytask: https://anytask.org/course/876

Канал в telegram для объявлений: https://t.me/joinchat/4qNdPDzeuYpjMDVi

Чат в telegram: https://t.me/joinchat/G1kN7u-nfs03NWQy

Таблица с оценками: https://docs.google.com/spreadsheets/d/1ftHKIu0VDypvI8LRkTK8kGJPgJxLaZzvtPECBLxCP1Y/

Репозиторий курса: https://github.com/isadrtdinov/intro-to-dl-hse

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебные ассистенты !! Ссылка на чат !! Инвайт в anytask
|-
| БПМИ191 || [https://t.me/dchesakov Даниил Чесаков] || [https://t.me/egorkapiorka Егор Масликов] || [Чат]||
|-
| БПМИ192 || [https://t.me/Saigetsu Руслан Хайдуров] || [https://t.me/mogrigoryan Михаил Григорян] || [Чат] ||
|-
| БПМИ193 || [https://t.me/isadrtdinov Ильдус Садртдинов] || [https://t.me/treacker Женя Шабалин]|| [Чат]||
|-
| БПМИ194 || [https://t.me/aktsvigun Аким Цвигун] || [https://t.me/bwdare Дарья Матяш]||[Чат]||
|-
| БПМИ197 || [https://t.me/murr4a Елена Кантонистова] || [https://t.me/ferekeke Елизавета Копышева]|| [Чат]||
|-
| БПМИ198 || [https://t.me/asukhareva Анжела Сухарева] || [https://t.me/tak_ty Екатерина Такташева] || [Чат]||
|-
| БПМИ199, БПМИ1910 || [https://t.me/AlexeyKKovalev Алексей Ковалёв] || [https://t.me/tamogashev_kv Кирилл Тамогашев] || [Чат]||
|-
|}

=== Правила выставления оценок ===

Итоговая оценка вычисляется по формуле:

0.7*ДЗ + 0.3*Проверочные

==Лекции==

Все лекции онлайн-курса лежат на Coursera. Также есть несколько лекций в плейлисте на YouTube — [[https://youtube.com/playlist?list=PLEwK9wdS5g0rj_cRQ3iFGAHLJNRkX5nO2 ссылка на плейлист]].

'''Лекция 1''' (24.09.2021). [[https://youtu.be/tsvWaL8J_Qw Запись лекции]]

'''Лекция 2''' (05.11.2021). [[https://youtu.be/XHvWqQb_cGQ Запись лекции]]

'''Лекция 3''' (22.11.2021). [[Запись лекции]]

== Семинары ==

'''Семинар 1''' [[Тетрадка]]

'''Семинар 2''' [[Тетрадка]]

'''Семинар 3''' [[Тетрадка]]

'''Семинар 4''' [[Тетрадка]]

'''Семинар 5''' [[Тетрадка]]

== Домашние задания ==

'''Домашнее задание 1.''' Введение в PyTorch. Полносвязные нейронные сети: [[https://github.com/isadrtdinov/intro-to-dl-hse/blob/main/homeworks/homework-01-mlp.ipynb ноутбук с заданием]]

Дата выдачи: 05.10.2021

Мягкий дедлайн: 23:59MSK 28.10.2021

Жесткий дедлайн: 23:59MSK 28.10.2021

'''Домашнее задание 2.''' Классификация изображений. Сверточные нейронные сети: [[https://github.com/isadrtdinov/intro-to-dl-hse/blob/main/homeworks/homework-02-cnn.ipynb ноутбук с заданием]]

Дата выдачи: 07.11.2021

Мягкий дедлайн: 23:59MSK 28.11.2021

Жесткий дедлайн: 23:59MSK 02.12.2021

Intro to DL 21/22

2021-11-22T12:18:11Z

Isadrtdinov: /* Полезные ссылки */

Машинное обучение 1/2023 2024

2021-10-19T16:19:38Z

Isadrtdinov: /* Практические задания */

== О курсе ==

[[Файл:ML_surfaces.png|280px|borderless|left]]

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

Проводится с 2016 года.

'''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]

Лекции проходят по пятницам, 11:10 - 12:30, в zoom (https://zoom.us/j/98499384799?pwd=OC9GcFd5QlJkZlA5Uk85SHNVTGxSdz09).

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/450802413.html Карточка курса и программа]

[https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]

[https://www.youtube.com/watch?v=OBG6EUSRC9g&list=PLEqoHzpnmTfDwuwrFHWVHdr1-qJsfqCUX Видеозаписи лекций 18/19 года]

Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.cs.ml+<номер группы>@gmail.com (например, hse.cs.ml+171@gmail.com)

Канал в telegram для объявлений: https://t.me/joinchat/G2T6pB1CgF82NTMy

Чат в telegram для обсуждений (предназначение чата до конца не ясно, вопросы может быть правильнее задавать в чатах групп): https://t.me/joinchat/NRpKJ09prtRlMTli

Ссылка на курс в Anytask: https://anytask.org/course/856

[https://docs.google.com/spreadsheets/d/1_qMPqgcJZEJaiXZpMbjKM0trw_aGkkulrZG7Lq7kjU8/edit?usp=sharing Таблица с оценками]

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

'''Вопросы''' по курсу можно задавать в телеграм лектору (esokolov@) или семинаристу.
Вопросы по материалам лекций/семинаров и по заданиям лучше всего задавать на [https://github.com/esokolov/ml-course-hse/discussions форуме].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель
|-
| 191 (МОП) || Хрушков Павел Вадимович
|-
| 192 (МОП) || [https://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]
|-
| 193 (МОП) || [https://www.hse.ru/org/persons/208522505 Садртдинов Ильдус Рустемович]
|-
| 194 (АДИС)|| [https://www.hse.ru/staff/atsvigun Цвигун Аким Олегович]
|-
| 195 (РС) || Каюмов Эмиль Марселевич
|-
| 196 (РС) || Шабалин Александр Михайлович
|-
| 197 (АПР) || [https://www.hse.ru/org/persons/160961881 Глазкова Екатерина Васильевна]
|-
| 198 (ТИ) || [https://www.hse.ru/org/persons/218009880 Ульянкин Филипп] [https://t.me/ppilif @ppilif]
|-
| 199 (МИ) || [https://www.hse.ru/org/persons/160995848/ Семенкин Антон Александрович]
|-
| 1910 (ПР) || [https://www.hse.ru/org/persons/208488544 Биршерт Алексей Дмитриевич]
|-
| ФЭН || [https://www.hse.ru/org/persons/190889495 Зехов Матвей Сергеевич]
|-
| Пермь (БИ) || [https://www.hse.ru/org/persons/343120018 Собянин Кирилл Валентинович]
|-
| Пермь (ПИ) || [https://www.hse.ru/org/persons/343120018 Собянин Кирилл Валентинович]
|}

=== Консультации ===

{| class="wikitable"
|-
! Учебные ассистенты
|-
| [https://t.me/treacker Евгений Шабалин - 191]
|-
| [https://t.me/madn_boi Никита Морозов - 192]
|-
| [https://t.me/artiloid Щербинин Артём - 193]
|-
| [https://t.me/sibsonya Сибагатова Софья - 193]
|-
| [https://t.me/khaykingleb Хайкин Глеб - 194]
|-
| [https://t.me/sol_arch Никита Андреев - 195]
|-
| [https://t.me/sabinadayanova Сабина Даянова - 195]
|-
| [https://t.me/ainmukh Айнур Мухамбетова - 196]
|-
| [https://t.me/daviddramb Драмбян Давид - 198]
|-
| [https://t.me/fdrose Абрахам Максим - 199]
|-
| [https://t.me/naumovanast Наумова Настя - 1910]
|-
| [https://t.me/horror_in_black Коган Саша - 197]
|-
| [https://t.me/cherepasska Баранов Михаил - ФЭН]
|-
| [https://t.me/lena_rus_21 Русакова Елена]
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров
* Практические домашние работы на Python
* Письменная контрольная работа
* Письменный экзамен

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

Итог = Округление(0.15 * ПР + 0.4 * ДЗ + 0.15 * КР + 0.3 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее. Есть исключение: в течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна — в этом случае за каждый день просрочки продолжает вычитаться по одному баллу (если не оговорено иное).

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

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

Ко всем конспектам на GitHub есть исходники. Исправления и дополнения всячески приветствуются!

'''Лекция 1''' (3 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-fall/lecture-notes/lecture01-intro.pdf Конспект]] [[https://youtu.be/HLg4EpeqZP0 Запись лекции]]

'''Лекция 2''' (10 сентября). Модель линейной регрессии. Подготовка данных для линейных моделей. Измерение ошибки в задачах регрессии. Устойчивые к выбросам функции потерь. Относительные функции потерь. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-fall/lecture-notes/lecture02-linregr.pdf Конспект]] [[https://youtu.be/0YugAdKXfdY Запись лекции]]

'''Лекция 3''' (17 сентября). Переобучение. Отложенная выборка и кросс-валидация. Аналитическое решение для линейной регрессии и MSE. Градиентный спуск. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-fall/lecture-notes/lecture03-linregr.pdf Конспект]] [[https://youtu.be/Sio_aNIxnaA Запись лекции]]

'''Лекция 4''' (24 сентября). Стохастический градиентный спуск. SAG, Momentum, AdaGrad, Adam. Регуляризация линейных моделей. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-fall/lecture-notes/lecture04-linregr.pdf Конспект]] [[https://www.youtube.com/watch?v=7ODlUv9W7p4 Запись лекции]]

== Семинары ==

'''Семинар 1'''. Типы данных и виды задач машинного обучения [[https://github.com/esokolov/ml-course-hse/blob/master/2021-fall/seminars/sem01-data.ipynb Ноутбук]]. Библиотека pandas [[https://github.com/esokolov/ml-course-hse/blob/master/2021-fall/seminars/sem01-pandas.ipynb Ноутбук]].

'''Семинар 2'''. Исследование данных. Библиотека scikit-learn. Подготовка данных для линейных моделей. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-fall/seminars/sem02-sklearn-linregr.ipynb Ноутбук]]

'''Семинар 3'''. Векторное дифференцирование [[https://github.com/esokolov/ml-course-hse/blob/master/2021-fall/seminars/sem03-vector-diff.pdf Конспект]]. Градиентный спуск [[https://github.com/esokolov/ml-course-hse/blob/master/2021-fall/seminars/sem03-gd.ipynb Ноутбук]]. А также: [[https://github.com/esokolov/ml-course-hse/blob/master/2021-fall/seminars/sem03-numpy.ipynb Ноутбук про numpy для самостоятельного изучения]].

== Практические задания ==

'''Задание 1.''' Pandas и распределение студентов ПМИ по элективам.

Мягкий дедлайн: 25.09.2021 23:59 MSK.

Жесткий дедлайн: 28.09.2021 23:59 MSK.

[[https://github.com/esokolov/ml-course-hse/blob/master/2021-fall/homeworks-practice/homework-practice-01-pandas.ipynb Ноутбук с заданием]]

'''Задание 2.''' Разведочный анализ данных, линейная регрессия и разработка признаков.

Мягкий дедлайн: 11.10.2021 23:59 MSK.

Жесткий дедлайн: 14.10.2021 23:59 MSK.

[[https://github.com/esokolov/ml-course-hse/blob/master/2021-fall/homeworks-practice/homework-practice-02-linregr.ipynb Ноутбук с заданием]]

'''Задание 3.''' Градиентный спуск своими руками.

Мягкий дедлайн: 25.10.2021 23:59 MSK.

Жесткий дедлайн: 28.10.2021 23:59 MSK.

[[https://github.com/esokolov/ml-course-hse/blob/master/2021-fall/homeworks-practice/homework-practice-03-gd/homework-practice-03-gd.ipynb Ноутбук с заданием]]

==Теоретические домашние задания==

Теоретические ДЗ не проверяются, но задачи из них могут войти в проверочные работы на семинарах.

== Соревнования ==

===Правила участия и оценивания===
В соревновании по анализу данных вам предлагается по имеющимся данным решить некоторую задачу, оптимизируя указанную метрику, и отправить ответы для заданного тестового множества. Максимальное количество посылок в сутки ограничено (как правило, разрешается сделать 2 посылки), ближе к концу соревнования вам будем необходимо выбрать 2 посылки, которые вы считаете лучшими. Тестовые данные делятся на публичные и приватные в некотором соотношении, на основе которых строятся публичный и приватный лидерборды соответственно, при этом публичный лидерборд доступен в течение всего соревнования, а приватный строится после его окончания для выбранных вами посылок.

В лидербордах каждого из соревнований присутствуют несколько базовых решений (бейзлайнов), каждое из которых соответствует определённой оценке. Например, для получения оценки не ниже 8 баллов необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бейзлайна. Далее для студента, преодолевшего бейзлайн на N_1 баллов, но не преодолевшего бейзлайн на N_2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:

N_2 - (N_2 - N_1) * i / M,

где M — количество студентов (из всех студентов, изучающих курс), преодолевших бейзлайн на N_1 баллов, но не преодолевших бейзлайн на N_2 балла;

i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов.

Единственное исключение из формулы — студенты, преодолевшие самый сильный бейзлайн, получают прибавку 1/M к своей оценке.

Чтобы вас не пропустили при проверке решений соревнования, '''необходимо''' использовать следующий формат для имени команды (вкладка Team):

«[ПМИ] Имя Фамилия номер_группы»

В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:

1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.

2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.

3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами.

В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-3 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования сдадут в anytask отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''. Под внешними данными понимаются размеченные данные, где разметка имеет прямое отношение к решаемой задаче. Грубо говоря, сборник текстов с википедии не считается внешними данными.

В некоторых соревнованиях данные взяты из завершившегося соревнования на Kaggle.
Категорически запрещено использовать данные из оригинального соревнования для восстановления целевой переменной на тестовой выборке.

=== Соревнование 1 ===

== Бонусы за соревнования ==

За успешное участие в соревнованиях по анализу данных могут быть выставлены бонусные баллы, которые можно прибавить к оценке за любое практическое или теоретическое домашнее задание, а также за самостоятельную работу. Под успешным участием понимается попадание в топ-10% мест; если соревнование особо сложное и крупное, может рассматриваться и попадание в топ-20% мест. Конкретное число баллов определяется преподавателями и зависит от сложности соревнования и занятого места. За одно соревнование можно получить не более 5 баллов. Для получения оценки необходимо предоставить краткий отчёт о решении задачи.

== Контрольная работа ==

== Экзамен ==

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

===Курсы по машинному обучению и анализу данных===
* [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-from-statistics-to-neural-networks Coursera: Машинное обучение от статистики до нейросетей (специализация)]
* [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]
* [https://openedu.ru/course/hse/INTRML/ Введение в машинное обучение (онлайн-курс НИУ ВШЭ)]

== Страницы предыдущих лет ==

[[Машинное_обучение_1/2020_2021 | 2020/2021 учебный год]]

[[Машинное_обучение_1/2019_2020 | 2019/2020 учебный год]]

[[Машинное_обучение_1/2018_2019 | 2018/2019 учебный год]]

[[Машинное_обучение_1/2017_2018 | 2017/2018 учебный год]]

[[Машинное_обучение_1/2016_2017 | 2016/2017 учебный год]]

Машинное обучение 1/2023 2024

2021-09-13T10:56:09Z

Isadrtdinov: /* Консультации */

Машинное обучение 1/2023 2024

2021-09-13T10:54:06Z

Isadrtdinov: /* Семинары */

Isadrtdinov: /* Лекции */

== Преподаватели и учебные ассистенты ==
{| class="wikitable" style="text-align:center"
|-
! Группа !! БПМИ171 !! БПМИ172
|-
|| Лектор ||colspan="2"| Наумов Алексей Александрович
|-
|| Семинарист || [mailto:ked_2006@mail.ru Косов Егор Дмитриевич] || [mailto:anaumov@hse.ru Наумов Алексей Александрович]
|-
|| Ассистент || [https://t.me/ssamsonov Самсонов Сергей]|| [https://t.me/dashademidova Демидова Дарья]
|}

== Организационные моменты ==
Оценка будет складываться из нескольких факторов:
* Две контрольных работы.
* Коллоквиум
* Домашние задания.
* Письменный экзамен.

Итоговая оценка высчитывается следующим образом: Оитог = 0.3 * ОКР + 0.3 * Околлоквиум + 0.1 * ОДЗ + 0.3 * Оэкзамен

Таким образом, накопленная оценка считается так: Онак = 3/7 * ОКР + 3/7 * Околлоквиум + 1/7 * ОДЗ

Будет возможность при накопленной оценке 8 и выше выставить её в качестве итоговой (автомат).

=== Ведомость с оценками ===

{| class="wikitable" style="text-align:center"
|-
! (нужна ссылка)[ 171] !! [https://docs.google.com/spreadsheets/d/1fn8Qnssa3C1iJPvnUWeM7D7diZHB-5h85zDoLx-L5yI/edit?ts=5bb782c0#gid=0 172]
|}

Стоит заметить, что она не является официальным источником информации и ведётся ассистентами (если там нет ваших оценок — пинайте ассистентов).

=== Контакт с ассистентами===
[https://t.me/hsera17x Чат] в Телеграме для обсуждения релевантных вопросов.

== Коллоквиум ==
Формирование оценки на коллоквиуме:

* письменный ответ на 2 вопроса (с доказательствами), 3 балла за каждый вопрос
* два вопроса из программы по выбору принимающего, 1 балл за каждый.
* всего можно заработать 8 баллов.

== Лекции ==
(можно вставить ссылку на тех Тяпкина)['''Здесь'''] можно найти лекции.

(Также можно вставить фото всех лекции Наумова)
https://www.dropbox.com/s/v8azmxyd5uxr9zv/Calculus-2%20lections.pdf?dl=0

== Домашние задания ==
Домашние задания нужно сдать в день лекции в аудитории 623. Шкаф справа после входа.

=== Список ДЗ ===

'''Примечание:''' на дом даются задачи "со звездочкой".
(ссылки на дз)

== Список рекомендуемой литературы ==
=== Учебники ===
* темы по рядам, равномерной и поточенной сходимости) (Математический анализ-2, Ильин, Садовничий Сендов, главы 1-2)
* темы по теории меры (Элементы теории функции и функционального анализа, Колмогоров, Фомин: Глава 5, пар 1; )
* темы по интегралам Римана (Математический анализ-2, Ильин, Садовничий Сендов, глава 3 ; Математический анализ - 2, Зорич: глава 11 )
* темы про измеримым функциям (Элементы теории функции и функционального анализа, Колмогоров, Фомин: Глава 5, пар 4 )
* темы по интеграл Лебега (Элементы теории функции и функционального анализа, Колмогоров, Фомин: Глава 5, пар 5 )
*Также рекомендую книгу
* Terence Tao, Analysis - 2, Springer, 2016 (покрыты темы по рядам + по теории меры, измеримым функциям и интегралу Лебега)

Математический анализ 2018/2019 (пилотный поток)

2018-12-18T19:48:10Z

Isadrtdinov: Ссылка на лекции

== Преподаватели и учебные ассистенты ==
{| class="wikitable" style="text-align:center"
|-
! Группа !! БПМИ171 !! БПМИ172
|-
|| Лектор ||colspan="2"| Наумов Алексей Александрович
|-
|| Семинарист || [mailto:ked_2006@mail.ru Косов Егор Дмитриевич] || [mailto:anaumov@hse.ru Наумов Алексей Александрович]
|-
|| Ассистент || [https://t.me/ssamsonov Самсонов Сергей]|| [https://t.me/dashademidova Демидова Дарья]
|}

== Организационные моменты ==
Оценка будет складываться из нескольких факторов:
* Две контрольных работы.
* Коллоквиум
* Домашние задания.
* Письменный экзамен.

Итоговая оценка высчитывается следующим образом: Оитог = 0.3 * ОКР + 0.3 * Околлоквиум + 0.1 * ОДЗ + 0.3 * Оэкзамен

Таким образом, накопленная оценка считается так: Онак = 3/7 * ОКР + 3/7 * Околлоквиум + 1/7 * ОДЗ

Будет возможность при накопленной оценке 8 и выше выставить её в качестве итоговой (автомат).

=== Ведомость с оценками ===

{| class="wikitable" style="text-align:center"
|-
! (нужна ссылка)[ 171] !! [https://docs.google.com/spreadsheets/d/1fn8Qnssa3C1iJPvnUWeM7D7diZHB-5h85zDoLx-L5yI/edit?ts=5bb782c0#gid=0 172]
|}

Стоит заметить, что она не является официальным источником информации и ведётся ассистентами (если там нет ваших оценок — пинайте ассистентов).

=== Контакт с ассистентами===
[https://t.me/hsera17x Чат] в Телеграме для обсуждения релевантных вопросов.

== Коллоквиум ==
Формирование оценки на коллоквиуме:

* письменный ответ на 2 вопроса (с доказательствами), 3 балла за каждый вопрос
* два вопроса из программы по выбору принимающего, 1 балл за каждый.
* всего можно заработать 8 баллов.

== Лекции ==
(можно вставить ссылку на тех Тяпкина)['''Здесь'''] можно найти лекции.
(Также можно вставить фото всех лекции Наумова) https://www.dropbox.com/s/v8azmxyd5uxr9zv/Calculus-2%20lections.pdf?dl=0

== Домашние задания ==
Домашние задания нужно сдать в день лекции в аудитории 623. Шкаф справа после входа.

=== Список ДЗ ===

'''Примечание:''' на дом даются задачи "со звездочкой".
(ссылки на дз)

== Список рекомендуемой литературы ==
=== Учебники ===
* темы по рядам, равномерной и поточенной сходимости) (Математический анализ-2, Ильин, Садовничий Сендов, главы 1-2)
* темы по теории меры (Элементы теории функции и функционального анализа, Колмогоров, Фомин: Глава 5, пар 1; )
* темы по интегралам Римана (Математический анализ-2, Ильин, Садовничий Сендов, глава 3 ; Математический анализ - 2, Зорич: глава 11 )
* темы про измеримым функциям (Элементы теории функции и функционального анализа, Колмогоров, Фомин: Глава 5, пар 4 )
* темы по интеграл Лебега (Элементы теории функции и функционального анализа, Колмогоров, Фомин: Глава 5, пар 5 )
*Также рекомендую книгу
* Terence Tao, Analysis - 2, Springer, 2016 (покрыты темы по рядам + по теории меры, измеримым функциям и интегралу Лебега)