Wiki - Факультет компьютерных наук - Вклад [ru]

Основы глубинного обучения

2022-09-14T15:30:39Z

Kmllapshina:

== О курсе ==

Курс читается для студентов 3-го курса [https://electives.hse.ru/minor_intel/ майнора ИАД] в 1-2 модулях.

Проводится с 2015 года.

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

Занятия проходят онлайн по четвергам на третьей паре (13:00 - 14:20).

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/451025042 Карточка курса и программа]

Репозиторий с материалами: https://github.com/hse-ds/iad-deep-learning

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

Канал в telegram для объявлений: https://t.me/hse_iad_22

Чат в telegram (осторожно, риск флуда и отсутствия ответов на содержательные вопросы): https://t.me/+pbt8rRfldsUzZGUy

Таблица с оценками: https://docs.google.com/spreadsheets/d/1VHuG476mULH9QgsXlVsL5CDf6J7BrwlKOVfOMQDXH7g/edit?usp=sharing

'''Вопросы''' по курсу можно задавать в телеграм лектору (@esokolov), семинаристу, в чатах групп или в issues на [https://github.com/hse-ds/iad-deep-learning гитхабе].

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебные ассистенты !! Zoom-конференция !! Ссылка на чат !! Инвайт в anytask
|-
| ИАД-1 || [https://t.me/narekvslife Нарек Алвандян] || [https://t.me/fdrose Максим Абрахам] || [Zoom] || [Чат] ||
|-
| ИАД-2 || [https://t.me/egorkapiorka Егор Масликов] || [https://t.me/onehspal Ксения Лапшина], [https://t.me/poemgranate Марина Казюлина] || [https://us06web.zoom.us/j/84614236089?pwd=YmdCZHI5WUpnOC9BMm8wM1duUWlkQT09 Zoom] || [https://t.me/+ramSS6GUu-5jZjUy Чат] ||
|-
| ИАД-3 || Антон Семенкин || [https://t.me/ipomeya31 Александр Плахин], [https://t.me/caesiummm Михаил Никифоров] || [https://youtube.com/watch?v=dQw4w9WgXcQ Zoom] || [https://t.me/+dZv3HU7DA21lOGVi Чат] ||
|-
| ИАД-6 || [https://t.me/buntar29 Макс Карпов] || [https://t.me/ipomeya31 Александр Плахин], [https://t.me/Nikita_Ki33elev Никита Киселев] || [Zoom] || [https://t.me/+nMzxNMJQuaY3ZWZi Чат] ||
|-
| ИАД-7 || [https://t.me/kirili4ik Гельван Кирилл] || [https://t.me/ongalek Смоленчук Иван], [https://t.me/elineii Костромина Алина]|| [Zoom] || [https://t.me/+iN0XaeTPw_llMDgy Чат] ||
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Практические домашние работы на Python
* Проверочные работы на лекциях
* Контрольная где-то в середине курса
* Письменный экзамен

Итоговая оценка вычисляется по формуле:

Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

ПР — средняя оценка за проверочные работы

КР — оценка за контрольную работу

Э — оценка за экзамен

=== 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.

Два раза студент может сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

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==

== Семинары ==

== Записи консультаций ==

== Практические задания ==

Домашние задания выкладываются в [https://github.com/hse-ds/iad-deep-learning репозиторий курса]. За каждый день просрочки мягкого дедлайна снимается два балла. После жёсткого дедлайна задания не принимаются.

== Контрольная работа ==

== Экзамен ==

== Страницы предыдущих лет ==

[[Основы_глубинного_обучения/2021_2022 | 21/22 учебный год]]

[[Современные_методы_машинного_обучения | 20/21 учебный год]]

[[Category:Майнор "Интеллектуальный анализ данных"]]

Основы глубинного обучения

2022-09-08T10:45:23Z

Kmllapshina:

== О курсе ==

Курс читается для студентов 3-го курса [https://electives.hse.ru/minor_intel/ майнора ИАД] в 1-2 модулях.

Проводится с 2015 года.

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

Занятия проходят онлайн по четвергам на третьей паре (13:00 - 14:20).

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/451025042 Карточка курса и программа]

Репозиторий с материалами: https://github.com/hse-ds/iad-deep-learning

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

Канал в telegram для объявлений: https://t.me/hse_iad_22

Чат в telegram (осторожно, риск флуда и отсутствия ответов на содержательные вопросы): https://t.me/+pbt8rRfldsUzZGUy

Таблица с оценками: https://docs.google.com/spreadsheets/d/1VHuG476mULH9QgsXlVsL5CDf6J7BrwlKOVfOMQDXH7g/edit?usp=sharing

'''Вопросы''' по курсу можно задавать в телеграм лектору (@esokolov), семинаристу, в чатах групп или в issues на [https://github.com/hse-ds/iad-deep-learning гитхабе].

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебные ассистенты !! Zoom-конференция !! Ссылка на чат !! Инвайт в anytask
|-
| ИАД-2 || [https://t.me/egorkapiorka Егор Масликов] || [https://t.me/onehspal Ксения Лапшина], [https://t.me/poemgranate Марина Казюлина] || [https://youtube.com/watch?v=dQw4w9WgXcQ Zoom] || [Чат] ||
|-
| ИАД-4 || Антон Семенкин || [https://t.me/ipomeya31 Александр Плахин], [https://t.me/caesiummm Михаил Никифоров] ||
[https://youtube.com/watch?v=dQw4w9WgXcQ Zoom] || [https://t.me/+c_l09wzvyqU1ZDUy Чат] ||

|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Практические домашние работы на Python
* Проверочные работы на лекциях
* Контрольная где-то в середине курса
* Письменный экзамен

Итоговая оценка вычисляется по формуле:

Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

ПР — средняя оценка за проверочные работы

КР — оценка за контрольную работу

Э — оценка за экзамен

=== 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.

Два раза студент может сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

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==

== Семинары ==

== Записи консультаций ==

== Практические задания ==

Домашние задания выкладываются в [https://github.com/hse-ds/iad-deep-learning репозиторий курса]. За каждый день просрочки мягкого дедлайна снимается два балла. После жёсткого дедлайна задания не принимаются.

== Контрольная работа ==

== Экзамен ==

== Страницы предыдущих лет ==

[[Основы_глубинного_обучения/2021_2022 | 21/22 учебный год]]

[[Современные_методы_машинного_обучения | 20/21 учебный год]]

[[Category:Майнор "Интеллектуальный анализ данных"]]

Основы глубинного обучения

2022-09-08T10:43:24Z

Kmllapshina:

== О курсе ==

Курс читается для студентов 3-го курса [https://electives.hse.ru/minor_intel/ майнора ИАД] в 1-2 модулях.

Проводится с 2015 года.

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

Занятия проходят онлайн по четвергам на третьей паре (13:00 - 14:20).

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/451025042 Карточка курса и программа]

Репозиторий с материалами: https://github.com/hse-ds/iad-deep-learning

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

Канал в telegram для объявлений: https://t.me/hse_iad_22

Чат в telegram (осторожно, риск флуда и отсутствия ответов на содержательные вопросы): https://t.me/+pbt8rRfldsUzZGUy

Таблица с оценками: https://docs.google.com/spreadsheets/d/1VHuG476mULH9QgsXlVsL5CDf6J7BrwlKOVfOMQDXH7g/edit?usp=sharing

'''Вопросы''' по курсу можно задавать в телеграм лектору (@esokolov), семинаристу, в чатах групп или в issues на [https://github.com/hse-ds/iad-deep-learning гитхабе].

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебные ассистенты !! Zoom-конференция !! Ссылка на чат !! Инвайт в anytask
|-
| ИАД-2 || [https://t.me/egorkapiorka Егор Масликов] || [https://t.me/onehspal Ксения Лапшина], [https://t.me/poemgranate Марина Казюлина] || [Zoom] || [Чат] ||
|-
| ИАД-4 || Антон Семенкин || [https://t.me/ipomeya31 Александр Плахин], [https://t.me/caesiummm Михаил Никифоров] ||
[https://youtube.com/watch?v=dQw4w9WgXcQ Zoom] || [https://t.me/+c_l09wzvyqU1ZDUy Чат] ||

|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Практические домашние работы на Python
* Проверочные работы на лекциях
* Контрольная где-то в середине курса
* Письменный экзамен

Итоговая оценка вычисляется по формуле:

Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

ПР — средняя оценка за проверочные работы

КР — оценка за контрольную работу

Э — оценка за экзамен

=== 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.

Два раза студент может сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

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==

== Семинары ==

== Записи консультаций ==

== Практические задания ==

Домашние задания выкладываются в [https://github.com/hse-ds/iad-deep-learning репозиторий курса]. За каждый день просрочки мягкого дедлайна снимается два балла. После жёсткого дедлайна задания не принимаются.

== Контрольная работа ==

== Экзамен ==

== Страницы предыдущих лет ==

[[Основы_глубинного_обучения/2021_2022 | 21/22 учебный год]]

[[Современные_методы_машинного_обучения | 20/21 учебный год]]

[[Category:Майнор "Интеллектуальный анализ данных"]]

Основы глубинного обучения

2022-09-08T10:42:28Z

Kmllapshina:

== О курсе ==

Курс читается для студентов 3-го курса [https://electives.hse.ru/minor_intel/ майнора ИАД] в 1-2 модулях.

Проводится с 2015 года.

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

Занятия проходят онлайн по четвергам на третьей паре (13:00 - 14:20).

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/451025042 Карточка курса и программа]

Репозиторий с материалами: https://github.com/hse-ds/iad-deep-learning

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

Канал в telegram для объявлений: https://t.me/hse_iad_22

Чат в telegram (осторожно, риск флуда и отсутствия ответов на содержательные вопросы): https://t.me/+pbt8rRfldsUzZGUy

Таблица с оценками: https://docs.google.com/spreadsheets/d/1VHuG476mULH9QgsXlVsL5CDf6J7BrwlKOVfOMQDXH7g/edit?usp=sharing

'''Вопросы''' по курсу можно задавать в телеграм лектору (@esokolov), семинаристу, в чатах групп или в issues на [https://github.com/hse-ds/iad-deep-learning гитхабе].

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебные ассистенты !! Zoom-конференция !! Ссылка на чат !! Инвайт в anytask
|-
| ИАД-4 || Антон Семенкин || [https://t.me/ipomeya31 Александр Плахин], [https://t.me/caesiummm Михаил Никифоров] ||
[https://youtube.com/watch?v=dQw4w9WgXcQ Zoom] || [https://t.me/+c_l09wzvyqU1ZDUy Чат] ||

|-
| ИАД-2 || [https://t.me/egorkapiorka Егор Масликов] || [https://t.me/onehspal Ксения Лапшина], [https://t.me/poemgranate Марина Казюлина] || [Zoom] || [Чат] ||

|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Практические домашние работы на Python
* Проверочные работы на лекциях
* Контрольная где-то в середине курса
* Письменный экзамен

Итоговая оценка вычисляется по формуле:

Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

ПР — средняя оценка за проверочные работы

КР — оценка за контрольную работу

Э — оценка за экзамен

=== 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.

Два раза студент может сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

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==

== Семинары ==

== Записи консультаций ==

== Практические задания ==

Домашние задания выкладываются в [https://github.com/hse-ds/iad-deep-learning репозиторий курса]. За каждый день просрочки мягкого дедлайна снимается два балла. После жёсткого дедлайна задания не принимаются.

== Контрольная работа ==

== Экзамен ==

== Страницы предыдущих лет ==

[[Основы_глубинного_обучения/2021_2022 | 21/22 учебный год]]

[[Современные_методы_машинного_обучения | 20/21 учебный год]]

[[Category:Майнор "Интеллектуальный анализ данных"]]

Основы глубинного обучения

2022-09-08T10:41:41Z

Kmllapshina:

== О курсе ==

Курс читается для студентов 3-го курса [https://electives.hse.ru/minor_intel/ майнора ИАД] в 1-2 модулях.

Проводится с 2015 года.

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

Занятия проходят онлайн по четвергам на третьей паре (13:00 - 14:20).

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/451025042 Карточка курса и программа]

Репозиторий с материалами: https://github.com/hse-ds/iad-deep-learning

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

Канал в telegram для объявлений: https://t.me/hse_iad_22

Чат в telegram (осторожно, риск флуда и отсутствия ответов на содержательные вопросы): https://t.me/+pbt8rRfldsUzZGUy

Таблица с оценками: https://docs.google.com/spreadsheets/d/1VHuG476mULH9QgsXlVsL5CDf6J7BrwlKOVfOMQDXH7g/edit?usp=sharing

'''Вопросы''' по курсу можно задавать в телеграм лектору (@esokolov), семинаристу, в чатах групп или в issues на [https://github.com/hse-ds/iad-deep-learning гитхабе].

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебные ассистенты !! Zoom-конференция !! Ссылка на чат !! Инвайт в anytask
|-
| ИАД-4 || Антон Семенкин || [https://t.me/ipomeya31 Александр Плахин], [https://t.me/caesiummm Михаил Никифоров] ||
[https://youtube.com/watch?v=dQw4w9WgXcQ Zoom] || [https://t.me/+c_l09wzvyqU1ZDUy Чат] ||

|-
| ИАД-2 || https://t.me/egorkapiorka Егор Масликов || [https://t.me/onehspal Ксения Лапшина], [https://t.me/poemgranate Марина Казюлина] ||

|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Практические домашние работы на Python
* Проверочные работы на лекциях
* Контрольная где-то в середине курса
* Письменный экзамен

Итоговая оценка вычисляется по формуле:

Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

ПР — средняя оценка за проверочные работы

КР — оценка за контрольную работу

Э — оценка за экзамен

=== 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.

Два раза студент может сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

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==

== Семинары ==

== Записи консультаций ==

== Практические задания ==

Домашние задания выкладываются в [https://github.com/hse-ds/iad-deep-learning репозиторий курса]. За каждый день просрочки мягкого дедлайна снимается два балла. После жёсткого дедлайна задания не принимаются.

== Контрольная работа ==

== Экзамен ==

== Страницы предыдущих лет ==

[[Основы_глубинного_обучения/2021_2022 | 21/22 учебный год]]

[[Современные_методы_машинного_обучения | 20/21 учебный год]]

[[Category:Майнор "Интеллектуальный анализ данных"]]

Основы глубинного обучения

2022-09-08T10:40:40Z

Kmllapshina: иад-2

== О курсе ==

Курс читается для студентов 3-го курса [https://electives.hse.ru/minor_intel/ майнора ИАД] в 1-2 модулях.

Проводится с 2015 года.

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

Занятия проходят онлайн по четвергам на третьей паре (13:00 - 14:20).

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/451025042 Карточка курса и программа]

Репозиторий с материалами: https://github.com/hse-ds/iad-deep-learning

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

Канал в telegram для объявлений: https://t.me/hse_iad_22

Чат в telegram (осторожно, риск флуда и отсутствия ответов на содержательные вопросы): https://t.me/+pbt8rRfldsUzZGUy

Таблица с оценками: https://docs.google.com/spreadsheets/d/1VHuG476mULH9QgsXlVsL5CDf6J7BrwlKOVfOMQDXH7g/edit?usp=sharing

'''Вопросы''' по курсу можно задавать в телеграм лектору (@esokolov), семинаристу, в чатах групп или в issues на [https://github.com/hse-ds/iad-deep-learning гитхабе].

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебные ассистенты !! Zoom-конференция !! Ссылка на чат !! Инвайт в anytask
|-
| ИАД-4 || Антон Семенкин || [https://t.me/ipomeya31 Александр Плахин], [https://t.me/caesiummm Михаил Никифоров] ||

|-
| ИАД-2 || https://t.me/egorkapiorka Егор Масликов || [https://t.me/onehspal Ксения Лапшина], [https://t.me/poemgranate Марина Казюлина] ||

[https://youtube.com/watch?v=dQw4w9WgXcQ Zoom] || [https://t.me/+c_l09wzvyqU1ZDUy Чат] ||
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Практические домашние работы на Python
* Проверочные работы на лекциях
* Контрольная где-то в середине курса
* Письменный экзамен

Итоговая оценка вычисляется по формуле:

Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

ПР — средняя оценка за проверочные работы

КР — оценка за контрольную работу

Э — оценка за экзамен

=== 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.

Два раза студент может сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

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==

== Семинары ==

== Записи консультаций ==

== Практические задания ==

Домашние задания выкладываются в [https://github.com/hse-ds/iad-deep-learning репозиторий курса]. За каждый день просрочки мягкого дедлайна снимается два балла. После жёсткого дедлайна задания не принимаются.

== Контрольная работа ==

== Экзамен ==

== Страницы предыдущих лет ==

[[Основы_глубинного_обучения/2021_2022 | 21/22 учебный год]]

[[Современные_методы_машинного_обучения | 20/21 учебный год]]

[[Category:Майнор "Интеллектуальный анализ данных"]]

Машинное обучение (ФЭН) - 2022-2023

2022-09-07T19:02:07Z

Kmllapshina: ссылка на чат фэн 3

== О курсе ==

'''Преподаватели:'''

Лекции - Кантонистова Елена Олеговна

Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия

=== Лекции и семинары ===

В курсе планируется 12 лекций и 10 семинаров.

Канал курса: https://t.me/https://t.me/ml_econom_22

Лекции проводятся по понедельникам в 11:10 (вторая пара) в аудитории R305 на Покровском бульваре.

Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023

=== Как связаться с преподавателями и куда сдавать домашки ===
{| class="wikitable"
|-
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram
|-
| [когда] || [где] || [https://t.me/murr4a Елена Кантонистова] || [https://t.me/nihaoalena Алёна Цветкова] || [инвайт] || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]
|-
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН2]
|-
| [когда] || [где] || [https://t.me/ko_iulia Юлия Конюшенко] || [https://t.me/onehspal Ксения Лапшина] || [инвайт] || [https://t.me/+jpIGToIsOhQyZjli Чат МО ФЭН3]
|}

=== 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:

'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * 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 накопленный балл автоматом.

== Коллоквиум ==
Коллоквиум будет проходить в сессию первого модуля [дата, время] 
В письменной форме (на листочке).

Общая информация:
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков.
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс.
* Если мы заподозрим, что вы списали, то и вы, и человек, поделившийся решением, получаете 0 баллов. В случае, если вы не согласны с обвинениями в списывании, вы можете защитить работу устно: в этом случае мы спросим решение абсолютно любого задания из вашей работы, а также можем попросить решить похожее задание не из варианта коллоквиума.

Описание заданий:
* В заданиях 1 и 2 (''с выбором вариантов ответа'') необходимо указать варианты ответов, которые считаете верными, а также кратко обосновать, почему указанные варианты ответов верные, а остальные - нет.
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.
* В задании 5 (''задание на написание кода'') старайтесь писать понятный код с интерпретируемыми обозначениями и названиями. Код пишется на листочке с комментариями. За ошибки в синтаксисе баллы '''НЕ''' снижаем.

Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit

Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].

== Экзамен ==

Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].

Экзамен будет состоять из 3-х частей:
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса

Пройдет экзамен '''на платформе online.hse.ru''', на его выполнение будет дано '''80 мин'''. Пожалуйста, убедитесь, что вы подключены к курсу по этой ссылке: [ссылка]

'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:
* [6; 10] -> 10 баллов
* [5.4; 6.0) - 9
* [4.8; 5.4) - 8
* [4.2; 4.8) - 7
* [3.6; 4.2) - 6
* [3; 3.6) - 5
* [2.4; 3) - 4
* [0; 2.4) - неуд.
По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам

Обращаем ваше внимание на то, что в тесте могут быть вопросы, не изучавшиеся в рамках курса. Это компенсируется тем, что для получения максимальной оценки можно выполнить далеко не все задания (таким образом, если вы не можете решить что-то по программе настоящего курса, у вас есть возможность "отыграться" за счёт внепрограммных вопросов).

Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).

Задания 1-4 (1.75 первичных балла суммарно) внутри части C будут целиком на pandas, для выполнения заданий 5-6 необходимо будет воспользоваться библиотекой scikit-learn.

== Лекции ==
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции

'''Лекция 1 (5 сентября, онлайн)''' Введение в машинное обучение. | [https://github.com/Murcha1990/ML_econom_2022-2023/blob/main/Лекции/Lection_1_2022.pdf слайды]

== Семинары ==
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары

'''Семинар 0.''' Математика для машинного обучения (самостоятельное изучение) | [https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Семинары/Семинар%200 материалы]

'''Семинар 1.''' Основы регрессии. Градиентный спуск.

== Домашние задания ==
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.

Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/course/939 Anytask].

== 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) - 2022-2023

2022-08-31T12:56:32Z

Kmllapshina: ссылки на телеграмы

== О курсе ==

'''Преподаватели:'''

Лекции - Кантонистова Елена Олеговна

Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия

=== Лекции и семинары ===

В курсе планируется 12 лекций и 10 семинаров.

Канал курса: https://t.me/https://t.me/ml_econom_22

Лекции проводятся по понедельникам в 11:10 (вторая пара) в аудитории R305 на Покровском бульваре.

Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023

=== Как связаться с преподавателями и куда сдавать домашки ===
{| class="wikitable"
|-
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram
|-
| [когда] || [где] || [https://t.me/murr4a Елена Кантонистова] || [https://t.me/nihaoalena Алёна Цветкова] || [инвайт] || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]
|-
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН2]
|-
| [когда] || [где] || [https://t.me/ko_iulia Юлия Конюшенко] || [https://t.me/onehspal Ксения Лапшина] || [инвайт] || [ссылка Чат МО ФЭН3]
|}

=== 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:

'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * 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 накопленный балл автоматом.

== Коллоквиум ==
Коллоквиум будет проходить в сессию первого модуля [дата, время] 
В письменной форме (на листочке).

Общая информация:
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков.
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс.
* Если мы заподозрим, что вы списали, то и вы, и человек, поделившийся решением, получаете 0 баллов. В случае, если вы не согласны с обвинениями в списывании, вы можете защитить работу устно: в этом случае мы спросим решение абсолютно любого задания из вашей работы, а также можем попросить решить похожее задание не из варианта коллоквиума.

Описание заданий:
* В заданиях 1 и 2 (''с выбором вариантов ответа'') необходимо указать варианты ответов, которые считаете верными, а также кратко обосновать, почему указанные варианты ответов верные, а остальные - нет.
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.
* В задании 5 (''задание на написание кода'') старайтесь писать понятный код с интерпретируемыми обозначениями и названиями. Код пишется на листочке с комментариями. За ошибки в синтаксисе баллы '''НЕ''' снижаем.

Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit

Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].

== Экзамен ==

Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].

Экзамен будет состоять из 3-х частей:
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса

Пройдет экзамен '''на платформе online.hse.ru''', на его выполнение будет дано '''80 мин'''. Пожалуйста, убедитесь, что вы подключены к курсу по этой ссылке: [ссылка]

'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:
* [6; 10] -> 10 баллов
* [5.4; 6.0) - 9
* [4.8; 5.4) - 8
* [4.2; 4.8) - 7
* [3.6; 4.2) - 6
* [3; 3.6) - 5
* [2.4; 3) - 4
* [0; 2.4) - неуд.
По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам

Обращаем ваше внимание на то, что в тесте могут быть вопросы, не изучавшиеся в рамках курса. Это компенсируется тем, что для получения максимальной оценки можно выполнить далеко не все задания (таким образом, если вы не можете решить что-то по программе настоящего курса, у вас есть возможность "отыграться" за счёт внепрограммных вопросов).

Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).

Задания 1-4 (1.75 первичных балла суммарно) внутри части C будут целиком на pandas, для выполнения заданий 5-6 необходимо будет воспользоваться библиотекой scikit-learn.

== Лекции ==
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции

'''Лекция 1 (5 сентября, онлайн)''' Введение в машинное обучение. | [https://github.com/Murcha1990/ML_econom_2022-2023/blob/main/Лекции/Lection_1_2022.pdf слайды]

== Семинары ==
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары

'''Семинар 0.''' Математика для машинного обучения (самостоятельное изучение) | [https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Семинары/Семинар%200 материалы]

'''Семинар 1.''' Основы регрессии. Градиентный спуск.

== Домашние задания ==
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.

Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/course/939 Anytask].

== 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]