Wiki - Факультет компьютерных наук - Вклад [ru]

Основы анализа и визуализации данных ДИЯ 2019

2019-03-06T13:42:41Z

Kostawan: Добавлена ссылка на таблицу с оценками

== 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.

==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].

Машинное обучение на матфаке 2018/2019

2018-10-11T07:35:32Z

Kostawan:

== О курсе ==
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.

Лектор: [https://www.hse.ru/staff/is Щуров Илья Валерьевич]

Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.

=== Полезные ссылки ===
* [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе)
* [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/data/2018/08/28/1150124248/program-2227521178-znjnnTPmmc.pdf РПУД]
* [https://t-do.ru/joinchat/CDE3khHyzKP1U701FQtszQ Чат курса в Telegram]
* [https://docs.google.com/forms/d/e/1FAIpQLSdZDFmNf0eEMnTnuGoBoKc3v9pqioqGyCjblLXFWq-55Yc_OA/viewform Форма обратной связи] (можно анонимно)
* [https://docs.google.com/forms/d/e/1FAIpQLSd6ADbVAq6b9YK07lxBcz10eZVfUj9E-OejgHVRu4S2DoW2xA/viewform Запись на консультацию] (вторники, после лекции, консультирует Илья Щуров).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание !! Инвайт в Anytask
|-
| 1 || Евгения Ческидова || Константин Ваниев || вторник, 12:10-13:30, ауд. 318 || ZfhBpf1
|-
| 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев] || [https://t-do.ru/svdcvt Соня Дымченко] || суббота, 12:00-13:20, ауд. 318 || 5jOWWt9
|-
|}

==== Распределение по группам ====
Пока спрос на семинары в субботу гораздо меньше, чем на семинар в понедельник. Если вы в принципе можете прийти в субботу, пожалуйста, приходите в субботу.

=== Система оценок ===
==== Формула оценки ====
Результирующая оценка по дисциплине рассчитывается по формуле:

'''Oитог = 0.7 * Oнакопл + 0.3 * Oэкз'''

Накопленная оценка рассчитывается по формуле:

'''Oнакопл = 0.58 * Oдз + 0.42 * OКР'''

{| role="presentation" class="wikitable mw-collapsible mw-collapsed"
| Подробнее
|-
|

==== Правила вычисления оценок ====
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. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми.

Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх.

==== Правила сдачи заданий ====
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок).
|}

== Лекции ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы
|-
| 1 || 4 сентября || Введение в ml, постановки задач, виды данных ||
|-
| 2 || 11 сентября || Напоминание: теория вероятностей и статистика. Случайные величины, выборки, оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:2:prob/ конспект]
|-
| 3 || 18 сентября || Введение в статистическую теорию принятия решений. Функция потерь, ожидаемая ошибка, регрессионная функция || [http://math-info.hse.ru/math-ml/chapter/label/chap:3:els/ конспект]
|-
| 4 || 25 сентября || Шум, смещение и разброс || [http://math-info.hse.ru/math-ml/chapter/label/chap:4:bias-variance/#label_chap_4_bias-variance конспект]
|-
| 5 || 2 октября || Линейная регрессия. MLE-оценки. Максимизация правдоподобия и минимизация эмпирического риска. Явный вид МНК-оценки || [http://math-info.hse.ru/math-ml/chapter/label/chap:5:linear-reg/ конспект]
|}

== Семинары ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы
|-
| 1 || 8/10 сентября || Введение в numpy, pandas, matplotlib || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem01_intro Тетрадка и данные] [https://github.com/ischurov/math-ml-hse-2018/blob/master/sem01_intro/sem01_stats_basics.pdf Задачи]
|-
| 2 || 15/17 сентября || Статистические оценки, проверка гипотез || Все файлы: ([https://drive.google.com/open?id=19C3EbCb9EObKj8Dj26ctrkMJE3TA0wpr Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem02_stats/sem02_stats.ipynb тетрадка]
|-
| 3 || 22/24 сентября || метод k ближайших соседей (k-NN), кросс-валидация || Все файлы: ([https://drive.google.com/open?id=1RciXNKPgFT1RUBWJih9HtSYbUtLTJC8r Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem03_knn Github]), [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem03_knn/sem03_knn.ipynb тетрадка]
|-
| 4 || 29/1 сент/окт || метод k ближайших соседей, часть 2 || Все файлы: ([https://drive.google.com/open?id=1uq9bt8GahFZOTQTHsGMx28xZqR8Rn9zK Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem04_knn2 Github])
|-
| 5 || 6/8 октября || линейная регрессия, градиентный спуск || Все файлы: ([https://drive.google.com/open?id=1-Ke6D5sK4aWiOzuKFFal-SI3Nsxy4BYh Google Drive], [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem05_lin_reg Github])
|}

[https://stackoverflow.com/questions/45622602/how-to-jupyter-notebooks-from-github Как корректно скачать файл с расширением .ipynb с GitHub?]

== Домашние задания ==
* [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb ДЗ№1] ([https://github.com/ischurov/math-ml-hse-2018/blob/master/hw1/hw1.ipynb исходники]), срок сдачи — 3 октября, 23:00.
* [https://github.com/ischurov/math-ml-hse-2018/tree/master/hw2 ДЗ№2] ([http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/hw2/hw2.ipynb ноутбук]), срок сдачи — 17 октября, 23:00.

== Новости курса ==
24.09. Появилось ДЗ№1!

10.10. Появилось ДЗ№2!

== Полезные материалы ==
Базовые учебники:
# Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition)]. Springer, 2009.
# Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning]. Springer, 2006.

Дополнительная литература:
# Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
# 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.

Машинное обучение (ФЭН)

2018-10-01T13:01:03Z

Kostawan:

== 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]

[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)

2018-10-01T12:41:18Z

Kostawan:

== 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 || || 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]

Машинное обучение (ФЭН)

2018-10-01T12:38:55Z

Kostawan:

== 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 || 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]

Машинное обучение на матфаке 2018/2019

2018-09-16T13:02:40Z

Kostawan:

Машинное обучение на матфаке 2018/2019

2018-09-13T04:43:44Z

Kostawan: