Машинное обучение (ФЭН) - 2022-2023

2022-09-13T11:02:37Z

Ksafonov: Добавил контакты семинариста и ассистента

== 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] || [https://t.me/anastasiyamaxx Анастасия Максимовская] || [https://t.me/krsafonov Кирилл Сафонов] || [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]<br />
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.
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i>

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]

Wiki - Факультет компьютерных наук - Вклад [ru]

Машинное обучение (ФЭН) - 2022-2023