Wiki - Факультет компьютерных наук - Вклад [ru]

Эффективные системы глубинного обучения 25/26

2026-01-19T15:56:41Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' Максим Абрахам, Сергей Воробьев, Роман Горб, Ярослав Золотарёв, Руслан Хайдуров, Михаил Хрущев, Антон Чигин, Григорий Лелейтнер

'''Ассистенты:''' [https://t.me/ipomeya31 Александр Плахин], [https://t.me/TmBoris Борис Панфилов], [https://t.me/zhenyanikishkina Евгения Никишкина], [https://t.me/JohanDDC Иван Пешехонов] [https://t.me/free001style Илья Дробышевский],

Занятия проходят по средам в 18:00 – 21:00.

=== Полезные ссылки ===

[https://lk.dataschool.yandex.ru/courses/2026-spring/7.1666-efficient_dl/about/ Страница курса в LMS ШАД] для сдачи заданий

[https://t.me/efficientdl_26 Канал] в Telegram для объявлений. К каналу прикреплен чат для обсуждений по мотивам курса.

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/Aj8KmhdzVBQmYiJz9 Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено несколько домашних заданий, разделённых на несколько блоков:

1. Пайплайны обучения и профилирование DL-кода (состоит из 1 части)

2. Методы large-scale обучения (состоит из 4 частей)

3. Вывод нейросетей в production и ускорение их работы (состоит из 3 частей)

Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы.

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.1*OДЗ1+0.5*OДЗ2+0.4*OДЗ3

Округление оценки арифметическое.

=== Правила сдачи заданий ===

При проверке решений баллы за задание могут быть снижены при некачественном стиле кода или неэффективной реализации. По договоренности с проверяющим такие штрафы можно снять, пересдав задание в разумный срок.

Дедлайны заданий объявляются в момент их выдачи. Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

'''Один раз''' за курс вы можете сдать домашнее задание вне дедлайна (но не позднее 15 марта 08:00MSK). Для этого необходимо отправить свою работу в соответствующее задание в LMS ШАД. На странице задания также нужно будет написать, что вы сдаете его вне дедлайна.

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

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Эффективные системы глубинного обучения 25/26

2026-01-19T15:54:53Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' Максим Абрахам, Сергей Воробьев, Роман Горб, Ярослав Золотарёв, Руслан Хайдуров, Михаил Хрущев, Антон Чигин, Григорий Лелейтнер

'''Ассистенты:''' [https://t.me/ipomeya31 Александр Плахин], [https://t.me/TmBoris Борис Панфилов], [https://t.me/zhenyanikishkina Евгения Никишкина], [https://t.me/JohanDDC Иван Пешехонов] [https://t.me/free001style Илья Дробышевский],

Занятия проходят по средам в 18:00 – 21:00.

=== Полезные ссылки ===

[https://anytask.org/course/1163 Anytask] для сдачи заданий

[https://t.me/efficientdl_26 Канал] в Telegram для объявлений. К каналу прикреплен чат для обсуждений по мотивам курса.

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/Aj8KmhdzVBQmYiJz9 Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено несколько домашних заданий, разделённых на несколько блоков:

1. Пайплайны обучения и профилирование DL-кода (состоит из 1 части)

2. Методы large-scale обучения (состоит из 4 частей)

3. Вывод нейросетей в production и ускорение их работы (состоит из 3 частей)

Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы.

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.1*OДЗ1+0.5*OДЗ2+0.4*OДЗ3

Округление оценки арифметическое.

=== Правила сдачи заданий ===

При проверке решений баллы за задание могут быть снижены при некачественном стиле кода или неэффективной реализации. По договоренности с проверяющим такие штрафы можно снять, пересдав задание в разумный срок.

Дедлайны заданий объявляются в момент их выдачи. Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

'''Один раз''' за курс вы можете сдать домашнее задание вне дедлайна (но не позднее 15 марта 08:00MSK). Для этого необходимо отправить в [ форму] свои ФИО и номер задания, а также прикрепить ссылку на отправленное решение в Anytask. На странице задания также нужно будет написать, что вы сдаете его вне дедлайна.

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

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Эффективные системы глубинного обучения

2025-02-02T17:37:01Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/160981986 Александр Маркович], Руслан Хайдуров, Антон Чигин

'''Ассистенты:''' [https://t.me/JohanDDC Ваня Пешехонов], [https://t.me/ipomeya31 Александр Плахин], [https://t.me/fdrose Максим Абрахам]

Занятия проходят по средам в 18:00 – 21:00.

=== Полезные ссылки ===
[https://yandex.zoom.us/j/93800425321 Zoom]

[https://anytask.org/course/1163 Anytask] для сдачи заданий.

[https://t.me/efficientdl_25 Канал] в Telegram для объявлений.

[https://t.me/+w1Iv-P1g_RphMTli Чат] в Telegram для обсуждения курса.

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/To2wnJCAFxvuobBc9 Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено несколько домашних заданий, разделённых на несколько блоков:

1. Пайплайны обучения и профилирование DL-кода (состоит из 2 частей)

2. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

3. Вывод нейросетей в production и ускорение их работы (состоит из 3 частей)

Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы.

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.2*OДЗ1+0.4*OДЗ2+0.4*OДЗ3

Округление оценки арифметическое.

=== Правила сдачи заданий ===

При проверке решений баллы за задание могут быть снижены при некачественном стиле кода или неэффективной реализации. По договоренности с проверяющим такие штрафы можно снять, пересдав задание в разумный срок.

Дедлайны заданий объявляются в момент их выдачи. Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

'''Один раз''' за курс вы можете сдать домашнее задание вне дедлайна (но не позднее 15 марта 08:00MSK). Для этого необходимо отправить в [https://forms.gle/NL5uHBWkBRBmEuwQ6 форму] свои ФИО и номер задания, а также прикрепить ссылку на отправленное решение в Anytask. На странице задания также нужно будет написать, что вы сдаете его вне дедлайна.

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

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Эффективные системы глубинного обучения 23/24

2024-03-23T12:18:40Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/160981986 Александр Маркович], Руслан Хайдуров, Антон Чигин

'''Ассистенты:''' [https://t.me/JohanDDC Ваня Пешехонов] [https://t.me/nikoryagin Никита Корягин], [https://t.me/ipomeya31 Александр Плахин], [https://t.me/timothyxp Тимофей Смирнов]

Занятия проходят по четвергам в 18:00 – 21:00.

=== Полезные ссылки ===

[https://anytask.org/course/1083 Anytask] для сдачи заданий (инвайт mRW59Bv)

[https://t.me/efficientdl_24 Канал] в Telegram для объявлений.

[https://t.me/+mYjHAoEMLYkzOGYy Чат] в Telegram для обсуждения курса.

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/mDJ95rwskDuZhayDA Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено несколько домашних заданий, разделённых на несколько блоков:

1. Пайплайны обучения и профилирование DL-кода (состоит из 2 частей)

2. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

3. Вывод нейросетей в production и ускорение их работы (состоит из 3 частей)

Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы.

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.2*OДЗ1+0.4*OДЗ2+0.4*OДЗ3

Округление оценки арифметическое.

=== Правила сдачи заданий ===

При проверке решений баллы за задание могут быть снижены при некачественном стиле кода или неэффективной реализации. По договоренности с проверяющим такие штрафы можно снять, пересдав задание в разумный срок.

Дедлайны заданий объявляются в момент их выдачи. Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

'''Один раз''' за курс вы можете сдать домашнее задание вне дедлайна (но не позднее 15 марта 08:00MSK). Для этого необходимо отправить в [https://forms.gle/sJepcU9vtdkKJrGx6 форму] свои ФИО и номер задания, а также прикрепить ссылку на отправленное решение в Anytask. На странице задания также нужно будет написать, что вы сдаете его вне дедлайна.

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

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Эффективные системы глубинного обучения 23/24

2024-02-13T10:56:33Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/160981986 Александр Маркович], Руслан Хайдуров, Антон Чигин

'''Ассистенты:''' [https://t.me/JohanDDC Ваня Пешехонов] [https://t.me/nikoryagin Никита Корягин], [https://t.me/ipomeya31 Александр Плахин], [https://t.me/timothyxp Тимофей Смирнов]

Занятия проходят по четвергам в 18:00 – 21:00.

=== Полезные ссылки ===

[https://anytask.org/course/1083 Anytask] для сдачи заданий (инвайт mRW59Bv)

[https://t.me/efficientdl_24 Канал] в Telegram для объявлений.

[https://t.me/+mYjHAoEMLYkzOGYy Чат] в Telegram для обсуждения курса.

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/mDJ95rwskDuZhayDA Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено несколько домашних заданий, разделённых на несколько блоков:

1. Пайплайны обучения и профилирование DL-кода (состоит из 2 частей)

2. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

3. Вывод нейросетей в production и ускорение их работы (состоит из 2 частей)

Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы.

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.2*OДЗ1+0.4*OДЗ2+0.4*OДЗ3

Округление оценки арифметическое.

=== Правила сдачи заданий ===

При проверке решений баллы за задание могут быть снижены при некачественном стиле кода или неэффективной реализации. По договоренности с проверяющим такие штрафы можно снять, пересдав задание в разумный срок.

Дедлайны заданий объявляются в момент их выдачи. Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

'''Один раз''' за курс вы можете сдать домашнее задание вне дедлайна (но не позднее 15 марта 08:00MSK). Для этого необходимо отправить в [https://forms.gle/sJepcU9vtdkKJrGx6 форму] свои ФИО и номер задания, а также прикрепить ссылку на отправленное решение в Anytask. На странице задания также нужно будет написать, что вы сдаете его вне дедлайна.

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

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Эффективные системы глубинного обучения 23/24

2024-01-17T14:53:49Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/160981986 Александр Маркович], Руслан Хайдуров, Антон Чигин

'''Ассистенты:''' [https://t.me/JohanDDC Ваня Пешехонов] [https://t.me/nikoryagin Никита Корягин], [https://t.me/ipomeya31 Александр Плахин], [https://t.me/timothyxp Тимофей Смирнов]

Занятия проходят по четвергам в 18:00 – 21:00.

=== Полезные ссылки ===

[https://anytask.org/course/1083 Anytask] для сдачи заданий (инвайт mRW59Bv)

[https://t.me/efficientdl_24 Канал] в Telegram для объявлений.

[https://t.me/+mYjHAoEMLYkzOGYy Чат] в Telegram для обсуждения курса.

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/mDJ95rwskDuZhayDA Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено несколько домашних заданий, разделённых на несколько блоков:

1. Пайплайны обучения и профилирование DL-кода (состоит из 2 частей)

2. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

3. Вывод нейросетей в production и ускорение их работы (состоит из 2 частей)

Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы.

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.2*OДЗ1+0.4*OДЗ2+0.4*OДЗ3

Округление оценки арифметическое.

=== Правила сдачи заданий ===

При проверке решений баллы за задание могут быть снижены при некачественном стиле кода или неэффективной реализации. По договоренности с проверяющим такие штрафы можно снять, пересдав задание в разумный срок.

Дедлайны заданий объявляются в момент их выдачи. Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

'''Один раз''' за курс вы можете сдать домашнее задание вне дедлайна (но не позднее 15 марта 08:00MSK). Для этого необходимо отправить в [https://forms.gle/GaP88CigJTw5M1Ni8 форму] свои ФИО и номер задания, а также прикрепить ссылку на отправленное решение в Anytask. На странице задания также нужно будет написать, что вы сдаете его вне дедлайна.

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

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Эффективные системы глубинного обучения 22/23

2023-01-17T22:39:43Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович]

'''Ассистенты:''' [https://t.me/msaidov Марат Саидов], [https://t.me/team_mur Тимур Ваньков]

Занятия проходят по понедельникам в 18:00 – 21:00.

=== Полезные ссылки ===

[https://anytask.org/course/995 Anytask] для сдачи заданий (инвайт <code>i9RuakI</code>)

Канал в Telegram для объявлений: https://t.me/efficientdl_23

Чат в Telegram для обсуждения курса: https://t.me/+n_OHgXYrZKg0ZmUy

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/mDJ95rwskDuZhayDA Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено несколько домашних заданий, разделённых на несколько блоков:

1. Пайплайны обучения и профилирование DL-кода (состоит из 2 частей)

2. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

3. Вывод нейросетей в production и ускорение их работы (состоит из 2 частей)

Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы.

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.2*OДЗ1+0.4*OДЗ2+0.4*OДЗ3

Округление оценки арифметическое.

=== Правила сдачи заданий ===

При проверке решений баллы за задание могут быть снижены при некачественном стиле кода или неэффективной реализации. По договоренности с проверяющим такие штрафы можно снять, пересдав задание в разумный срок.

Дедлайны заданий объявляются в момент их выдачи. Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

'''Один раз''' за курс вы можете сдать домашнее задание вне дедлайна (но не позднее 15 марта 08:00MSK). Для этого необходимо отправить в [https://forms.gle/GaP88CigJTw5M1Ni8 форму] свои ФИО и номер задания, а также прикрепить ссылку на отправленное решение в Anytask. На странице задания также нужно будет написать, что вы сдаете его вне дедлайна.

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

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Эффективные системы глубинного обучения 22/23

2023-01-15T20:33:46Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович]

'''Ассистенты:''' [https://t.me/msaidov Марат Саидов], [https://t.me/team_mur Тимур Ваньков]

Занятия проходят по понедельникам в 18:00 – 21:00.

=== Полезные ссылки ===

(TBA) Anytask для сдачи заданий

Канал в Telegram для объявлений: https://t.me/efficientdl_23

Чат в Telegram для обсуждения курса: https://t.me/+n_OHgXYrZKg0ZmUy

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/mDJ95rwskDuZhayDA Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено несколько домашних заданий, разделённых на несколько блоков:

1. Пайплайны обучения и профилирование DL-кода (состоит из 2 частей)

2. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

3. Вывод нейросетей в production и ускорение их работы (состоит из 2 частей)

Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы.

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.2*OДЗ1+0.4*OДЗ2+0.4*OДЗ3

Округление оценки арифметическое.

=== Правила сдачи заданий ===

При проверке решений баллы за задание могут быть снижены при некачественном стиле кода или неэффективной реализации. По договоренности с проверяющим такие штрафы можно снять, пересдав задание в разумный срок.

Дедлайны заданий объявляются в момент их выдачи. Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

'''Один раз''' за курс вы можете сдать домашнее задание вне дедлайна (но не позднее 15 марта 08:00MSK). Для этого необходимо отправить в [https://forms.gle/GaP88CigJTw5M1Ni8 форму] свои ФИО и номер задания, а также прикрепить ссылку на отправленное решение в Anytask. На странице задания также нужно будет написать, что вы сдаете его вне дедлайна.

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

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Wiki ФКН

2023-01-15T16:15:30Z

M.ryabinin: /* Курсы за 2022/23 учебный год */

__NOTOC__

= Учебные курсы факультета компьютерных наук =

== Курсы за 2022/23 учебный год ==

{| class="wikitable"
|-

! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|
'''ПМИ'''

[[Линейная_алгебра_и_геометрия_на_ПМИ_2022/2023_(пилотный_поток) | Линейная алгебра и геометрия (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2022/2023_(основной_поток) | Линейная алгебра и геометрия (основной поток)]]

[[Математический_анализ_1_2022/2023_(основной_поток) | Математический анализ-1 (основной поток)]]

[[Математический_анализ_1_2022/2023_(пилотный_поток) | Математический анализ-1 (пилотный поток)]]

[[DM1base-2022-23 | Дискретная математика (ПМИ основной поток + ЭАД)]]

[[Дискретная_математика_(пилотный_поток) | Дискретная математика (пилотный поток)]]

[http://wiki.cs.hse.ru/Язык_программирования_Python_2022/2023_(основной_поток) Язык программирования Python 2022/2023 (основной_поток)]

[[Алгоритмы_и_структуры_данных_1_(основной_поток) | Алгоритмы и структуры данных 1 (основной поток)]]

[[Алгоритмы_и_структуры_данных_пилотный_поток_2022/2023 | Алгоритмы и структуры данных (пилотный поток)]]

'''ПИ'''

[[Дискретная математика 2022-2023 | Дискретная математика ]]

[[Алгебра ПИ 2022-2023 | Алгебра]]

'''ПАД'''

[[Calculus DSBA 2022/2023 | Calculus (DSBA)]]

[[English_DSBA_2022/2023 | English DSBA (DSBA)]]

[[LAaG DSBA 2022/2023 | LAaG (DSBA)]]

[[Discrete Mathematics DSBA 2022/2023 | Discrete Mathematics ]]

[[Introduction to Programming DSBA 2022/2023 | Introduction to Programming on Python (DSBA)]]

[[Introduction to Programming 2 DSBA 2022/2023 | Introduction to Programming on C++ (DSBA)]]

[[Foundations_of_Law_DSBA_2022/2023 | Foundations of Law (DSBA)]]

[[Introduction to Economics DSBA 2022/2023]]

'''КНАД'''

[[Дискретная_математика_КНАД 22/23| Дискретная математика (КНАД) ]]

[[Математический_анализ_КНАД 22/23| Математический анализ (КНАД) ]]

[[Линейная_алгебра_КНАД 22/23| Линейная алгебра (КНАД) ]]

[[Программирование_на_Python_КНАД 22/23| Программирование на Python (КНАД) ]]

[[Алгоритмы и структуры данных - 1 2022/2023 2 модуль (ЭАД КНАД ВСН) | Алгоритмы и структуры данных 2022/2023 2 модуль (ЭАД КНАД ВСН)]]

[[Python_для_сбора_и_анализа_данных_КНАД_22/23 | Python для сбора и анализа данных (КНАД)]]

[[Программирование_на_С++_КНАД_22/23 | Программирование на С++]]

||

'''ПМИ'''

[[Математическая_статистика_2022/2023_(пилотный_поток)| Математическая статистика (пилотный поток)]]

[[Математическая_статистика_2022/2023_(основной_поток)| Математическая статистика (основной поток)]]

[[Теория_вероятностей_2022/2023_(пилотный_поток)| Теория вероятностей (пилотный поток)]]

[[Теория_вероятностей_2022/2023_(основной_поток)| Теория вероятностей (основной поток)]]

[[Математический_Анализ_2_на_ПМИ_2022/2023_(пилотный_поток) | Математический анализ - 2 (пилотный поток)]]

[[Математический_анализ_-_2_(2022/23) | Математический анализ - 2 (основной поток)]]

[[Язык_программирования_C%2B%2B_(углубленный_курс)_2022 | Язык программирования C++ (углубленный курс)]]

[[Математическая_логика_ПМИ_22/23 | Математическая логика ]]

[[Продвинутый_Python_2022/2023 | Продвинутый Python ]]

[[Алгоритмы_и_структуры_данных_2_2022/2023 | Алгоритмы и структуры данных - 2 ]]

[[Язык_программирования_Rust | Язык программирования Rust ]]

[[Инструменты_промышленной_разработки_2022/2023 | Инструменты промышленной разработки 2022/2023 ]]

[[CAOS-2022 | Архитектура компьютеров и операционные системы]]

[[Дифференциальные уравнения (ПМИ)]]

[[Основы_матричных_вычислений_2022/2023 | Основы матричных вычислений ]]

'''ПИ'''

[[Алгоритмы_и_структуры_данных_на_ПИ_2022/2023 | Алгоритмы и структуры данных на ПИ]]

[[Теория вероятностей и математическая статистика 2022-2023 | Теория вероятностей и математическая статистика]]

[[НИС_Методы_и_алгоритмы_защиты_информации_2022/2023 | НИС Методы и алгоритмы защиты информации ]]

'''ПАД'''

[[Discrete Mathematics 2 DSBA 2022/2023 | Discrete Mathematics 2 (DSBA)]]

[[Business_and_Management_in_Global_Context_22/23 | Business and Management in Global Context 22/23]]

[[Calculus-2]]

[[Algorithms and Data Structures DSBA 2022/2023 | Algorithms and Data Structures]]

[[Probability and Statistics (DSBA)]]

[[Introduction to Micro and Macroeconomics DSBA 2022/2023]]

[[Differential_Equations_2021 | Differential Equations ]]

[[ACOS_DSBA_2022/2023 | Computer Architecture and Operating Systems]]

'''КНАД'''

[[Алгебра КНАД 2022/2023 | Алгебра]]

[[Математический_анализ -- 2 (2022/23) | Математический анализ -- 2]]

[[Алгоритмы_и_структуры_данных_2_КНАД 22/23 | Алгоритмы и структуры данных 2]]

[[Теория_вероятностей_КНАД 22/23 | Теория вероятностей ]]

[[ACOS_COMPDS_2022/2023 | Архитектура Компьютера и Операционные Системы]]

[[Математическая_статистика_КНАД_22/23 | Математическая статистика]]

[[Численные_методы_КНАД_22/23 | Численные методы]]

||

'''ПМИ'''

[[Машинное_обучение_1 | Машинное обучение 1]]

[[Компьютерные_сети_2022/2023 | Компьютерные сети 2022/2023]]

[[ Operation Research and Game Theory | Operation Research and Game Theory]]

[[ Statistical learning theory 2022 | Statistical Learning Theory]]

[[ Функциональное_программирование_22-23 | Функциональное программирование ]]

[[ Основы_тензорных_вычислений_(2022/2023) | Основы тензорных вычислений ]]

[[Глубинное обучение 1 22/23 | Введение в глубинное обучение 22/23]]

[[Математическое_моделирование_2022 | Математическое моделирование 2022]]

[[time_series_modelling_22_23 | Моделирование временных рядов 22/23]]

'''ПМИ / МОП'''

[[Прикладная_статистика_в_машинном_обучении_22/23 | Прикладная статистика в машинном обучении 22/23]]

[[НИС_Машинное_обучение_и_приложения_3_курс_2022/2023 | НИС Машинное обучение и приложения 3 курс]]

[[Глубинное обучение 1 22/23 | Глубинное обучение 1 22/23]]

'''ПМИ / РС'''

[https://osukhoroslov-hse.notion.site/a35a6a40088b44a7a9e374727a0f2548 Распределенные системы]

[https://osukhoroslov-hse.notion.site/dbce4f5101ed47dca0b363122f139aac НИС Распределенные системы]

'''ПМИ / ТИ'''

[[Theory of Computation 2022 | Theory of Computation]]

[[ NIS-TCS-22-23 | НИС Теоретическая информатика ]]

[[KKTI-22-23 | Комбинаторные конструкции в теоретической информатике]]

'''ПИ'''

[[ SPA_2022 |Принципы статического анализа исходного кода ]]

'''ПАД'''

[[tssp-2022-23 | Time series and stochastic processes 2022-23]]

[https://github.com/xenakas/dsba_ecm_2022 Elements of Econometrics]

[[BAFE-2022-23 | Business Analytics and Financial Engineering 2022-2023]]

[[Machine learning 1 DSBA 2022/2023]]

[[Databases]]

[[Optimisation methods]]

[[ MACE1_DSBA_22-23 | Research Seminar "Mathematical and Computational Engineering in Science and Business 1"]]

[[ DAF1_DSBA_22-23 | Research Seminar "Data Analysis in Finance 1"]]

||

'''ПМИ'''

[https://www.notion.so/2022-2023-12475421ada6400c8bd5bf24a2a30c01 ВКР]

[[ Случайные_процессы_(зима_2023) | Случайные процессы (зима 2023)]]

[[ Функциональное_программирование_22-23 | Функциональное программирование ]]

[[ Основы_тензорных_вычислений_(2022/2023) | Основы тензорных вычислений ]]

[[ Глубинное_обучение_в_обработке_звука_22/23 | Глубинное обучение в обработке звука ]]

[[ Методы_предобучения_без_учителя_22/23 | Методы предобучения без учителя ]]

[[ Символьные_вычисления_22/23 | Символьные вычисления ]]

[[Эффективные системы глубинного обучения 22/23|Эффективные системы глубинного обучения]]

'''ПМИ / МОП'''

[[НИС_Машинное_обучение_и_приложения_4_курс_2022/2023 | НИС Машинное обучение и приложения 4 курс]]

[[Глубинное_обучение_2022 | Глубинное обучение]]

[[Глубинное_обучение_в_анализе_графовых_данных_22/23 | Глубинное обучение в анализе графовых данных]]

[[LSML_2022/2023 | Машинное обучение для больших данных]]

'''ПМИ / РС'''

[https://osukhoroslov-hse.notion.site/2-b1c2d4487ac8478f89cd4fa427da3e27 НИС Распределенные системы]

'''ПМИ / ТИ'''

[[A_Theorist's_Toolkit_2022_2023 | A Theorist's Toolkit, AMI]]

[[OWF2022 | Односторонние функции и их применения]]

[[InfTheory2022 | Теория информации]]

[[ NIS-TCS-22-23 | НИС Теоретическая информатика ]]

'''ПИ'''

'''ПАД'''

[[ Statistics4MR-2022-23 | Statistics for Market Research 2022-23]]

[[ Strategy_22-23_DSBA | Decision Making Strategy 2022-2023]]

[[ APFM_22-23 | Asset Pricing and Financial Markets 2022-2023]]

[[ CMC_DSBA_22-23 | Core management concepts ]]

[[Machine learning 2 DSBA 2022/2023]]

[[ MACE2_DSBA_22-23 | Research Seminar "Mathematical and Computational Engineering in Science and Business 2"]]

[[ DAF2_DSBA_22-23 | Research Seminar "Data Analysis in Finance 2"]]

[[ DANS_DSBA_22-23 | Research Seminar "Data Analysis in the Natural Sciences" ]]

[[Risk-Management_DSBA_22-23 | Research Seminar "Risk-Management" ]]

[[Quantitative finance DSBA]]

||

[[Случайные_графы_2022 | Случайные графы]]

[[Майнор_Биоинформатика_1_год_2022/23 | Биоинформатика 1 год 2022/23]]

[[Майнор Биоинформатика 2 год 2022/23 | Биоинформатика 2 год]]

[[Основы_глубинного_обучения | Основы глубинного обучения (майнор ИАД)]]

[[Введение_в_программирование_22/23_(майнор_ИАД) | Введение в программирование 22/23 (майнор ИАД)]]

[[Базы данных 22/23 (майнор ИАД)| Базы данных 22/23 (майнор ИАД)]]

[[Adaptation course in Discrete Math (факультатив)]]

[[Уравнения с частными производными (2022-2023)|Уравнения с частными производными (2022-2023]]

|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==

=== 1 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули

|-
| [[Цифровая грамотность для международных отношений 22/23 | Цифровая грамотность для международных отношений 22/23]] || Международных отношения || 1 курс || 1-2 модуль

|-
| [http://wiki.cs.hse.ru/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%B2_%D0%BC%D0%B5%D0%B6%D0%B4%D1%83%D0%BD%D0%B0%D1%80%D0%BE%D0%B4%D0%BD%D1%8B%D1%85_%D0%BE%D1%82%D0%BD%D0%BE%D1%88%D0%B5%D0%BD%D0%B8%D1%8F%D1%85_22/23#.D0.9D.D0.B5.D0.BE.D0.B1.D1.85.D0.BE.D0.B4.D0.B8.D0.BC.D1.8B.D0.B5_.D1.81.D1.81.D1.8B.D0.BB.D0.BA.D0.B8 Основы анализа данных для международных отношений 22/23] || Международных отношения || 2 курс || 1-2 модуль

|-
| [http://wiki.cs.hse.ru/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_Python_%D0%BE%D1%81%D0%B5%D0%BD%D1%8C_2022_%D0%BC%D0%B0%D1%82%D1%84%D0%B0%D0%BA#.D0.9F.D1.80.D0.B0.D0.B2.D0.B8.D0.BB.D0.B0_.D0.B4.D0.B5.D0.B4.D0.BB.D0.B0.D0.B9.D0.BD.D0.BE.D0.B2 Основы программирования на Python осень 2022 матфак] || Математика Совместная бакалавриат НИУ ВШЭ и ЦПМ Совместная магистратура НИУ ВШЭ и ЦПМ Математика и математическая физика|| 2-4 курс бакалавриата 1-2 курс магистратуры || 1-2 модуль

|-
| [[Анализ данных 2022 (ОП "Журналистика" и "Медиакоммуникации") | Анализ данных]] || Журналистика Медиакоммуникации || 2 курс || 1-2 модуль

|-
| [http://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023 Машинное обучение] || Экономика || 3,4 курс || 1-2 модули
|}

=== 2 семестр ===

{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули

|-
| [[Прикладное программное обеспечение (основы Python)| Прикладное программное обеспечение (основы Python)]] || Социология || 1 курс || 3 модуль

|-
| [[Основы программирования в Python | Основы программирования в Python]] || Политология || 2 курс || 3-4 модули

|-
| [[Основы программирования в Python для школы дизайна | Основы программирования в Python для школы дизайна]] || Дизайн, Мода, Современное искусство || 2 курс || 3-4 модули

|-
| [[Основы программирования в Python для ВШБ | Основы программирования в Python для ВШБ]] || Управление бизнесом Логистика и управлением цепями поставок Маркетинг и рыночная аналитика || 2 курс || 3 модуль

|-
| [[Программирование на Python для МО 22/23 | Программирование на Python для МО 22/23]] || Международные отношения || 1 курс || 3 модуль
|}

== Курсы магистратуры ФКН ==
{| class="wikitable"
|-
| [[Ликбез_разработчика_(2022) | Ликбез разработчика]] || Машинное обучение и высоконагруженные системы|| 1 year
|-
| [[RecSys_2022_2023 | Рекомендательные системы]] || ФТИАД || 2 year
|-
| [[Linear_Algebra_for_Data_Science_(2022) | Linear Algebra for Data Science]] || Data Science || 1 year
|-
| [[Ordered_Sets_in_Data_Analysis_(2022) | Ordered Sets in Data Analysis]] || Data Science || 1 year
|-
| [[ NIS-TCS-22-23 | НИС Теоретическая информатика ]] || Науки о данных, специализация ТИ ||
|-
| [[Mathematical Foundations of Probability theory | Mathematical foundations of probability theory]] || Math of Machine Learning || 1 year
|-
| [[Markov Chains | Markov Chains]] || Math of Machine Learning || 1 year
|-
| [[Reinforcement_learning_2022_2023 | Математические основы обучения с подкреплением ]] || Math of Machine Learning || 2 year
|}

== Курсы других факультетов ==

{| class="wikitable"
|-
! Дисциплина !! Курс !! Период
|-
| [[econ_probability_2022-23|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 1-4 модуль
|-
| [[econ_metrics_2022-23|Эконометрика ип 2022-23]] || фэн, 3 курс || 1-4 модуль
|-
| [[econ_dynamic_opt_2022-23|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль
|-
| [[icef-dse-2022-23|Data Science for Economics 2022-23]] ||icef, 3-4 year || 1-2 module
|-
| [[Лицей ВШЭ. Практикум по программированию 10 класс 2022-23 | Лицей ВШЭ. Практикум по программированию 10 класс]] || Лицей ВШЭ || 10 класс
|-
| [[icef-scalc-2022-fall|Stochastic Calculus Fall 2022]] ||icef, master 1 year || 2 module
|-
|}

= Архив =

== Курсы за 2021/22 учебный год ==
{| class="wikitable"
|-

! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|
'''ПМИ'''

[[Линейная_алгебра_и_геометрия_на_ПМИ_2021/2022_(пилотный_поток) | Линейная алгебра и геометрия (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2021/2022_(основной_поток) | Линейная алгебра и геометрия (основной поток)]]

[[Алгебра_на_ПМИ_2021/2022_(пилотный_поток) | Алгебра (пилотный поток)]]

[[Алгебра_на_ПМИ_2021/2022_(основной_поток) | Алгебра (основной поток)]]

[[Математический_Анализ_1_на_ПМИ_2021/2022_(пилотный_поток) | Математический анализ 1 (пилотный поток)]]

[[Математический_анализ_1_2021/2022_(основной_поток) | Математический анализ-1 (основной поток)]]

[[DM1-2021-22 | Дискретная математика]]

[http://wiki.cs.hse.ru/Основы_и_методология_программирования_на_ПМИ_2021/2022_(основной_поток) Основы и методология программирования 2021/2022 (основной поток)]

[[Алгоритмы и структуры данных пилотный поток 2021/2022 | Алгоритмы и структуры данных пилотный поток 2021/2022]]

[[Алгоритмы и структуры данных 1 основной поток 2021/2022 (4 модуль) | Алгоритмы и структуры данных 1 основной поток 2021/2022 (4 модуль)]]

'''ПИ'''

[[DM1-SE-2021-22 | Дискретная математика-1 ПИ]]

[http://hsealgebra22.wikidot.com/ Алгебра 2021/2022 ПИ wikidot]

[[Алгебра 2021/2022 ПИ | Алгебра 2021/2022 ПИ]]

'''ПАД'''

[[Algebra_DSBA_2021/2022 | Algebra DSBA]]

[[Discrete Mathematics DSBA 2021/2022 | Discrete Mathematics (DSBA)]]

[[LAaG DSBA 2021/2022 | LAaG (DSBA)]]

[[Calculus DSBA 2021/2022 | Calculus (DSBA)]]

[[Introduction to Programming DSBA 2021/2022 | Introduction to Programming (DSBA)]]

'''КНАД'''

[[Математический_анализ_(КНАД) | Математический анализ (КНАД)]]

[[Линейная алгебра_(КНАД) | Линейная алгебра (КНАД)]]

[[Программирование_на_Python | Программирование на Python (КНАД)]]

[[Дискретная_математика_КНАД | Дискретная математика (КНАД)]]

[[Алгоритмы и структуры данных-1 2021/2022 4 модуль (КНАД) | Алгоритмы и структуры данных (КНАД)]]

[[Программирование_на_С++_КНАД | Программирование на С++ (КНАД)]]

[[Python_для_сбора_и_анализа_данных_КНАД | Python для сбора и анализа данных (КНАД)]]

[[ИПР_КНАД_22 | Инструменты промышленной разработки (КНАД)]]

||

'''ПМИ'''

[[Теория_вероятностей_и_математическая_статистика_2021/2022_(пилотный_поток)| ТВиМС (пилотный поток)]]

[[Теория_вероятностей_2021/2022_(основной_поток)| ТВиМС (основной поток)]]

[[Математический анализ 2021/2022 (пилотный поток) | Математический анализ - 2 (пилотный поток)]]

[http://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B8%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_-_2.1_(2021/22) Математический анализ - 2.1 (основной поток)]

[[Математический_анализ_-_2.2_(2021/22) | Математический анализ - 2.2 (основной поток)]]

[[MissingSemester2021/2022 | Инструменты промышленной разработки (The Missing Semester of your CS education)]]

[[Язык программирования C++ (углубленный курс) | Язык программирования C++ (углубленный курс)]]

[[Математическая логика | Математическая логика]]

[[Дифференциальные уравнения (ПМИ)]]

[[Алгоритмы и структуры данных 2 2021 | Алгоритмы и структуры данных 2]]

[[Алгоритмы_и_структуры_данных_пилотный_поток_2020/2021 | Алгоритмы и структуры данных – 2 на ПМИ (пилотный поток)]]

[[CAOS-2021 | Архитектура компьютеров и операционные системы]]

[[Основы_матричных_вычислений_2021/2022| Основы матричных вычислений 2021/2022]]

'''ПИ'''

[[Алгоритмы и структуры данных на ПИ 2021/2022 | Алгоритмы и структуры данных на ПИ]]

[[НИС Методы и алгоритмы защиты информации | НИС Методы и алгоритмы защиты информации]]

'''ПАД'''

[[Discrete Mathematics 2 DSBA 2021/2022 | Discrete Mathematics 2 (DSBA)]]

[[Business_and_Management_in_Global_Context_2021/22 | Business and Management in Global Context (DSBA)]]

[[Statistics_DSBA_2021/2022 | Probability and Statistics (DSBA)]]

[[Differential_Equations_2023 | Differential Equations ]]

[[ACOS_DSBA_2021/2022 | Computer Architecture and Operating Systems (DSBA)]]

||

[https://www.notion.so/2021-2022-7374a6eeced2434288226a339bd5037f Курсовая работа]

'''ПМИ'''

[[Intro_to_DL_21/22 | Introduction to Deep Learning 21/22 ]]

[[Безопасность_компьютерных_систем_21/22 | Безопасность компьютерных систем 21/22]]

[http://wiki.cs.hse.ru/%D0%A7%D0%B8%D1%81%D0%BB%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_2022#.D0.A3.D1.87.D0.B5.D0.B1.D0.BD.D1.8B.D0.B9_.D0.BF.D0.BB.D0.B0.D0.BD Численные методы (2022)]

[[Методы_оптимизации_21/22 | Методы оптимизации 21/22]]

[http://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_22 Математическое моделирование]

[http://wiki.cs.hse.ru/NIS-TCS-20-21 НИС Теоретическая информатика]

[[time_series_modelling_21_22 | Моделирование временных рядов 21/22]]

[[Анализ данных в бизнесе (Кафедра SAS) 21/22 | Анализ данных в бизнесе (Кафедра SAS) 21/22]]

[[Comb2021_2022 | Комбинаторные конструкции в теоретической информатике]]

[[Машинное_обучение_1/2021_2022 | Машинное обучение 1]]

[[Theory of Computation 2021 | Theory of Computation]]

[http://math-info.hse.ru/s21/8 Прикладные дифференциальные уравнения]

[[Сбор_и_разметка_данных_для_машинного_обучения_21/22 | Сбор и разметка данных для машинного обучения 21/22]]

[[Промышленное_программирование_на_языке_Java/2022 | Промышленное программирование на языке Java]]

'''ПМИ / PC'''

[https://osukhoroslov-hse.notion.site/5ca71a3b2b17452599f169468df43408 НИС Распределенные системы]

[[Database_Systems_2022 | Database Systems 2022]]

[https://osukhoroslov-hse.notion.site/082aef7073a844afa4c1bf718a773d77 Распределенные системы]

[https://naorlov.notion.site/naorlov/Nets-2021-51931594039e40aeb9102b784d7a8e70 Компьютерные сети]

'''ПМИ / МОП'''

[[Машинное_обучение_2 | Машинное обучение 2]]

[[Методы оптимизации в машинном обучении 2022| Методы оптимизации в машинном обучении 2022]]

[[НИС_Машинное_обучение_и_приложения_3_курс_2021/2022 | НИС Машинное обучение и приложения 3 курс]]

[http://wiki.cs.hse.ru/Psmo_21_22 Прикладная статистика в машинном обучении 21/22]

[[Statistical_learning_theory_2021 | Statistical learning theory]]

'''ПИ'''

[[ML4SE_1 | НИС Машинное обучение для программной инженерии]]

[[Технологии прикладного анализа данных SAS | Технологии прикладного анализа данных SAS]]

'''ПАД'''

[http://wiki.cs.hse.ru/Time_Series_and_Stochastic_Processes_ada_21_22 Time series and stochastic processes 2021-22]

[https://github.com/xenakas/dsba_ecm_2021 Elements of Econometrics ]

[[Data Science Case Studies (JD SAS) 21/22 | Data Science Case Studies (JD SAS) 21/22]]

[[SAS Technologies for Data Mining | SAS Technologies for Data Mining]]
[[Optimization_Methods_2022 | Optimization Methods]]

||

[[Введение_в_дифференциальную_геометрию_2022 | Введение в дифференциальную геометрию 2022]]

[[Символьные_вычисления_21/22 | Символьные вычисления 21/22]]

[[Случайные_процессы_(зима_2022) | Случайные процессы (зима 2022) ]]

[[Методы_сжатия_и_передачи_медиаданных_21/22 | Методы сжатия и передачи медиаданных 21/22]]

[[Теория_и_практика_онлайн-экспериментов_21/22 | Теория и практика онлайн-экспериментов 21/22]]

[[Безопасность_компьютерных_систем_21/22 | Безопасность компьютерных систем 21/22]]

[http://wiki.cs.hse.ru/%D0%94%D0%B8%D0%B7%D0%B0%D0%B9%D0%BD_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC_21/22 Дизайн систем]

[http://wiki.cs.hse.ru/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D1%82%D0%B5%D0%BD%D0%B7%D0%BE%D1%80%D0%BD%D1%8B%D1%85_%D0%B2%D1%8B%D1%87%D0%B8%D1%81%D0%BB%D0%B5%D0%BD%D0%B8%D0%B9 Основы тензорых вычислений]

[[Сбор_и_разметка_данных_для_машинного_обучения_21/22 | Сбор и разметка данных для машинного обучения 21/22]]

[[Байесовские_методы_машинного_обучения_2021 | Байесовские методы машинного обучения]]

[[НИС_Машинное_обучение_и_приложения_4_курс_2021/2022 | НИС Машинное обучение и приложения 4 курс]]

[https://artemova.notion.site/artemova/c88a68750cff4b509699fa127be11801 Глубинное обучение для текстовых данных 2021/2022]

[http://wiki.cs.hse.ru/LSML_2021/2022 Машинное обучение для больших данных 21/22]

[[Эффективные системы глубинного обучения 21/22|Эффективные системы глубинного обучения]]

'''ПМИ / РС'''

[https://osukhoroslov-hse.notion.site/2-0cd36b67b9f64182bfeabcda9ede647a НИС Распределенные системы 2]

[[msbdp_21 | Методы и системы обработки больших данных]]

[https://osukhoroslov-hse.notion.site/cee4a50ac8cf4e328cefbd35cf822fa5 Облачные вычисления]

'''ПМИ / ТИ'''

[[InfTheory2021 | Теория информации]]

[[OWF2021 | Односторонние функции и их применения]]

[[ConvAppr22 | Выпуклое программирование и аппроксимационные алгоритмы ]]

'''ПАД'''

[[Statistics 4mr 2021-22 | Statistical Methods for Market Research (DSBA)]]

[[Decision Making Strategy]]

||

[[Дополнительные_главы_теории_вероятностей_2022|ДГТВ]]

[[Дополнительные_главы_теории_вероятностей-2_2021/2022|ДГТВ-2]]

[[Теория_вычислений_2022|Теория вычислений]]

[[NonClassicalLogics|Факультатив "Неклассические логики" (3 модуль)]]

[[Криптография_на_решётках_21/22| Криптография на решётках]]

[http://wiki.cs.hse.ru/%D0%9C%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%91%D0%B8%D0%BE%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%B3%D0%BE%D0%B4_2021/22 Майнор Биоинформатика 1 год 2021/22]

[[Майнор_Биоинформатика_2_год_2021/22|Майнор Биоинформатика 2 год 2021/22]]

[[Введение_в_программирование_21/22_(майнор_ИАД) | Введение в программирование 21/22 (майнор ИАД)]]

[[Основы_машинного_обучения | Основы машинного обучения (майнор ИАД)]]

[[Основы_глубинного_обучения/2021_2022 | Основы глубинного обучения (майнор ИАД)]]

[[Прикладные_задачи_анализа_данных | Прикладные задачи анализа данных (майнор ИАД)]]

[[Функциональное_программирование_2019 | Функциональное программирование 2021]]

[[KotlinElective|Факультатив "Язык Kotlin" (ноя-дек 2021)]]

[[Dopglavy_DM_2022| Дополнительные главы дискретной математики]]

[[Факультатив_Data_Science_в_игровой_индустрии_(SAS) | Факультатив Data Science в игровой индустрии (SAS)]]

[[Факультатив_Анализ_данных_на_платформе_SAS | Факультатив Анализ данных на платформе SAS]]

[https://rroll.to/2D8yXl Основы и методология пикапа на ПМИ 2021/2022]

|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==

=== 2 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули
|-
| [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%D0%BD%D0%B0_%D1%8F%D0%B7%D1%8B%D0%BA%D0%B5_Python,_%D0%B6%D1%83%D1%80%D0%BD%D0%B0%D0%BB%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_2022 Программирование на языке Python] || Журналистика || 2 курс || 4 модуль
|-
| [http://wiki.cs.hse.ru/Программирование_на_Python_деп_медиа_2022 Программирование на языке Python] || Журналистика и Медиакоммуникации || 1 курс || 3 модуль
|-
| [http://wiki.cs.hse.ru/Python_для_ОП_%22Психология%22_2021/2022 Программирование на языке Python] ||Психология || 1 курс || 3-4 модуль
|-
| [http://wiki.cs.hse.ru/Python_для_ОП_%22Экономика_и_статистика%22_и_ОП_%22География_глобальных_изменений%22_2021/2022 Программирование на языке Python] ||Экономика и статистика; География глобальных изменений || 2 курс || 3 модуль
|-
| [[Культура работы с данными]] ||Иностранные языки и межкультурная коммуникация || 1 курс || 3-4 модуль
|-
| [[Машинное обучение на матфаке 2022|Машинное обучение]] || Математика || 3-4 модули || 3-4 модули
|-
| [[Введение_в_МО_БИ_21/22| Введение в машинное обучение]] || Бизнес-информатика || 3 курс || 3-4 модули
|-
| [[Excel для анализа данных 21-22]] || Иностранные языки и межкультурная коммуникация || 4 курс || 3 модуль
|-
| [[Введение в Data Science 21-22]] || УБ и МиРА || 2 курс || 4 модуль
|-
| [[Основы программирования в Python (Мирэк) 2022 | Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модуль
|-
|[http://wiki.cs.hse.ru/Python_%D0%B4%D0%BB%D1%8F_%D0%B8%D0%B7%D0%B2%D0%BB%D0%B5%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B8_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%A5%D0%B8%D0%BC%D0%B8%D1%8F Python для извлечения и обработки данных] || Химия || 2 курс || 4 модуль
|-
| [http://wiki.cs.hse.ru/Цифровая_грамотность_Городское_планирование_2021-2022 Цифровая грамотность] || Городское планирование || 1 курс || 4 модуль
|}

=== 1 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули
|-
| [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_%D0%93%D0%B5%D0%BE%D0%B3%D1%80%D0%B0%D1%84%D0%B8%D1%8F_2020/21 Цифровая грамотность] || География глобальных измерений и геоинформационные технологии || 1 курс || 1-2 модули
|-
| [[Цифровая грамотность, Востоковедение 2021/2022| Цифровая грамотность]] || Востоковедение || 1 курс || 1-2 модули
|-
|[[Цифровая Грамотность ИКВиА 2021/2022 | Цифровая грамотность]] || ИКВиА || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%98%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_%D0%B2_%D0%B4%D0%B5%D1%8F%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B8_%D1%8E%D1%80%D0%B8%D1%81%D1%82%D0%B0_2018-2019 Цифровая грамотность] || Юриспруденция || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%98%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_%D0%B2_%D0%B4%D0%B5%D1%8F%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B8_%D1%8E%D1%80%D0%B8%D1%81%D1%82%D0%B0_2018-2019 Цифровая грамотность] || Юриспруденция:частное право || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_%D0%98%D1%81%D1%82%D0%BE%D1%80%D0%B8%D1%8F_2021/2022 Цифровая грамотность] ||История || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Цифровая_грамотность_Филология_2021/2022 Цифровая грамотность] || Филология || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_2020-21_(%D0%9A%D1%83%D0%BB%D1%8C%D1%82%D1%83%D1%80%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F) Цифровая грамотность] || Культурология || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_%D0%94%D0%B5%D0%BF%D0%B0%D1%80%D1%82%D0%B0%D0%BC%D0%B5%D0%BD%D1%82_%D0%9C%D0%B5%D0%B4%D0%B8%D0%B0_2021-2022 Цифровая грамотность] || Медиакоммуникации и Журналистика || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Цифровая_грамотность_Философия_2021/2022 Цифровая грамотность] || Философия || 1 курс || 1-2 модуль
|-
| [http://wiki.cs.hse.ru/Основы_программирования_на_Python_осень_2021_матфак Основы программирования на Python] || Математика || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%B2_R,_%D0%A1%D0%BE%D1%86%D0%B8%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F Анализ данных в R] || Социология || 4 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%9F%D0%9C%D0%A1%D0%90%D0%A0-2_2020 Методы анализа больших данных в исследованиях поведения покупателя] || Прикладные методы социального анализа рынков (магистратура) || 2 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2021-2022 Машинное обучение] || Экономика || 3,4 курс || 1-2 модули
|-
| [[Программирование_ЭкСтат_ГП | Программирование на языке Python ]] || Городское планирование, Экономика и статистика || 3 курс || 1-2 модули
|-
| [[Основы анализа данных в международных отношениях 2021/2022 | Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Python_%D0%B4%D0%BB%D1%8F_%D0%B8%D0%B7%D0%B2%D0%BB%D0%B5%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B8_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 Python извлечение и обработка данных] || Клеточная и молекулярная биотехнология || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%B2_Python_(%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_2020) Основы программирования в Python ] || Политология || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Основы_работы_с_данными:_сбор,_анализ,_визуализация_(ОП_%22Журналистика%22) Основы работы с данными: сбор, анализ, визуализация] || Журналистика || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_Data_Science Data Science] || Экономика впечатлений: менеджмент в индустрии гостеприимства и туризме (магистратура) || 1 курс || 2 модуль
|-
| [http://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2021) Машинное обучение] || Совместный бакалавриат НИУ ВШЭ и РЭШ || 3 курс || 1-2 модули
|-
|
|| Бакалавриат НИУ ВШЭ и Лондонского университета || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Data_Analysis_in_Economics_and_Finance_2020-2021 Data Analysis in Economics and Finance] || Бакалавриат НИУ ВШЭ и Лондонского университета || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Data_Analysis_in_Journalism_and_Political_Science_2020-2021 Data Analysis in Journalism and Political Science]|| Бакалавриат НИУ ВШЭ и Лондонского университета || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D1%8B%D0%B5_%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%B2_%D0%BA%D1%83%D0%BB%D1%8C%D1%82%D1%83%D1%80%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_2020_1%D0%BC%D0%BE%D0%B4%D1%83%D0%BB%D1%8C Прикладные исследования в культурологии] || Прикладная культурология (магистратура) || 1 курс || 1 модуль
|-
| [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%D0%B8_%D0%BA%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D1%8B%D0%B5_%D0%B8%D0%BD%D1%81%D1%82%D1%80%D1%83%D0%BC%D0%B5%D0%BD%D1%82%D1%8B_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B3%D0%BE_%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F Программирование и лингвистические данные] || Фундаментальная и компьютерная лингвистика || 1 курс || 1, 2, 3, 4 модули
|-
| [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%D0%B8_%D0%BA%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D1%8B%D0%B5_%D0%B8%D0%BD%D1%81%D1%82%D1%80%D1%83%D0%BC%D0%B5%D0%BD%D1%82%D1%8B_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B3%D0%BE_%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F Программирование и лингвистические данные] || Фундаментальная и компьютерная лингвистика || 1 курс || 1, 2, 3 модули
|-
| [http://wiki.cs.hse.ru/%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8 Программирование и теория алгоритмов] || Фундаментальная и компьютерная лингвистика || 3 курс || 2, 3, 4 модули
|-
| [https://github.com/daria-sa/NNmethods_ba_hse21-22/ Нейросетевые методы в обработке текстов] || Фундаментальная и компьютерная лингвистика || 4 курс || 1, 2, 3 модули
|-

|}

== Курсы магистратуры ФКН ==

{| class="wikitable"
|-
| [[Modern_Data_Analysis_2021_2022 | Modern Data Analysis]] || Data Science (Науки о данных) || 2 year
|-
| [[Project_Seminar_2021_2022 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 year
|-
| [[Theory of Computation 2021 | Theory of Computation]] || Науки о данных, специализация ТИ || 1 year
|-
| [[ConvAppr22 | Выпуклое программирование и аппроксимационные алгоритмы ]] || Науки о данных, специализация ТИ || 1 year
|-
| [[RecSys_2021_2022 | Рекомендательные системы]] || ФТИАД || 2 year
|-
| [[Stochastic_analysis_2021_2022 | Стохастический анализ 2021-2022]] || Math of Machine Learning || 1 year
|-
| [[Reinforcement_learning_2021_2022 | Математические основы обучения с подкреплением 2021-2022]] || Math of Machine Learning || 2 year
|-
| [[Theoretical_Computer_Science_2022 | Theoretical computer science 2021-2022]] || Theoretical computer science || PhD
|-
| [[Машинное_обучение_(современные_методы)-МОиВС-2021-2022 | Машинное обучение (современные методы)]] || Машинное обучение и высоконагруженные системы|| 1 year
|-
| [[Алгоритмы_и_структуры_данных-МОиВС-2021-2022 | Алгоритмы и структуры данных]] || Машинное обучение и высоконагруженные системы|| 1 year
|-
| [[Основы_промышленной_разработки-МОиВС-2021-2022 | Основы промышленной разработки]] || Машинное обучение и высоконагруженные системы|| 1 year
|-
| [[Глубинное обучение-МОиВС-2022-2023 | Глубинное обучение]] || Машинное обучение и высоконагруженные системы|| 1 year
|-
|}

== Курсы других факультетов ==

{| class="wikitable"
|-
! Дисциплина !! Курс !! Период
|-
| [http://wiki.cs.hse.ru/Econ_probability_2021-22 Теория вероятностей и математическая статистика] || фэн, 2 курс || 1-4 модуль
|-
| [[Динамическая оптимизация в экономике и финансах, фэн, 2021/22|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль
|-
|}

= Архив до 2020/21 учебного года включительно =
[[Wiki ФКН/Архив]]

Эффективные системы глубинного обучения 22/23

2023-01-15T16:09:25Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович]

'''Ассистенты:''' [https://t.me/msaidov Марат Саидов], [https://t.me/team_mur Тимур Ваньков]

Занятия проходят по понедельникам в 18:00 – 21:00.

=== Полезные ссылки ===

(TBA) Anytask для сдачи заданий

Канал в Telegram для объявлений: https://t.me/efficientdl_23

Чат в Telegram для обсуждения курса: https://t.me/+n_OHgXYrZKg0ZmUy

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/mDJ95rwskDuZhayDA Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено несколько домашних заданий, разделённых на несколько блоков:

1. Пайплайны обучения и профилирование DL-кода (состоит из 2 частей)

2. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

3. Вывод нейросетей в production и ускорение их работы (состоит из 2 частей)

Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы.

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.2*OДЗ1+0.4*OДЗ2+0.4*OДЗ3

Округление оценки арифметическое.

=== Правила сдачи заданий ===

Дедлайны заданий объявляются в момент их выдачи.

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

'''Один раз''' за курс вы можете сдать домашнее задание вне дедлайна (но не позднее 15 марта 08:00MSK). Для этого необходимо отправить в [https://forms.gle/GaP88CigJTw5M1Ni8 форму] свои ФИО и номер задания, а также прикрепить ссылку на отправленное решение в Anytask. На странице задания также нужно будет написать, что вы сдаете его вне дедлайна.

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

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Эффективные системы глубинного обучения 22/23

2023-01-15T16:08:49Z

M.ryabinin: Новая страница: «== О курсе == Курс по выбору для студентов 4 курса, читается в 3 модуле. '''Лектор:''' [https://www.hse.…»

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович]

'''Ассистенты:''' [https://t.me/msaidov Марат Саидов], [https://t.me/team_mur Тимур Ваньков]

Занятия проходят по понедельникам в 18:00 – 21:00.

=== Полезные ссылки ===

(TBA) Anytask для сдачи заданий

Канал в Telegram для объявлений: https://t.me/efficientdl_23

Чат в Telegram для обсуждения курса: https://t.me/+n_OHgXYrZKg0ZmUy

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/mDJ95rwskDuZhayDA Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено несколько домашних заданий, разделённых на несколько блоков:

1. Пайплайны обучения и профилирование DL-кода (состоит из 2 частей)

2. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

3. Вывод нейросетей в production и ускорение их работы (состоит из 2 частей)

Веса домашних заданий внутри каждого блока равные, в некоторых заданиях возможно получить бонусные баллы.
Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.2*OДЗ1+0.4*OДЗ2+0.4*OДЗ3

Округление оценки арифметическое.

=== Правила сдачи заданий ===

Дедлайны заданий объявляются в момент их выдачи.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
'''Один раз''' за курс вы можете сдать домашнее задание вне дедлайна (но не позднее 15 марта 08:00MSK). Для этого необходимо отправить в [https://forms.gle/GaP88CigJTw5M1Ni8 форму] свои ФИО и номер задания, а также прикрепить ссылку на отправленное решение в Anytask. На странице задания также нужно будет написать, что вы сдаете его вне дедлайна.

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

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Глубинное обучение 2022

2022-12-19T22:17:34Z

M.ryabinin:

=== Расписание ===

'''Лекция:''' [https://www.hse.ru/staff/mryabinin Максим Рябинин], среда 11:10-12:30

'''Семинары'''
{| class="wikitable"
|-
! Группа !! Семинарист !! Контакты !! Расписание !! Инвайт в Anytask
|-
| Оффлайн 191 || [https://www.hse.ru/org/persons/190912012 Иван Рубачев] || https://t.me/puhsuuu || среда 13:00, G110 || <code>wz4PE8t</code>
|-
| Онлайн 192 ||[https://www.hse.ru/org/persons/225547289 Аким Котельников]|| https://t.me/akimkot || среда 13:00 || <code>99yTXq3</code>
|-
| Онлайн 193 ||[https://www.hse.ru/staff/mryabinin Максим Рябинин]|| https://t.me/mryab || среда 13:00 || <code>pHBT1Lh</code>
|-
|}

''Ассистенты''
{| class="wikitable"
|-
! Группа !! Ассистент
|-
| 191 || [https://t.me/team_mur Тимур Ваньков], [https://t.me/Blackaddder Денис Кузнеделев]
|-
| 192 || [https://t.me/horror_in_black Александра Коган], [https://t.me/timothyxp Тимофей Смирнов]
|-
| 193 ||[https://t.me/baranovskayadaria Даша Барановская], [https://t.me/nickkartashev Николай Карташев]
|-
|}

'''Почта курса''': cs.hse.dl@gmail.com (важные письма лучше дублировать на почту лектору)

'''[https://docs.google.com/spreadsheets/d/1aKE47GSH6ZeII5nHeA8OIXMwyM_kRKqmHvDpfj3KHzc/edit#gid=0 Таблица с оценками]''' 
'''[https://www.github.com/mryab/dl-hse-ami Репозиторий с материалами]''' 
'''[https://t.me/dl22_announcements Telegram-канал курса]''' 
'''[https://forms.gle/Z7bUKkZXGBDf7YFx9 Доступ к DataSphere (дедлайн 05.10)] 
'''[https://anytask.org/course/951 Anytask]''' 

== Краткое описание ==

Курс по Deep Learning. Рассказываем про архитектуры нейросетей, их обучение, разные области применения Deep Learning. Используем PyTorch.

Примерно каждую неделю будут выдаваться МДЗ (маленькие домашние задания) по теме лекций. Также за весь курс будут выданы три БДЗ (большие домашние задания) на темы CV, NLP, image2image. Также планируются проверочные работы по материалам лекций. Для выполнения МДЗ достаточно будет [https://colab.research.google.com Google Colab], для БДЗ будет выдан доступ в Yandex DataSphere. ДЗ сдаются в Anytask.

У МДЗ есть мягкие и жесткие дедлайны. После жёсткого дедлайна штраф составляет 10% от оценки в день. После жёсткого дедлайна работа не принимается, дедлайны не переносятся. У больших ДЗ есть чекпойнт, к которому нужно сдать бейзлайн (базовое решение для задачи, работающее с минимально допустимым качеством).

'''Плагиат''':

*Задания делаются индивидуально
*Обсуждать между собой решения можно (но напишите в решении, с кем вы его обсуждали)
*Код должен быть написан самостоятельно
*В заданиях сказано, откуда можно копировать код
*Можно (и нужно) пользоваться ресурсами библиотеки PyTorch
*Документация: [https://pytorch.org/docs/stable/index.html]
*Туториалы: [https://pytorch.org/tutorials]
*Примеры: [https://github.com/pytorch/examples]

'''ВАЖНО'''
*Копировать другой код из интернета или у соседа нельзя. В случае обнаружения плагиата мы будем без предупреждений направлять служебную записку в учебный офис
*Обязательно указывать источники, которыми вы вдохновлялись (в том числе других студентов)
*Если непонятно, можно ли что-то использовать, то спросите нас

== Система выставления оценок ==

Итоговая формула выставления оценки выглядит следующим образом:

О_результ = round(0.3*О_экз + 0.7*О_накоп)

О_накоп = 0.3*О_small + 0.7*O_big

Если накопленная оценка >= 6 после округления, то есть возможность получить '''автомат''' за курс

O_small = среднее по МДЗ и проверочным

O_big = O_1*w1 + O_2*w2 + O_3*w3 (оценки за большие дз с весами)

[w1, w2, w3] = softmin([O_1, O_2, O_3]/20), [https://pytorch.org/docs/stable/generated/torch.nn.Softmin.html Что такое Softmin?]

== Fast track ==

Если вы проходили курс по DL где-то ещё, его можно '''перезачесть'''. Схема индивидуальная для каждого студента (писать Максиму).

Глубинное обучение 2022

2022-09-08T10:11:22Z

M.ryabinin:

=== Расписание ===

'''Лекция:''' [https://www.hse.ru/staff/mryabinin Максим Рябинин], среда 11:10-12:30

'''Семинары'''
{| class="wikitable"
|-
! Группа !! Семинарист !! Контакты !! Расписание !! Инвайт в Anytask
|-
| Оффлайн 191 || [https://www.hse.ru/org/persons/190912012 Иван Рубачев] || https://t.me/puhsuuu || среда 13:00, G110 || <code>wz4PE8t</code>
|-
| Онлайн 192 ||[https://www.hse.ru/org/persons/225547289 Аким Котельников]|| https://t.me/akimkot || среда 13:00 || <code>99yTXq3</code>
|-
| Онлайн 193 ||[https://www.hse.ru/staff/mryabinin Максим Рябинин]|| https://t.me/mryab || среда 13:00 || <code>pHBT1Lh</code>
|-
|}

''Ассистенты''
{| class="wikitable"
|-
! Группа !! Ассистент
|-
| 191 || [https://t.me/team_mur Тимур Ваньков], [https://t.me/Blackaddder Денис Кузнеделев]
|-
| 192 || [https://t.me/horror_in_black Александра Коган], [https://t.me/timothyxp Тимофей Смирнов]
|-
| 193 ||[https://t.me/baranovskayadaria Даша Барановская], [https://t.me/nickkartashev Николай Карташев]
|-
|}

'''Почта курса''': cs.hse.dl@gmail.com (важные письма лучше дублировать на почту лектору)

'''[TBA Таблица с оценками]''' 
'''[https://www.github.com/mryab/dl-hse-ami Репозиторий с материалами]''' 
'''[https://t.me/dl22_announcements Telegram-канал курса]''' 
'''[https://forms.gle/Z7bUKkZXGBDf7YFx9 Доступ к DataSphere (дедлайн 05.10)] 
'''[https://anytask.org/course/951 Anytask]''' 

== Краткое описание ==

Курс по Deep Learning. Рассказываем про архитектуры нейросетей, их обучение, разные области применения Deep Learning. Используем PyTorch.

Примерно каждую неделю будут выдаваться МДЗ (маленькие домашние задания) по теме лекций. Также за весь курс будут выданы три БДЗ (большие домашние задания) на темы CV, NLP, image2image. Также планируются проверочные работы по материалам лекций. Для выполнения МДЗ достаточно будет [https://colab.research.google.com Google Colab], для БДЗ будет выдан доступ в Yandex DataSphere. ДЗ сдаются в Anytask.

У МДЗ есть мягкие и жесткие дедлайны. После жёсткого дедлайна штраф составляет 10% от оценки в день. После жёсткого дедлайна работа не принимается, дедлайны не переносятся. У больших ДЗ есть чекпойнт, к которому нужно сдать бейзлайн (базовое решение для задачи, работающее с минимально допустимым качеством).

'''Плагиат''':

*Задания делаются индивидуально
*Обсуждать между собой решения можно (но напишите в решении, с кем вы его обсуждали)
*Код должен быть написан самостоятельно
*В заданиях сказано, откуда можно копировать код
*Можно (и нужно) пользоваться ресурсами библиотеки PyTorch
*Документация: [https://pytorch.org/docs/stable/index.html]
*Туториалы: [https://pytorch.org/tutorials]
*Примеры: [https://github.com/pytorch/examples]

'''ВАЖНО'''
*Копировать другой код из интернета или у соседа нельзя. В случае обнаружения плагиата мы будем без предупреждений направлять служебную записку в учебный офис
*Обязательно указывать источники, которыми вы вдохновлялись (в том числе других студентов)
*Если непонятно, можно ли что-то использовать, то спросите нас

== Система выставления оценок ==

Итоговая формула выставления оценки выглядит следующим образом:

О_результ = round(0.3*О_экз + 0.7*О_накоп)

О_накоп = 0.3*О_small + 0.7*O_big

Если накопленная оценка >= 6 после округления, то есть возможность получить '''автомат''' за курс

O_small = среднее по МДЗ и проверочным

O_big = O_1*w1 + O_2*w2 + O_3*w3 (оценки за большие дз с весами)

[w1, w2, w3] = softmin([O_1, O_2, O_3]/20), [https://pytorch.org/docs/stable/generated/torch.nn.Softmin.html Что такое Softmin?]

== Fast track ==

Если вы проходили курс по DL где-то ещё, его можно '''перезачесть'''. Схема индивидуальная для каждого студента (писать Максиму).

Глубинное обучение 2022

2022-09-08T10:08:50Z

M.ryabinin:

=== Расписание ===

'''Лекция:''' [https://www.hse.ru/staff/mryabinin Максим Рябинин], среда 11:10-12:30

'''Семинары'''
{| class="wikitable"
|-
! Группа !! Семинарист !! Контакты !! Расписание !! Инвайт в Anytask
|-
| Оффлайн 191 || [https://www.hse.ru/org/persons/190912012 Иван Рубачев] || https://t.me/puhsuuu || среда 13:00, G110 || <code>wz4PE8t</code>
|-
| Онлайн 192 ||[https://www.hse.ru/org/persons/225547289 Аким Котельников]|| https://t.me/akimkot || среда 13:00 || <code>99yTXq3</code>
|-
| Онлайн 193 ||[https://www.hse.ru/staff/mryabinin Максим Рябинин]|| https://t.me/mryab || среда 13:00 || <code>pHBT1Lh</code>
|-
|}

''Ассистенты''
{| class="wikitable"
|-
! Группа !! Ассистент
|-
| 191 || [https://t.me/team_mur Тимур Ваньков], [https://t.me/Blackaddder Денис Кузнеделев]
|-
| 192 || [https://t.me/horror_in_black Александра Коган], [https://t.me/timothyxp Тимофей Смирнов]
|-
| 193 ||[https://t.me/baranovskayadaria Даша Барановская], [https://t.me/nickkartashev Николай Карташев]
|-
|}

'''Почта курса''': cs.hse.dl@gmail.com (важные письма лучше дублировать на почту лектору)

'''[TBA Таблица с оценками]''' 
'''[https://www.github.com/mryab/dl-hse-ami Репозиторий с материалами]''' 
'''[https://t.me/dl22_announcements Telegram-канал курса]''' 
'''[https://forms.gle/Z7bUKkZXGBDf7YFx9 Доступ к DataSphere (дедлайн 05.10)] 
'''[TBA Anytask]''' 

== Краткое описание ==

Курс по Deep Learning. Рассказываем про архитектуры нейросетей, их обучение, разные области применения Deep Learning. Используем PyTorch.

Примерно каждую неделю будут выдаваться МДЗ (маленькие домашние задания) по теме лекций. Также за весь курс будут выданы три БДЗ (большие домашние задания) на темы CV, NLP, image2image. Также планируются проверочные работы по материалам лекций. Для выполнения МДЗ достаточно будет [https://colab.research.google.com Google Colab], для БДЗ будет выдан доступ в Yandex DataSphere. ДЗ сдаются в Anytask.

У МДЗ есть мягкие и жесткие дедлайны. После жёсткого дедлайна штраф составляет 10% от оценки в день. После жёсткого дедлайна работа не принимается, дедлайны не переносятся. У больших ДЗ есть чекпойнт, к которому нужно сдать бейзлайн (базовое решение для задачи, работающее с минимально допустимым качеством).

'''Плагиат''':

*Задания делаются индивидуально
*Обсуждать между собой решения можно (но напишите в решении, с кем вы его обсуждали)
*Код должен быть написан самостоятельно
*В заданиях сказано, откуда можно копировать код
*Можно (и нужно) пользоваться ресурсами библиотеки PyTorch
*Документация: [https://pytorch.org/docs/stable/index.html]
*Туториалы: [https://pytorch.org/tutorials]
*Примеры: [https://github.com/pytorch/examples]

'''ВАЖНО'''
*Копировать другой код из интернета или у соседа нельзя. В случае обнаружения плагиата мы будем без предупреждений направлять служебную записку в учебный офис
*Обязательно указывать источники, которыми вы вдохновлялись (в том числе других студентов)
*Если непонятно, можно ли что-то использовать, то спросите нас

== Система выставления оценок ==

Итоговая формула выставления оценки выглядит следующим образом:

О_результ = round(0.3*О_экз + 0.7*О_накоп)

О_накоп = 0.3*О_small + 0.7*O_big

Если накопленная оценка >= 6 после округления, то есть возможность получить '''автомат''' за курс

O_small = среднее по МДЗ и проверочным

O_big = O_1*w1 + O_2*w2 + O_3*w3 (оценки за большие дз с весами)

[w1, w2, w3] = softmin([O_1, O_2, O_3]/20), [https://pytorch.org/docs/stable/generated/torch.nn.Softmin.html Что такое Softmin?]

== Fast track ==

Если вы проходили курс по DL где-то ещё, его можно '''перезачесть'''. Схема индивидуальная для каждого студента (писать Максиму).

Wiki ФКН

2022-09-07T10:30:14Z

M.ryabinin:

__NOTOC__

= Учебные курсы факультета компьютерных наук =

== Курсы за 2022/23 учебный год ==

{| class="wikitable"
|-

! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|
'''ПМИ'''

[[Линейная_алгебра_и_геометрия_на_ПМИ_2022/2023_(пилотный_поток) | Линейная алгебра и геометрия (пилотный_поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2022/2023_(основной_поток) | Линейная алгебра и геометрия (основной поток)]]

[[Математический_анализ_1_2022/2023_(основной_поток) | Математический анализ-1 (основной поток)]]

[[DM1base-2022-23 | Дискретная математика (ПМИ основной поток + ЭАД)]]

[[Дискретная_математика_(пилотный_поток) | Дискретная математика (пилотный поток)]]

[http://wiki.cs.hse.ru/Язык_программирования_Python_2022/2023_(основной_поток) Язык программирования Python 2022/2023 (основной_поток)]

'''ПИ'''

[[Дискретная математика 2022-2023 | Дискретная математика ]]

'''ПАД'''

[[LAaG DSBA 2022/2023 | LAaG (DSBA)]]

[[Discrete Mathematics DSBA 2022/2023 | Discrete Mathematics ]]

'''КНАД'''

[[Дискретная_математика_КНАД 22/23| Дискретная математика (КНАД) ]]

[[Математический_анализ_КНАД 22/23| Математический анализ (КНАД) ]]

[[Линейная_алгебра_КНАД 22/23| Линейная алгебра (КНАД) ]]

[[Программирование_на_Python_КНАД 22/23| Программирование на Python (КНАД) ]]
||

'''ПМИ'''

[[Теория_вероятностей_2022/2023_(пилотный_поток)| Теория вероятностей (пилотный поток)]]

[[Теория_вероятностей_2022/2023_(основной_поток)| Теория вероятностей (основной поток)]]

[[Математический_Анализ_2_на_ПМИ_2022/2023_(пилотный_поток) | Математический анализ - 2 (пилотный поток)]]

[[Математический_анализ_-_2_(2022/23) | Математический анализ - 2 (основной поток)]]

[[Язык_программирования_C%2B%2B_(углубленный_курс)_2022 | Язык программирования C++ (углубленный курс)]]

[[Математическая_логика_ПМИ_22/23 | Математическая логика ]]

[[Продвинутый_Python_2022/2023 | Продвинутый Python ]]

[[Алгоритмы_и_структуры_данных_2_2022/2023 | Алгоритмы и структуры данных - 2 ]]

'''ПИ'''

'''ПАД'''

[[Discrete Mathematics 2 DSBA 2022/2023 | Discrete Mathematics 2 (DSBA)]]

[[Business_and_Management_in_Global_Context_22/23 | Business and Management in Global Context 22/23]]

'''КНАД'''

[[Алгебра КНАД 2022/2023 | Алгебра]]

[[Математический_анализ -- 2 (2022/23) | Математический анализ -- 2]]

[[Алгоритмы_и_структуры_данных_2_КНАД 22/23 | Алгоритмы и структуры данных 2]]

[[Теория_вероятностей_КНАД 22/23 | Теория вероятностей ]]
||

'''ПМИ'''

[[Машинное_обучение_1 | Машинное обучение 1]]

[[Theory of Computation 2022 | Theory of Computation]]

[[ Operation Research and Game Theory | Operation Research and Game Theory]]

[[ Statistical Learning Theory 2022 | Statistical Learning Theory]]

[[ Функциональное_программирование_22-23 | Функциональное программирование ]]

'''ПМИ / МОП'''

[[Прикладная_статистика_в_машинном_обучении_22/23 | Прикладная статистика в машинном обучении 22/23]]

[[НИС_Машинное_обучение_и_приложения_3_курс_2022/2023 | НИС Машинное обучение и приложения 3 курс]]

'''ПМИ / РС'''

[https://osukhoroslov-hse.notion.site/a35a6a40088b44a7a9e374727a0f2548 Распределенные системы]

[https://osukhoroslov-hse.notion.site/dbce4f5101ed47dca0b363122f139aac НИС Распределенные системы]

'''ПИ'''

'''ПАД'''

[[tssp-2022-23 | Time series and stochastic processes 2022-23]]

||

'''ПМИ'''

[[OWF2022 | Односторонние функции и их применения]]

[[InfTheory2022 | Теория информации]]

[[ Функциональное_программирование_22-23 | Функциональное программирование ]]

'''ПМИ / МОП'''

[[НИС_Машинное_обучение_и_приложения_4_курс_2022/2023 | НИС Машинное обучение и приложения 4 курс]]

[[Глубинное_обучение_2022 | Глубинное обучение]]

'''ПИ'''

'''ПАД'''

[[ Statistics4MR-2022-23 | Statistics for Market Research 2022-23]]

||

[[Майнор_Биоинформатика_1_год_2022/23 | Биоинформатика 1 год 2022/23]]

|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==

=== 1 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули

|-
| [[Цифровая грамотность для международных отношений 22/23 | Цифровая грамотность для международных отношений 22/23]] || || ||

|-
| [http://wiki.cs.hse.ru/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%B2_%D0%BC%D0%B5%D0%B6%D0%B4%D1%83%D0%BD%D0%B0%D1%80%D0%BE%D0%B4%D0%BD%D1%8B%D1%85_%D0%BE%D1%82%D0%BD%D0%BE%D1%88%D0%B5%D0%BD%D0%B8%D1%8F%D1%85_22/23#.D0.9D.D0.B5.D0.BE.D0.B1.D1.85.D0.BE.D0.B4.D0.B8.D0.BC.D1.8B.D0.B5_.D1.81.D1.81.D1.8B.D0.BB.D0.BA.D0.B8 Основы анализа данных для международных отношений 22/23] || || ||

|-
| [http://wiki.cs.hse.ru/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%BD%D0%B0_Python_%D0%BE%D1%81%D0%B5%D0%BD%D1%8C_2022_%D0%BC%D0%B0%D1%82%D1%84%D0%B0%D0%BA#.D0.9F.D1.80.D0.B0.D0.B2.D0.B8.D0.BB.D0.B0_.D0.B4.D0.B5.D0.B4.D0.BB.D0.B0.D0.B9.D0.BD.D0.BE.D0.B2 Основы программирования на Python осень 2022 матфак] || || ||

|-
| [[ ссылка | Анализ данных]] || Медиакоммуникации, Журналистика || 2 курс || 1-2 модуль
|}

== Курсы магистратуры ФКН ==
{| class="wikitable"
|-
| [[Ликбез_разработчика_(2022) | Ликбез разработчика]] || Машинное обучение и высоконагруженные системы|| 1 year
|-
|}

== Курсы других факультетов ==

{| class="wikitable"
|-
! Дисциплина !! Курс !! Период
|-
| [[econ_probability_2022-23|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 1-4 модуль
|-
| [[econ_dynamic_opt_2022-23|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль
|-
| [[icef-dse-2022-23|Data Science for Economics 2022-23]] ||icef, 3-4 year || 1-2 module
|-
| [[Лицей ВШЭ. Практикум по программированию 10 класс 2022-23 | Лицей ВШЭ. Практикум по программированию 10 класс]] || Лицей ВШЭ || 10 класс
|-
|}

= Архив =

== Курсы за 2021/22 учебный год ==
{| class="wikitable"
|-

! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|
'''ПМИ'''

[[Линейная_алгебра_и_геометрия_на_ПМИ_2021/2022_(пилотный_поток) | Линейная алгебра и геометрия (пилотный_поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2021/2022_(основной_поток) | Линейная алгебра и геометрия (основной поток)]]

[[Алгебра_на_ПМИ_2021/2022_(пилотный_поток) | Алгебра (пилотный поток)]]

[[Алгебра_на_ПМИ_2021/2022_(основной_поток) | Алгебра (основной поток)]]

[[Математический_Анализ_1_на_ПМИ_2021/2022_(пилотный_поток) | Математический анализ 1 (пилотный поток)]]

[[Математический_анализ_1_2021/2022_(основной_поток) | Математический анализ-1 (основной поток)]]

[[DM1-2021-22 | Дискретная математика]]

[http://wiki.cs.hse.ru/Основы_и_методология_программирования_на_ПМИ_2021/2022_(основной_поток) Основы и методология программирования 2021/2022 (основной поток)]

[[Алгоритмы и структуры данных пилотный поток 2021/2022 | Алгоритмы и структуры данных пилотный поток 2021/2022]]

[[Алгоритмы и структуры данных 1 основной поток 2021/2022 (4 модуль) | Алгоритмы и структуры данных 1 основной поток 2021/2022 (4 модуль)]]

'''ПИ'''

[[DM1-SE-2021-22 | Дискретная математика-1 ПИ]]

[http://hsealgebra22.wikidot.com/ Алгебра 2021/2022 ПИ wikidot]

[[Алгебра 2021/2022 ПИ | Алгебра 2021/2022 ПИ]]

'''ПАД'''

[[Algebra_DSBA_2021/2022 | Algebra DSBA]]

[[Discrete Mathematics DSBA 2021/2022 | Discrete Mathematics (DSBA)]]

[[LAaG DSBA 2021/2022 | LAaG (DSBA)]]

[[Calculus DSBA 2021/2022 | Calculus (DSBA)]]

[[Introduction to Programming DSBA 2021/2022 | Introduction to Programming (DSBA)]]

'''КНАД'''

[[Математический_анализ_(КНАД) | Математический анализ (КНАД)]]

[[Линейная алгебра_(КНАД) | Линейная алгебра (КНАД)]]

[[Программирование_на_Python | Программирование на Python (КНАД)]]

[[Дискретная_математика_КНАД | Дискретная математика (КНАД)]]

[[Алгоритмы и структуры данных-1 2021/2022 4 модуль (КНАД) | Алгоритмы и структуры данных (КНАД)]]

[[Программирование_на_С++_КНАД | Программирование на С++ (КНАД)]]

[[Python_для_сбора_и_анализа_данных_КНАД | Python для сбора и анализа данных (КНАД)]]

[[ИПР_КНАД_22 | Инструменты промышленной разработки (КНАД)]]

||

'''ПМИ'''

[[Теория_вероятностей_и_математическая_статистика_2021/2022_(пилотный_поток)| ТВиМС (пилотный поток)]]

[[Теория_вероятностей_2021/2022_(основной_поток)| ТВиМС (основной поток)]]

[[Математический анализ 2021/2022 (пилотный поток) | Математический анализ - 2 (пилотный поток)]]

[http://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B8%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_-_2.1_(2021/22) Математический анализ - 2.1 (основной поток)]

[[Математический_анализ_-_2.2_(2021/22) | Математический анализ - 2.2 (основной поток)]]

[[MissingSemester2021/2022 | Инструменты промышленной разработки (The Missing Semester of your CS education)]]

[[Язык программирования C++ (углубленный курс) | Язык программирования C++ (углубленный курс)]]

[[Математическая логика | Математическая логика]]

[[Дифференциальные уравнения (ПМИ)]]

[[Алгоритмы и структуры данных 2 2021 | Алгоритмы и структуры данных 2]]

[[Алгоритмы_и_структуры_данных_пилотный_поток_2020/2021 | Алгоритмы и структуры данных – 2 на ПМИ (пилотный поток)]]

[[CAOS-2021 | Архитектура компьютеров и операционные системы]]

[[Основы_матричных_вычислений_2021/2022| Основы матричных вычислений 2021/2022]]

'''ПИ'''

[[Алгоритмы и структуры данных на ПИ 2021/2022 | Алгоритмы и структуры данных на ПИ]]

[[Теория вероятностей и математическая статистика 2021-2022 | Теория вероятностей и математическая статистика]]

[[НИС Методы и алгоритмы защиты информации | НИС Методы и алгоритмы защиты информации]]

'''ПАД'''

[[Discrete Mathematics 2 DSBA 2021/2022 | Discrete Mathematics 2 (DSBA)]]

[[Business_and_Management_in_Global_Context_2021/22 | Business and Management in Global Context (DSBA)]]

[[Statistics_DSBA_2021/2022 | Probability and Statistics (DSBA)]]

[[Differential_Equations_2021 | Differential Equations ]]

[[ACOS_DSBA_2021/2022 | Computer Architecture and Operating Systems (DSBA)]]

||

[https://www.notion.so/2021-2022-7374a6eeced2434288226a339bd5037f Курсовая работа]

'''ПМИ'''

[[Intro_to_DL_21/22 | Introduction to Deep Learning 21/22 ]]

[[Безопасность_компьютерных_систем_21/22 | Безопасность компьютерных систем 21/22]]

[http://wiki.cs.hse.ru/%D0%A7%D0%B8%D1%81%D0%BB%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_2022#.D0.A3.D1.87.D0.B5.D0.B1.D0.BD.D1.8B.D0.B9_.D0.BF.D0.BB.D0.B0.D0.BD Численные методы (2022)]

[[Методы_оптимизации_21/22 | Методы оптимизации 21/22]]

[http://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_22 Математическое моделирование]

[http://wiki.cs.hse.ru/NIS-TCS-20-21 НИС Теоретическая информатика]

[[time_series_modelling_21_22 | Моделирование временных рядов 21/22]]

[[Анализ данных в бизнесе (Кафедра SAS) 21/22 | Анализ данных в бизнесе (Кафедра SAS) 21/22]]

[[Comb2021_2022 | Комбинаторные конструкции в теоретической информатике]]

[[Машинное_обучение_1/2021_2022 | Машинное обучение 1]]

[[Theory of Computation 2021 | Theory of Computation]]

[http://math-info.hse.ru/s21/8 Прикладные дифференциальные уравнения]

[[Сбор_и_разметка_данных_для_машинного_обучения_21/22 | Сбор и разметка данных для машинного обучения 21/22]]

[[Промышленное_программирование_на_языке_Java/2022 | Промышленное программирование на языке Java]]

'''ПМИ / PC'''

[https://osukhoroslov-hse.notion.site/5ca71a3b2b17452599f169468df43408 НИС Распределенные системы]

[[Database_Systems_2022 | Database Systems 2022]]

[https://osukhoroslov-hse.notion.site/082aef7073a844afa4c1bf718a773d77 Распределенные системы]

[https://naorlov.notion.site/naorlov/Nets-2021-51931594039e40aeb9102b784d7a8e70 Компьютерные сети]

'''ПМИ / МОП'''

[[Машинное_обучение_2 | Машинное обучение 2]]

[[Методы оптимизации в машинном обучении 2022| Методы оптимизации в машинном обучении 2022]]

[[НИС_Машинное_обучение_и_приложения_3_курс_2021/2022 | НИС Машинное обучение и приложения 3 курс]]

[http://wiki.cs.hse.ru/Psmo_21_22 Прикладная статистика в машинном обучении 21/22]

[[Statistical_learning_theory_2021 | Statistical learning theory]]

'''ПИ'''

[[ML4SE_1 | НИС Машинное обучение для программной инженерии]]

[[Технологии прикладного анализа данных SAS | Технологии прикладного анализа данных SAS]]

'''ПАД'''

[http://wiki.cs.hse.ru/Time_Series_and_Stochastic_Processes_ada_21_22 Time series and stochastic processes 2021-22]

[https://github.com/xenakas/dsba_ecm_2021 Elements of Econometrics ]

[[Data Science Case Studies (JD SAS) 21/22 | Data Science Case Studies (JD SAS) 21/22]]

[[SAS Technologies for Data Mining | SAS Technologies for Data Mining]]
[[Optimization_Methods_2022 | Optimization Methods]]

||

[[Введение_в_дифференциальную_геометрию_2022 | Введение в дифференциальную геометрию 2022]]

[[Символьные_вычисления_21/22 | Символьные вычисления 21/22]]

[[Случайные_процессы_(зима_2022) | Случайные процессы (зима 2022) ]]

[[Методы_сжатия_и_передачи_медиаданных_21/22 | Методы сжатия и передачи медиаданных 21/22]]

[[Теория_и_практика_онлайн-экспериментов_21/22 | Теория и практика онлайн-экспериментов 21/22]]

[[Безопасность_компьютерных_систем_21/22 | Безопасность компьютерных систем 21/22]]

[http://wiki.cs.hse.ru/%D0%94%D0%B8%D0%B7%D0%B0%D0%B9%D0%BD_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC_21/22 Дизайн систем]

[http://wiki.cs.hse.ru/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D1%82%D0%B5%D0%BD%D0%B7%D0%BE%D1%80%D0%BD%D1%8B%D1%85_%D0%B2%D1%8B%D1%87%D0%B8%D1%81%D0%BB%D0%B5%D0%BD%D0%B8%D0%B9 Основы тензорых вычислений]

[[Сбор_и_разметка_данных_для_машинного_обучения_21/22 | Сбор и разметка данных для машинного обучения 21/22]]

[[Байесовские_методы_машинного_обучения_2021 | Байесовские методы машинного обучения]]

[[НИС_Машинное_обучение_и_приложения_4_курс_2021/2022 | НИС Машинное обучение и приложения 4 курс]]

[https://artemova.notion.site/artemova/c88a68750cff4b509699fa127be11801 Глубинное обучение для текстовых данных 2021/2022]

[http://wiki.cs.hse.ru/LSML_2021/2022 Машинное обучение для больших данных 21/22]

[[Эффективные системы глубинного обучения 21/22|Эффективные системы глубинного обучения]]

'''ПМИ / РС'''

[https://osukhoroslov-hse.notion.site/2-0cd36b67b9f64182bfeabcda9ede647a НИС Распределенные системы 2]

[[msbdp_21 | Методы и системы обработки больших данных]]

[https://osukhoroslov-hse.notion.site/cee4a50ac8cf4e328cefbd35cf822fa5 Облачные вычисления]

'''ПМИ / ТИ'''

[[InfTheory2021 | Теория информации]]

[[OWF2021 | Односторонние функции и их применения]]

[[ConvAppr22 | Выпуклое программирование и аппроксимационные алгоритмы ]]

'''ПАД'''

[[Statistics 4mr 2021-22 | Statistical Methods for Market Research (DSBA)]]

[[Decision Making Strategy]]

||

[[Дополнительные_главы_теории_вероятностей_2022|ДГТВ]]

[[Дополнительные_главы_теории_вероятностей-2_2021/2022|ДГТВ-2]]

[[Теория_вычислений_2022|Теория вычислений]]

[[NonClassicalLogics|Факультатив "Неклассические логики" (3 модуль)]]

[[Криптография_на_решётках_21/22| Криптография на решётках]]

[http://wiki.cs.hse.ru/%D0%9C%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%91%D0%B8%D0%BE%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%B3%D0%BE%D0%B4_2021/22 Майнор Биоинформатика 1 год 2021/22]

[[Майнор_Биоинформатика_2_год_2021/22|Майнор Биоинформатика 2 год 2021/22]]

[[Введение_в_программирование_21/22_(майнор_ИАД) | Введение в программирование 21/22 (майнор ИАД)]]

[[Основы_машинного_обучения | Основы машинного обучения (майнор ИАД)]]

[[Основы_глубинного_обучения | Основы глубинного обучения (майнор ИАД)]]

[[Прикладные_задачи_анализа_данных | Прикладные задачи анализа данных (майнор ИАД)]]

[[Функциональное_программирование_2019 | Функциональное программирование 2021]]

[[KotlinElective|Факультатив "Язык Kotlin" (ноя-дек 2021)]]

[[Dopglavy_DM_2022| Дополнительные главы дискретной математики]]

[[Факультатив_Data_Science_в_игровой_индустрии_(SAS) | Факультатив Data Science в игровой индустрии (SAS)]]

[[Факультатив_Анализ_данных_на_платформе_SAS | Факультатив Анализ данных на платформе SAS]]

[https://rroll.to/2D8yXl Основы и методология пикапа на ПМИ 2021/2022]

|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==

=== 2 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули
|-
| [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%D0%BD%D0%B0_%D1%8F%D0%B7%D1%8B%D0%BA%D0%B5_Python,_%D0%B6%D1%83%D1%80%D0%BD%D0%B0%D0%BB%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_2022 Программирование на языке Python] || Журналистика || 2 курс || 4 модуль
|-
| [http://wiki.cs.hse.ru/Программирование_на_Python_деп_медиа_2022 Программирование на языке Python] || Журналистика и Медиакоммуникации || 1 курс || 3 модуль
|-
| [http://wiki.cs.hse.ru/Python_для_ОП_%22Психология%22_2021/2022 Программирование на языке Python] ||Психология || 1 курс || 3-4 модуль
|-
| [http://wiki.cs.hse.ru/Python_для_ОП_%22Экономика_и_статистика%22_и_ОП_%22География_глобальных_изменений%22_2021/2022 Программирование на языке Python] ||Экономика и статистика; География глобальных изменений || 2 курс || 3 модуль
|-
| [[Культура работы с данными]] ||Иностранные языки и межкультурная коммуникация || 1 курс || 3-4 модуль
|-
| [[Машинное обучение на матфаке 2022|Машинное обучение]] || Математика || 3-4 модули || 3-4 модули
|-
| [[Введение_в_МО_БИ_21/22| Введение в машинное обучение]] || Бизнес-информатика || 3 курс || 3-4 модули
|-
| [[Excel для анализа данных 21-22]] || Иностранные языки и межкультурная коммуникация || 4 курс || 3 модуль
|-
| [[Введение в Data Science 21-22]] || УБ и МиРА || 2 курс || 4 модуль
|-
| [[Основы программирования в Python (Мирэк) 2022 | Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модуль
|-
|[http://wiki.cs.hse.ru/Python_%D0%B4%D0%BB%D1%8F_%D0%B8%D0%B7%D0%B2%D0%BB%D0%B5%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B8_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%A5%D0%B8%D0%BC%D0%B8%D1%8F Python для извлечения и обработки данных] || Химия || 2 курс || 4 модуль
|-
| [http://wiki.cs.hse.ru/Цифровая_грамотность_Городское_планирование_2021-2022 Цифровая грамотность] || Городское планирование || 1 курс || 4 модуль
|}

=== 1 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули
|-
| [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_%D0%93%D0%B5%D0%BE%D0%B3%D1%80%D0%B0%D1%84%D0%B8%D1%8F_2020/21 Цифровая грамотность] || География глобальных измерений и геоинформационные технологии || 1 курс || 1-2 модули
|-
| [[Цифровая грамотность, Востоковедение 2021/2022| Цифровая грамотность]] || Востоковедение || 1 курс || 1-2 модули
|-
|[[Цифровая Грамотность ИКВиА 2021/2022 | Цифровая грамотность]] || ИКВиА || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%98%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_%D0%B2_%D0%B4%D0%B5%D1%8F%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B8_%D1%8E%D1%80%D0%B8%D1%81%D1%82%D0%B0_2018-2019 Цифровая грамотность] || Юриспруденция || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%98%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_%D0%B2_%D0%B4%D0%B5%D1%8F%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B8_%D1%8E%D1%80%D0%B8%D1%81%D1%82%D0%B0_2018-2019 Цифровая грамотность] || Юриспруденция:частное право || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_%D0%98%D1%81%D1%82%D0%BE%D1%80%D0%B8%D1%8F_2021/2022 Цифровая грамотность] ||История || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Цифровая_грамотность_Филология_2021/2022 Цифровая грамотность] || Филология || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_2020-21_(%D0%9A%D1%83%D0%BB%D1%8C%D1%82%D1%83%D1%80%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F) Цифровая грамотность] || Культурология || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_%D0%94%D0%B5%D0%BF%D0%B0%D1%80%D1%82%D0%B0%D0%BC%D0%B5%D0%BD%D1%82_%D0%9C%D0%B5%D0%B4%D0%B8%D0%B0_2021-2022 Цифровая грамотность] || Медиакоммуникации и Журналистика || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Цифровая_грамотность_Философия_2021/2022 Цифровая грамотность] || Философия || 1 курс || 1-2 модуль
|-
| [http://wiki.cs.hse.ru/Основы_программирования_на_Python_осень_2021_матфак Основы программирования на Python] || Математика || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%B2_R,_%D0%A1%D0%BE%D1%86%D0%B8%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F Анализ данных в R] || Социология || 4 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%9F%D0%9C%D0%A1%D0%90%D0%A0-2_2020 Методы анализа больших данных в исследованиях поведения покупателя] || Прикладные методы социального анализа рынков (магистратура) || 2 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2021-2022 Машинное обучение] || Экономика || 3,4 курс || 1-2 модули
|-
| [[Программирование_ЭкСтат_ГП | Программирование на языке Python ]] || Городское планирование, Экономика и статистика || 3 курс || 1-2 модули
|-
| [[Основы анализа данных в международных отношениях 2021/2022 | Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Python_%D0%B4%D0%BB%D1%8F_%D0%B8%D0%B7%D0%B2%D0%BB%D0%B5%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B8_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 Python извлечение и обработка данных] || Клеточная и молекулярная биотехнология || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%B2_Python_(%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_2020) Основы программирования в Python ] || Политология || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Основы_работы_с_данными:_сбор,_анализ,_визуализация_(ОП_%22Журналистика%22) Основы работы с данными: сбор, анализ, визуализация] || Журналистика || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_Data_Science Data Science] || Экономика впечатлений: менеджмент в индустрии гостеприимства и туризме (магистратура) || 1 курс || 2 модуль
|-
| [http://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2021) Машинное обучение] || Совместный бакалавриат НИУ ВШЭ и РЭШ || 3 курс || 1-2 модули
|-
|
|| Бакалавриат НИУ ВШЭ и Лондонского университета || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Data_Analysis_in_Economics_and_Finance_2020-2021 Data Analysis in Economics and Finance] || Бакалавриат НИУ ВШЭ и Лондонского университета || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Data_Analysis_in_Journalism_and_Political_Science_2020-2021 Data Analysis in Journalism and Political Science]|| Бакалавриат НИУ ВШЭ и Лондонского университета || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D1%8B%D0%B5_%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%B2_%D0%BA%D1%83%D0%BB%D1%8C%D1%82%D1%83%D1%80%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_2020_1%D0%BC%D0%BE%D0%B4%D1%83%D0%BB%D1%8C Прикладные исследования в культурологии] || Прикладная культурология (магистратура) || 1 курс || 1 модуль
|-
| [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%D0%B8_%D0%BA%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D1%8B%D0%B5_%D0%B8%D0%BD%D1%81%D1%82%D1%80%D1%83%D0%BC%D0%B5%D0%BD%D1%82%D1%8B_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B3%D0%BE_%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F Программирование и лингвистические данные] || Фундаментальная и компьютерная лингвистика || 1 курс || 1, 2, 3, 4 модули
|-
| [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%D0%B8_%D0%BA%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D1%8B%D0%B5_%D0%B8%D0%BD%D1%81%D1%82%D1%80%D1%83%D0%BC%D0%B5%D0%BD%D1%82%D1%8B_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B3%D0%BE_%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F Программирование и лингвистические данные] || Фундаментальная и компьютерная лингвистика || 1 курс || 1, 2, 3 модули
|-
| [http://wiki.cs.hse.ru/%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8 Программирование и теория алгоритмов] || Фундаментальная и компьютерная лингвистика || 3 курс || 2, 3, 4 модули
|-
| [https://github.com/daria-sa/NNmethods_ba_hse21-22/ Нейросетевые методы в обработке текстов] || Фундаментальная и компьютерная лингвистика || 4 курс || 1, 2, 3 модули
|-

|}

== Курсы магистратуры ФКН ==

{| class="wikitable"
|-
| [[Modern_Data_Analysis_2021_2022 | Modern Data Analysis]] || Data Science (Науки о данных) || 2 year
|-
| [[Project_Seminar_2021_2022 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 year
|-
| [[Theory of Computation 2021 | Theory of Computation]] || Науки о данных, специализация ТИ || 1 year
|-
| [[ConvAppr22 | Выпуклое программирование и аппроксимационные алгоритмы ]] || Науки о данных, специализация ТИ || 1 year
|-
| [[RecSys_2021_2022 | Рекомендательные системы]] || ФТИАД || 2 year
|-
| [[Stochastic_analysis_2021_2022 | Стохастический анализ 2021-2022]] || Math of Machine Learning || 1 year
|-
| [[Reinforcement_learning_2021_2022 | Математические основы обучения с подкреплением 2021-2022]] || Math of Machine Learning || 2 year
|-
| [[Theoretical_Computer_Science_2022 | Theoretical computer science 2021-2022]] || Theoretical computer science || PhD
|-
| [[Машинное_обучение_(современные_методы)-МОиВС-2021-2022 | Машинное обучение (современные методы)]] || Машинное обучение и высоконагруженные системы|| 1 year
|-
| [[Алгоритмы_и_структуры_данных-МОиВС-2021-2022 | Алгоритмы и структуры данных]] || Машинное обучение и высоконагруженные системы|| 1 year
|-
| [[Основы_промышленной_разработки-МОиВС-2021-2022 | Основы промышленной разработки]] || Машинное обучение и высоконагруженные системы|| 1 year
|-
| [[Глубинное обучение-МОиВС-2022-2023 | Глубинное обучение]] || Машинное обучение и высоконагруженные системы|| 1 year
|-
|}

== Курсы других факультетов ==

{| class="wikitable"
|-
! Дисциплина !! Курс !! Период
|-
| [http://wiki.cs.hse.ru/Econ_probability_2021-22 Теория вероятностей и математическая статистика] || фэн, 2 курс || 1-4 модуль
|-
| [[Динамическая оптимизация в экономике и финансах, фэн, 2021/22|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль
|-
|}

= Архив до 2020/21 учебного года включительно =
[[Wiki ФКН/Архив]]

Глубинное обучение 22

2022-09-07T10:29:48Z

M.ryabinin: M.ryabinin переименовал страницу Глубинное обучение 22 в Глубинное обучение 2022

#перенаправление [[Глубинное обучение 2022]]

Глубинное обучение 2022

2022-09-07T10:29:48Z

M.ryabinin: M.ryabinin переименовал страницу Глубинное обучение 22 в Глубинное обучение 2022

=== Расписание ===

'''Лекция:''' [https://www.hse.ru/staff/mryabinin Максим Рябинин], среда 11:10-12:30

'''Семинары'''
{| class="wikitable"
|-
! Группа !! Семинарист !! Контакты !! Расписание
|-
| Оффлайн 191 || [https://www.hse.ru/org/persons/190912012 Иван Рубачев] || https://t.me/puhsuuu || среда 13:00, G110
|-
| Онлайн 192 ||[https://www.hse.ru/org/persons/225547289 Аким Котельников]|| https://t.me/akimkot || среда 13:00
|-
| Онлайн 193 ||[https://www.hse.ru/staff/mryabinin Максим Рябинин]|| https://t.me/mryab || среда 13:00
|-
|}

''Ассистенты''
{| class="wikitable"
|-
! Группа !! Ассистент
|-
| 191 || [https://t.me/team_mur Тимур Ваньков], [https://t.me/Blackaddder Денис Кузнеделев]
|-
| 192 || [https://t.me/horror_in_black Александра Коган], [https://t.me/timothyxp Тимофей Смирнов]
|-
| 193 ||[https://t.me/baranovskayadaria Даша Барановская], [https://t.me/nickkartashev Николай Карташев]
|-
|}

'''Почта курса''': cs.hse.dl@gmail.com (важные письма лучше дублировать на почту лектору)

'''[TBA Таблица с оценками]''' 
'''[https://www.github.com/mryab/dl-hse-ami Репозиторий с материалами]''' 
'''[https://t.me/dl22_announcements Telegram-канал курса]''' 
'''[https://forms.gle/Z7bUKkZXGBDf7YFx9 Доступ к DataSphere (дедлайн 05.10)] 
'''[TBA Anytask]''' 

== Краткое описание ==

Курс по Deep Learning. Рассказываем про архитектуры нейросетей, их обучение, разные области применения Deep Learning. Используем PyTorch.

Примерно каждую неделю будут выдаваться МДЗ (маленькие домашние задания) по теме лекций. Также за весь курс будут выданы три БДЗ (большие домашние задания) на темы CV, NLP, image2image. Также планируются проверочные работы по материалам лекций. Для выполнения МДЗ достаточно будет [https://colab.research.google.com Google Colab], для БДЗ будет выдан доступ в Yandex DataSphere. ДЗ сдаются в Anytask.

У МДЗ есть мягкие и жесткие дедлайны. После жёсткого дедлайна штраф составляет 10% от оценки в день. После жёсткого дедлайна работа не принимается, дедлайны не переносятся. У больших ДЗ есть чекпойнт, к которому нужно сдать бейзлайн (базовое решение для задачи, работающее с минимально допустимым качеством).

'''Плагиат''':

*Задания делаются индивидуально
*Обсуждать между собой решения можно (но напишите в решении, с кем вы его обсуждали)
*Код должен быть написан самостоятельно
*В заданиях сказано, откуда можно копировать код
*Можно (и нужно) пользоваться ресурсами библиотеки PyTorch
*Документация: [https://pytorch.org/docs/stable/index.html]
*Туториалы: [https://pytorch.org/tutorials]
*Примеры: [https://github.com/pytorch/examples]

'''ВАЖНО'''
*Копировать другой код из интернета или у соседа нельзя. В случае обнаружения плагиата мы будем без предупреждений направлять служебную записку в учебный офис
*Обязательно указывать источники, которыми вы вдохновлялись (в том числе других студентов)
*Если непонятно, можно ли что-то использовать, то спросите нас

== Система выставления оценок ==

Итоговая формула выставления оценки выглядит следующим образом:

О_результ = round(0.3*О_экз + 0.7*О_накоп)

О_накоп = 0.3*О_small + 0.7*O_big

Если накопленная оценка >= 6 после округления, то есть возможность получить '''автомат''' за курс

O_small = среднее по МДЗ и проверочным

O_big = O_1*w1 + O_2*w2 + O_3*w3 (оценки за большие дз с весами)

[w1, w2, w3] = softmin([O_1, O_2, O_3]/20), [https://pytorch.org/docs/stable/generated/torch.nn.Softmin.html Что такое Softmin?]

== Fast track ==

Если вы проходили курс по DL где-то ещё, его можно '''перезачесть'''. Схема индивидуальная для каждого студента (писать Максиму).

Глубинное обучение 2022

2022-09-07T10:28:02Z

M.ryabinin:

=== Расписание ===

'''Лекция:''' [https://www.hse.ru/staff/mryabinin Максим Рябинин], среда 11:10-12:30

'''Семинары'''
{| class="wikitable"
|-
! Группа !! Семинарист !! Контакты !! Расписание
|-
| Оффлайн 191 || [https://www.hse.ru/org/persons/190912012 Иван Рубачев] || https://t.me/puhsuuu || среда 13:00, G110
|-
| Онлайн 192 ||[https://www.hse.ru/org/persons/225547289 Аким Котельников]|| https://t.me/akimkot || среда 13:00
|-
| Онлайн 193 ||[https://www.hse.ru/staff/mryabinin Максим Рябинин]|| https://t.me/mryab || среда 13:00
|-
|}

''Ассистенты''
{| class="wikitable"
|-
! Группа !! Ассистент
|-
| 191 || [https://t.me/team_mur Тимур Ваньков], [https://t.me/Blackaddder Денис Кузнеделев]
|-
| 192 || [https://t.me/horror_in_black Александра Коган], [https://t.me/timothyxp Тимофей Смирнов]
|-
| 193 ||[https://t.me/baranovskayadaria Даша Барановская], [https://t.me/nickkartashev Николай Карташев]
|-
|}

'''Почта курса''': cs.hse.dl@gmail.com (важные письма лучше дублировать на почту лектору)

'''[TBA Таблица с оценками]''' 
'''[https://www.github.com/mryab/dl-hse-ami Репозиторий с материалами]''' 
'''[https://t.me/dl22_announcements Telegram-канал курса]''' 
'''[https://forms.gle/Z7bUKkZXGBDf7YFx9 Доступ к DataSphere (дедлайн 05.10)] 
'''[TBA Anytask]''' 

== Краткое описание ==

Курс по Deep Learning. Рассказываем про архитектуры нейросетей, их обучение, разные области применения Deep Learning. Используем PyTorch.

Примерно каждую неделю будут выдаваться МДЗ (маленькие домашние задания) по теме лекций. Также за весь курс будут выданы три БДЗ (большие домашние задания) на темы CV, NLP, image2image. Также планируются проверочные работы по материалам лекций. Для выполнения МДЗ достаточно будет [https://colab.research.google.com Google Colab], для БДЗ будет выдан доступ в Yandex DataSphere. ДЗ сдаются в Anytask.

У МДЗ есть мягкие и жесткие дедлайны. После жёсткого дедлайна штраф составляет 10% от оценки в день. После жёсткого дедлайна работа не принимается, дедлайны не переносятся. У больших ДЗ есть чекпойнт, к которому нужно сдать бейзлайн (базовое решение для задачи, работающее с минимально допустимым качеством).

'''Плагиат''':

*Задания делаются индивидуально
*Обсуждать между собой решения можно (но напишите в решении, с кем вы его обсуждали)
*Код должен быть написан самостоятельно
*В заданиях сказано, откуда можно копировать код
*Можно (и нужно) пользоваться ресурсами библиотеки PyTorch
*Документация: [https://pytorch.org/docs/stable/index.html]
*Туториалы: [https://pytorch.org/tutorials]
*Примеры: [https://github.com/pytorch/examples]

'''ВАЖНО'''
*Копировать другой код из интернета или у соседа нельзя. В случае обнаружения плагиата мы будем без предупреждений направлять служебную записку в учебный офис
*Обязательно указывать источники, которыми вы вдохновлялись (в том числе других студентов)
*Если непонятно, можно ли что-то использовать, то спросите нас

== Система выставления оценок ==

Итоговая формула выставления оценки выглядит следующим образом:

О_результ = round(0.3*О_экз + 0.7*О_накоп)

О_накоп = 0.3*О_small + 0.7*O_big

Если накопленная оценка >= 6 после округления, то есть возможность получить '''автомат''' за курс

O_small = среднее по МДЗ и проверочным

O_big = O_1*w1 + O_2*w2 + O_3*w3 (оценки за большие дз с весами)

[w1, w2, w3] = softmin([O_1, O_2, O_3]/20), [https://pytorch.org/docs/stable/generated/torch.nn.Softmin.html Что такое Softmin?]

== Fast track ==

Если вы проходили курс по DL где-то ещё, его можно '''перезачесть'''. Схема индивидуальная для каждого студента (писать Максиму).

Глубинное обучение 2022

2022-09-07T10:27:08Z

M.ryabinin:

=== Расписание ===

'''Лекция:''' [https://www.hse.ru/staff/mryabinin Максим Рябинин], среда 11:10-12:30

'''Семинары'''
{| class="wikitable"
|-
! Группа !! Семинарист !! Контакты !! Расписание
|-
| Оффлайн 191 || [https://www.hse.ru/org/persons/190912012 Иван Рубачев] || https://t.me/puhsuuu || среда 13:00, G110
|-
| Онлайн 192 ||[https://www.hse.ru/org/persons/225547289 Аким Котельников]|| https://t.me/akimkot || среда 13:00
|-
| Онлайн 193 ||[https://www.hse.ru/staff/mryabinin Максим Рябинин]|| https://t.me/mryab || среда 13:00
|-
|}

''Ассистенты''
{| class="wikitable"
|-
! Группа !! Ассистент
|-
| 191 || [https://t.me/team_mur Тимур Ваньков], [https://t.me/Blackaddder Денис Кузнеделев]
|-
| 192 || [https://t.me/horror_in_black Александра Коган], [https://t.me/timothyxp Тимофей Смирнов]
|-
| 193 ||[https://t.me/baranovskayadaria Даша Барановская], [https://t.me/nickkartashev Николай Карташев]
|-
|}

'''Почта курса''': cs.hse.dl@gmail.com (важные письма лучше дублировать на почту лектору)

'''[TBA Таблица с оценками]''' 
'''[https://www.github.com/mryab/dl-hse-ami Репозиторий с материалами]''' 
'''[https://t.me/dl22_announcements Telegram-канал курса]''' 
'''[https://forms.gle/Z7bUKkZXGBDf7YFx9 Доступ к DataSphere (дедлайн 05.10)]
'''[TBA Anytask]''' 

== Краткое описание ==

Курс по Deep Learning. Рассказываем про архитектуры нейросетей, их обучение, разные области применения Deep Learning. Используем PyTorch.

Примерно каждую неделю будут выдаваться МДЗ (маленькие домашние задания) по теме лекций. Также за весь курс будут выданы три БДЗ (большие домашние задания) на темы CV, NLP, image2image. Также планируются проверочные работы по материалам лекций. Для выполнения МДЗ достаточно будет [https://colab.research.google.com Google Colab], для БДЗ будет выдан доступ в Yandex DataSphere. ДЗ сдаются в Anytask.

У МДЗ есть мягкие и жесткие дедлайны. После жёсткого дедлайна штраф составляет 10% от оценки в день. После жёсткого дедлайна работа не принимается, дедлайны не переносятся. У больших ДЗ есть чекпойнт, к которому нужно сдать бейзлайн (базовое решение для задачи, работающее с минимально допустимым качеством).

'''Плагиат''':

*Задания делаются индивидуально
*Обсуждать между собой решения можно (но напишите в решении, с кем вы его обсуждали)
*Код должен быть написан самостоятельно
*В заданиях сказано, откуда можно копировать код
*Можно (и нужно) пользоваться ресурсами библиотеки PyTorch
*Документация: [https://pytorch.org/docs/stable/index.html]
*Туториалы: [https://pytorch.org/tutorials]
*Примеры: [https://github.com/pytorch/examples]

'''ВАЖНО'''
*Копировать другой код из интернета или у соседа нельзя. В случае обнаружения плагиата мы будем без предупреждений направлять служебную записку в учебный офис
*Обязательно указывать источники, которыми вы вдохновлялись (в том числе других студентов)
*Если непонятно, можно ли что-то использовать, то спросите нас

== Система выставления оценок ==

Итоговая формула выставления оценки выглядит следующим образом:

О_результ = round(0.3*О_экз + 0.7*О_накоп)

О_накоп = 0.3*О_small + 0.7*O_big

Если накопленная оценка >= 6 после округления, то есть возможность получить '''автомат''' за курс

O_small = среднее по МДЗ и проверочным

O_big = O_1*w1 + O_2*w2 + O_3*w3 (оценки за большие дз с весами)

[w1, w2, w3] = softmin([O_1, O_2, O_3]/20), [https://pytorch.org/docs/stable/generated/torch.nn.Softmin.html Что такое Softmin?]

== Fast track ==

Если вы проходили курс по DL где-то ещё, его можно '''перезачесть'''. Схема индивидуальная для каждого студента (писать Максиму).

Глубинное обучение 2022

2022-09-06T20:22:01Z

M.ryabinin:

'''Страница в разработке'''

=== Расписание ===

'''Лекция:''' [https://www.hse.ru/staff/mryabinin Максим Рябинин], среда 11:10-12:30

'''Семинары'''
{| class="wikitable"
|-
! Группа !! Семинарист !! Контакты !! Расписание
|-
| Оффлайн 191 || [https://www.hse.ru/org/persons/190912012 Иван Рубачев] || https://t.me/puhsuuu || среда 13:00, G110
|-
| Онлайн 192 ||[https://www.hse.ru/org/persons/225547289 Аким Котельников]|| https://t.me/akimkot || среда 13:00
|-
| Онлайн 193 ||[https://www.hse.ru/staff/mryabinin Максим Рябинин]|| https://t.me/mryab || среда 13:00
|-
|}

''Ассистенты''
{| class="wikitable"
|-
! Группа !! Ассистент
|-
| 191 || [https://t.me/team_mur Тимур Ваньков], [https://t.me/Blackaddder Денис Кузнеделев]
|-
| 192 || [https://t.me/horror_in_black Александра Коган], [https://t.me/timothyxp Тимофей Смирнов]
|-
| 193 ||[https://t.me/baranovskayadaria Даша Барановская], [https://t.me/nickkartashev Николай Карташев]
|-
|}

'''Почта курса''': cs.hse.dl@gmail.com (важные письма лучше дублировать на почту лектору)

'''[TBA Таблица с оценками]''' 
'''[https://www.github.com/mryab/dl-hse-ami Репозиторий с материалами]''' 
'''[TBA Записи занятий]''' 
'''[TBA Telegram-чат]''' 
'''[TBA Anytask]''' 

== Краткое описание ==

Курс по Deep Learning. Рассказываем про архитектуры нейросетей, их обучение, разные области применения Deep Learning. Используем PyTorch.

Примерно каждую неделю будут выдаваться МДЗ (маленькие домашние задания) по теме лекций. Также за весь курс будут выданы три БДЗ (большие домашние задания) на темы CV, NLP, image2image. Также планируются проверочные работы по материалам лекций. Для выполнения МДЗ достаточно будет [https://colab.research.google.com Google Colab], для БДЗ будет выдан доступ в Yandex DataSphere. ДЗ сдаются в Anytask.

У МДЗ есть мягкие и жесткие дедлайны. После жёсткого дедлайна штраф составляет 10% от оценки в день. После жёсткого дедлайна работа не принимается, дедлайны не переносятся. У больших ДЗ есть чекпойнт, к которому нужно сдать бейзлайн (базовое решение для задачи, работающее с минимально допустимым качеством).

'''Плагиат''':

*Задания делаются индивидуально
*Обсуждать между собой решения можно (но напишите в решении, с кем вы его обсуждали)
*Код должен быть написан самостоятельно
*В заданиях сказано, откуда можно копировать код
*Можно (и нужно) пользоваться ресурсами библиотеки PyTorch
*Документация: [https://pytorch.org/docs/stable/index.html]
*Туториалы: [https://pytorch.org/tutorials]
*Примеры: [https://github.com/pytorch/examples]

'''ВАЖНО'''
*Копировать другой код из интернета или у соседа нельзя. В случае обнаружения плагиата мы будем без предупреждений направлять служебную записку в учебный офис
*Обязательно указывать источники, которыми вы вдохновлялись (в том числе других студентов)
*Если непонятно, можно ли что-то использовать, то спросите нас

== Система выставления оценок ==

Итоговая формула выставления оценки выглядит следующим образом:

О_результ = round(0.3*О_экз + 0.7*О_накоп)

О_накоп = 0.3*О_small + 0.7*O_big

Если накопленная оценка >= 6 после округления, то есть возможность получить '''автомат''' за курс

O_small = среднее по МДЗ и проверочным

O_big = O_1*w1 + O_2*w2 + O_3*w3 (оценки за большие дз с весами)

[w1, w2, w3] = softmin([O_1, O_2, O_3]/20), [https://pytorch.org/docs/stable/generated/torch.nn.Softmin.html Что такое Softmin?]

== Fast track ==

Если вы проходили курс по DL где-то ещё, его можно '''перезачесть'''. Схема индивидуальная для каждого студента (писать Максиму).

Эффективные системы глубинного обучения 21/22

2022-03-19T12:49:20Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович]

Занятия проходят по субботам в 13:00 – 16:00.

=== Полезные ссылки ===

[https://anytask.org/course/892 Anytask] для сдачи заданий (инвайт <code>KZ3mOmY</code>)

Канал в Telegram для объявлений: https://t.me/efficientdl_22

Чат в Telegram для обсуждения курса: https://t.me/+Cqa8QoxEcPJhZWUy

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/MkJE7bzoiAQYP9Ay6 Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено три домашних задания:

1. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

2. Профилирование DL-кода и эффективные пайплайны обучения

3. Вывод нейросетей в production и ускорение их работы (состоит из 2 частей)

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.375*OДЗ1+0.125*OДЗ2+0.5*OДЗ3

Округление оценки арифметическое.

=== Правила сдачи заданий ===

Дедлайны заданий объявляются в момент их выдачи.

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. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Эффективные системы глубинного обучения 21/22

2022-02-05T19:42:10Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович]

Занятия проходят по субботам в 13:00 – 16:00.

=== Полезные ссылки ===

[https://anytask.org/course/892 Anytask] для сдачи заданий (инвайт <code>KZ3mOmY</code>)

Канал в Telegram для объявлений: https://t.me/efficientdl_22

Чат в Telegram для обсуждения курса: https://t.me/+Cqa8QoxEcPJhZWUy

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/MkJE7bzoiAQYP9Ay6 Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено четыре домашних задания:

1. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

2. Профилирование DL-кода и эффективные пайплайны обучения

3. Вывод нейросетей в production и ускорение их работы (состоит из 3 частей)

4. Управление экспериментами, тестирование и мониторинг моделей

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.3*OДЗ1+0.1*OДЗ2+0.4*OДЗ3+0.2*OДЗ4

Округление оценки арифметическое.

=== Правила сдачи заданий ===

Дедлайны заданий объявляются в момент их выдачи.

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. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Эффективные системы глубинного обучения 21/22

2022-01-27T02:11:19Z

M.ryabinin: -1

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович]

Занятия проходят по субботам в 13:00 – 16:00.

=== Полезные ссылки ===

[https://anytask.org/course/892 Anytask] для сдачи заданий (инвайты будут отправлены по почте)

Канал в Telegram для объявлений: https://t.me/efficientdl_22

Чат в Telegram для обсуждения курса: https://t.me/+Cqa8QoxEcPJhZWUy

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/MkJE7bzoiAQYP9Ay6 Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено четыре домашних задания:

1. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

2. Профилирование DL-кода и эффективные пайплайны обучения

3. Вывод нейросетей в production и ускорение их работы (состоит из 3 частей)

4. Управление экспериментами, тестирование и мониторинг моделей

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.3*OДЗ1+0.1*OДЗ2+0.4*OДЗ3+0.2*OДЗ4

Округление оценки арифметическое.

=== Правила сдачи заданий ===

Дедлайны заданий объявляются в момент их выдачи.

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. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Эффективные системы глубинного обучения 21/22

2022-01-15T07:15:59Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович], Факанов Павел Александрович

Занятия проходят по субботам в 13:00 – 16:00.

=== Полезные ссылки ===

[https://anytask.org/course/892 Anytask] для сдачи заданий (инвайты будут отправлены по почте)

Канал в Telegram для объявлений: https://t.me/efficientdl_22

Чат в Telegram для обсуждения курса: https://t.me/+Cqa8QoxEcPJhZWUy

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/MkJE7bzoiAQYP9Ay6 Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено четыре домашних задания:

1. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

2. Профилирование DL-кода и эффективные пайплайны обучения

3. Вывод нейросетей в production и ускорение их работы (состоит из 3 частей)

4. Управление экспериментами, тестирование и мониторинг моделей

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.3*OДЗ1+0.1*OДЗ2+0.4*OДЗ3+0.2*OДЗ4

Округление оценки арифметическое.

=== Правила сдачи заданий ===

Дедлайны заданий объявляются в момент их выдачи.

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. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Эффективные системы глубинного обучения 21/22

2022-01-13T10:19:07Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович], Факанов Павел Александрович

Занятия проходят по субботам в 13:00 – 16:00.

=== Полезные ссылки ===

[https://anytask.org/course/892 Anytask] для сдачи заданий (инвайты будут отправлены по почте)

Канал в Telegram для объявлений: https://t.me/+_2A6MJZOMJQ2MjEy

Чат в Telegram для обсуждения курса: https://t.me/+Cqa8QoxEcPJhZWUy

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/MkJE7bzoiAQYP9Ay6 Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено четыре домашних задания:

1. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

2. Профилирование DL-кода и эффективные пайплайны обучения

3. Вывод нейросетей в production и ускорение их работы (состоит из 3 частей)

4. Управление экспериментами, тестирование и мониторинг моделей

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.3*OДЗ1+0.1*OДЗ2+0.4*OДЗ3+0.2*OДЗ4

Округление оценки арифметическое.

=== Правила сдачи заданий ===

Дедлайны заданий объявляются в момент их выдачи.

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. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Эффективные системы глубинного обучения 21/22

2022-01-13T10:18:58Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович], Факанов Павел Александрович

Занятия проходят по субботам в 13:00–16:00.

=== Полезные ссылки ===

[https://anytask.org/course/892 Anytask] для сдачи заданий (инвайты будут отправлены по почте)

Канал в Telegram для объявлений: https://t.me/+_2A6MJZOMJQ2MjEy

Чат в Telegram для обсуждения курса: https://t.me/+Cqa8QoxEcPJhZWUy

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/MkJE7bzoiAQYP9Ay6 Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено четыре домашних задания:

1. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

2. Профилирование DL-кода и эффективные пайплайны обучения

3. Вывод нейросетей в production и ускорение их работы (состоит из 3 частей)

4. Управление экспериментами, тестирование и мониторинг моделей

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.3*OДЗ1+0.1*OДЗ2+0.4*OДЗ3+0.2*OДЗ4

Округление оценки арифметическое.

=== Правила сдачи заданий ===

Дедлайны заданий объявляются в момент их выдачи.

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. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Эффективные системы глубинного обучения 21/22

2022-01-13T10:18:43Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович], Факанов Павел Александрович

Занятия проходят по субботам в 13:00 – 16:00.

=== Полезные ссылки ===

[https://anytask.org/course/892 Anytask] для сдачи заданий (инвайты будут отправлены по почте)

Канал в Telegram для объявлений: https://t.me/+_2A6MJZOMJQ2MjEy

Чат в Telegram для обсуждения курса: https://t.me/+Cqa8QoxEcPJhZWUy

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/MkJE7bzoiAQYP9Ay6 Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено четыре домашних задания:

1. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

2. Профилирование DL-кода и эффективные пайплайны обучения

3. Вывод нейросетей в production и ускорение их работы (состоит из 3 частей)

4. Управление экспериментами, тестирование и мониторинг моделей

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.3*OДЗ1+0.1*OДЗ2+0.4*OДЗ3+0.2*OДЗ4

Округление оценки арифметическое.

=== Правила сдачи заданий ===

Дедлайны заданий объявляются в момент их выдачи.

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. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Эффективные системы глубинного обучения 21/22

2022-01-13T10:18:25Z

M.ryabinin:

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/staff/mryabinin Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович], Факанов Павел Александрович

Занятия проходят по субботам в 13:00 – 16:00.

=== Полезные ссылки ===

[https://anytask.org/course/892 Anytask] для сдачи заданий (инвайты будут отправлены по почте)

Канал в Telegram для объявлений: https://t.me/+_2A6MJZOMJQ2MjEy

Чат в Telegram для обсуждения курса: https://t.me/+Cqa8QoxEcPJhZWUy

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/MkJE7bzoiAQYP9Ay6 Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено четыре домашних задания:

1. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

2. Профилирование DL-кода и эффективные пайплайны обучения

3. Вывод нейросетей в production и ускорение их работы (состоит из 3 частей)

4. Управление экспериментами, тестирование и мониторинг моделей

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.3*OДЗ1+0.1*OДЗ2+0.4*OДЗ3+0.2*OДЗ4.

Округление оценки арифметическое.

=== Правила сдачи заданий ===

Дедлайны заданий объявляются в момент их выдачи.

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. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Wiki ФКН

2022-01-12T23:48:05Z

M.ryabinin: /* Курсы за 2021/22 учебный год */

__NOTOC__

= Учебные курсы факультета компьютерных наук =

== Курсы за 2021/22 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|
'''ПМИ'''

[[Линейная_алгебра_и_геометрия_на_ПМИ_2021/2022_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный_поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2021/2022_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[Математический_Анализ_1_на_ПМИ_2021/2022_(пилотный_поток) | Математический анализ 1 на ПМИ (пилотный поток)]]

[[Математический_анализ_1_2021/2022_(основной_поток) | Математический анализ-1 на ПМИ (основной поток)]]

[[DM1-2021-22 | Дискретная математика на ПМИ]]

[http://wiki.cs.hse.ru/Основы_и_методология_программирования_на_ПМИ_2021/2022_(основной_поток) Основы и методология программирования на ПМИ 2021/2022 (основной поток)]

[[Алгоритмы и структуры данных пилотный поток 2021/2022 | Алгоритмы и структуры данных пилотный поток 2021/2022]]

[[Алгоритмы и структуры данных 1 основной поток 2021/2022 | Алгоритмы и структуры данных 1 основной поток 2021/2022]]

'''ПИ'''

[[DM1-SE-2021-22 | Дискретная математика-1 ПИ]]

[http://hsealgebra22.wikidot.com/ Алгебра 2021/2022 ПИ]

'''ПАД'''

[[Discrete Mathematics DSBA 2021/2022 | Discrete Mathematics (DSBA)]]

[[LAaG DSBA 2021/2022 | LAaG (DSBA)]]

[[Calculus DSBA 2021/2022 | Calculus (DSBA)]]

[[Introduction to Programming DSBA 2021/2022 | Introduction to Programming (DSBA)]]

'''КНАД'''

[[Математический_анализ_(КНАД) | Математический анализ (КНАД)]]

[[Линейная алгебра_(КНАД) | Линейная алгебра (КНАД)]]

[[Программирование_на_Python | Программирование на Python (КНАД)]]

[[Дискретная_математика_КНАД | Дискретная математика (КНАД)]]

[[Алгоритмы и структуры данных 1 основной поток 2021/2022 | Алгоритмы и структуры данных (КНАД)]]

[[Программирование_на_С++_КНАД | Программирование на С++ (КНАД)]]

[[Python_для_сбора_и_анализа_данных_КНАД | Python для сбора и анализа данных (КНАД)]]

||

'''ПМИ'''

[[Теория_вероятностей_и_математическая_статистика_2021/2022_(пилотный_поток)| ТВиМС (пилотный поток)]]

[[Теория_вероятностей_2021/2022_(основной_поток)| ТВиМС (основной поток)]]

[[Математический анализ 2021/2022 (пилотный поток) | Математический анализ - 2 (пилотный поток)]]

[http://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B8%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_-_2.1_(2021/22) Математический анализ - 2.1 (основной поток)]

[[Математический_анализ_-_2.2_(2021/22) | Математический анализ - 2.2 (основной поток)]]

[[MissingSemester2021/2022 | Инструменты промышленной разработки (The Missing Semester of your CS education)]]

[[Язык программирования C++ (углубленный курс) | Язык программирования C++ (углубленный курс)]]

[[Математическая логика | Математическая логика]]

[[Дифференциальные уравнения (ПМИ)]]

[[Алгоритмы и структуры данных 2 2021 | Алгоритмы и структуры данных 2]]

[[Алгоритмы_и_структуры_данных_пилотный_поток_2020/2021 | Алгоритмы и структуры данных – 2 на ПМИ (пилотный поток)]]

[[CAOS-2021 | Архитектура компьютеров и операционные системы]]

'''ПИ'''

[[Алгоритмы и структуры данных на ПИ 2021/2022 | Алгоритмы и структуры данных на ПИ]]

[[Теория вероятностей и математическая статистика 2021-2022 | Теория вероятностей и математическая статистика]]

[[НИС Методы и алгоритмы защиты информации | НИС Методы и алгоритмы защиты информации]]

'''ПАД'''

[[Discrete Mathematics 2 DSBA 2021/2022 | Discrete Mathematics 2 (DSBA)]]

[[Business_and_Management_in_Global_Context_2021/22 | Business and Management in Global Context (DSBA)]]

[[Statistics_DSBA_2021/2022 | Probability and Statistics (DSBA)]]

[[Differential_Equations_2021 | Differential Equations ]]

[[ACOS_DSBA_2021/2022 | Computer Architecture and Operating Systems (DSBA)]]

||

[[Безопасность_компьютерных_систем_21/22 | Безопасность компьютерных систем 21/22]]

[https://www.notion.so/2021-2022-7374a6eeced2434288226a339bd5037f Курсовая работа]

'''ПМИ'''

[[Машинное_обучение_1 | Машинное обучение 1]]

[[Intro_to_DL_21/22 | Introduction to Deep Learning 21/22 ]]

[[Theory of Computation 2021 | Theory of Computation]]

[https://osukhoroslov-hse.notion.site/082aef7073a844afa4c1bf718a773d77 Распределенные системы]

[https://naorlov.notion.site/naorlov/Nets-2021-51931594039e40aeb9102b784d7a8e70 Компьютерные сети]

[http://wiki.cs.hse.ru/%D0%A7%D0%B8%D1%81%D0%BB%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_2022#.D0.A3.D1.87.D0.B5.D0.B1.D0.BD.D1.8B.D0.B9_.D0.BF.D0.BB.D0.B0.D0.BD Численные методы(2022)]

[http://math-info.hse.ru/s21/8 Прикладные дифференциальные уравнения]

[http://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_22 Математическое моделирование]

[https://osukhoroslov-hse.notion.site/5ca71a3b2b17452599f169468df43408 НИС Распределенные системы]

[http://wiki.cs.hse.ru/NIS-TCS-20-21 НИС Теоретическая информатика]

[[Сбор_и_разметка_данных_для_машинного_обучения_21/22 | Сбор и разметка данных для машинного обучения 21/22]]

[[time_series_modelling_21_22 | Моделирование временных рядов 21/22]]

[[Анализ данных в бизнесе (Кафедра SAS) 21/22 | Анализ данных в бизнесе (Кафедра SAS) 21/22]]

[[Comb2021_2022 | Комбинаторные конструкции в теоретической информатике]]

'''ПМИ / МОП'''

[http://wiki.cs.hse.ru/Psmo_21_22 Прикладная статистика в машинном обучении 21/22]

[[НИС_Машинное_обучение_и_приложения_3_курс_2021/2022 | НИС Машинное обучение и приложения 3 курс]]

[[Statistical_learning_theory_2021 | Statistical learning theory]]

[[Методы оптимизации в машинном обучении 2022| Методы оптимизации в машинном обучении 2022]]

'''ПИ'''

[[ML4SE_1 | НИС Машинное обучение для программной инженерии]]

[[Технологии прикладного анализа данных SAS | Технологии прикладного анализа данных SAS]]

'''ПАД'''

[http://wiki.cs.hse.ru/Time_Series_and_Stochastic_Processes_ada_21_22 Time series and stochastic processes 2021-22]

[[Data Science Case Studies (JD SAS) 21/22 | Data Science Case Studies (JD SAS) 21/22]]

[[SAS Technologies for Data Mining | SAS Technologies for Data Mining]]

||

[[Символьные_вычисления_21/22 | Символьные вычисления 21/22]]

[[Теория_и_практика_онлайн-экспериментов_21/22 | Теория и практика онлайн-экспериментов 21/22]]

[[Безопасность_компьютерных_систем_21/22 | Безопасность компьютерных систем 21/22]]

[http://wiki.cs.hse.ru/%D0%94%D0%B8%D0%B7%D0%B0%D0%B9%D0%BD_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC_21/22 Дизайн систем]

[http://wiki.cs.hse.ru/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D1%82%D0%B5%D0%BD%D0%B7%D0%BE%D1%80%D0%BD%D1%8B%D1%85_%D0%B2%D1%8B%D1%87%D0%B8%D1%81%D0%BB%D0%B5%D0%BD%D0%B8%D0%B9 Основы тензорых вычислений]

[[Сбор_и_разметка_данных_для_машинного_обучения_21/22 | Сбор и разметка данных для машинного обучения 21/22]]

[[Байесовские_методы_машинного_обучения_2021 | Байесовские методы машинного обучения]]

[[НИС_Машинное_обучение_и_приложения_4_курс_2021/2022 | НИС Машинное обучение и приложения 4 курс]]

[https://artemova.notion.site/artemova/c88a68750cff4b509699fa127be11801 Глубинное обучение для текстовых данных 2021/2022]

[http://wiki.cs.hse.ru/LSML_2021/2022 Машинное обучение для больших данных 21/22]

[[Эффективные системы глубинного обучения 21/22|Эффективные системы глубинного обучения]]

'''ПМИ / РС'''

[https://osukhoroslov-hse.notion.site/2-0cd36b67b9f64182bfeabcda9ede647a НИС Распределенные системы 2]

[[msbdp_21 | Методы и системы обработки больших данных]]

[https://osukhoroslov-hse.notion.site/cee4a50ac8cf4e328cefbd35cf822fa5 Облачные вычисления]

'''ПМИ / ТИ'''

[[InfTheory2021 | Теория информации]]

[[OWF2021 | Односторонние функции и их применения]]

[[ConvAppr22 | Выпуклое программирование и аппроксимационные алгоритмы ]]

'''ПАД'''

[[Statistics 4mr 2021-22 | Statistical Methods for Market Research (DSBA)]]

[[Decision Making Strategy]]

||
[[Дополнительные_главы_теории_вероятностей-2_2021/2022|ДГТВ-2]]

[http://wiki.cs.hse.ru/%D0%9C%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%91%D0%B8%D0%BE%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%82%D0%B8%D0%BA%D0%B0_1_%D0%B3%D0%BE%D0%B4_2021/22 Майнор Биоинформатика 1 год 2021/22]

[[Майнор_Биоинформатика_2_год_2021/22|Майнор Биоинформатика 2 год 2021/22]]

[[Введение_в_программирование_21/22_(майнор_ИАД) | Введение в программирование 21/22 (майнор ИАД)]]

[[Основы_глубинного_обучения | Основы глубинного обучения (майнор ИАД)]]

[[Функциональное_программирование_2019 | Функциональное программирование 2021]]

[[KotlinElective|Факультатив "Язык Kotlin" (ноя-дек 2021)]]

[[Dopglavy_DM_2022| Дополнительные главы дискретной математики]]

[[Факультатив_Data_Science_в_игровой_индустрии_(SAS) | Факультатив Data Science в игровой индустрии (SAS)]]

[[Факультатив_Анализ_данных_на_платформе_SAS | Факультатив Анализ данных на платформе SAS]]

[https://rroll.to/2D8yXl Основы и методология пикапа на ПМИ 2021/2022]

|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==

=== 2 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули
|-
| [http://wiki.cs.hse.ru/Программирование_на_Python_деп_медиа_2022 Программирование на языке Python] || Журналистика и Медиакоммуникации || 1 курс || 3 модуль
|-
| [http://wiki.cs.hse.ru/Python_для_ОП_%22Психология%22_2021/2022 Программирование на языке Python] ||Психология || 1 курс || 3-4 модуль
|-
| [http://wiki.cs.hse.ru/Python_для_ОП_%22Экономика_и_статистика%22_и_ОП_%22География_глобальных_изменений%22_2021/2022 Программирование на языке Python] ||Экономика и статистика; География глобальных изменений || 2 курс || 3 модуль
|-
| [[Культура работы с данными]] ||Иностранные языки и межкультурная коммуникация || 1 курс || 3-4 модуль
|-
| [[Машинное обучение на матфаке 2022|Машинное обучение]] || Математика || 3-4 модули
|}

=== 1 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули
|-
| [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_%D0%93%D0%B5%D0%BE%D0%B3%D1%80%D0%B0%D1%84%D0%B8%D1%8F_2020/21 Цифровая грамотность] || География глобальных измерений и геоинформационные технологии || 1 курс || 1-2 модули
|-
| [[Цифровая грамотность, Востоковедение 2021/2022| Цифровая грамотность]] || Востоковедение || 1 курс || 1-2 модули
|-
|[[Цифровая Грамотность ИКВиА 2021/2022 | Цифровая грамотность]] || ИКВиА || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%98%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_%D0%B2_%D0%B4%D0%B5%D1%8F%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B8_%D1%8E%D1%80%D0%B8%D1%81%D1%82%D0%B0_2018-2019 Цифровая грамотность] || Юриспруденция || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%98%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_%D0%B2_%D0%B4%D0%B5%D1%8F%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B8_%D1%8E%D1%80%D0%B8%D1%81%D1%82%D0%B0_2018-2019 Цифровая грамотность] || Юриспруденция:частное право || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_%D0%98%D1%81%D1%82%D0%BE%D1%80%D0%B8%D1%8F_2021/2022 Цифровая грамотность] ||История || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Цифровая_грамотность_Филология_2021/2022 Цифровая грамотность] || Филология || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_2020-21_(%D0%9A%D1%83%D0%BB%D1%8C%D1%82%D1%83%D1%80%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F) Цифровая грамотность] || Культурология || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B0%D1%8F_%D0%B3%D1%80%D0%B0%D0%BC%D0%BE%D1%82%D0%BD%D0%BE%D1%81%D1%82%D1%8C_%D0%94%D0%B5%D0%BF%D0%B0%D1%80%D1%82%D0%B0%D0%BC%D0%B5%D0%BD%D1%82_%D0%9C%D0%B5%D0%B4%D0%B8%D0%B0_2021-2022 Цифровая грамотность] || Медиакоммуникации и Журналистика || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Цифровая_грамотность_Философия_2021/2022 Цифровая грамотность] || Философия || 1 курс || 1-2 модуль
|-
| [http://wiki.cs.hse.ru/Основы_программирования_на_Python_осень_2021_матфак Основы программирования на Python] || Математика || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%B2_R,_%D0%A1%D0%BE%D1%86%D0%B8%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F Анализ данных в R] || Социология || 4 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%9F%D0%9C%D0%A1%D0%90%D0%A0-2_2020 Методы анализа больших данных в исследованиях поведения покупателя] || Прикладные методы социального анализа рынков (магистратура) || 2 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2021-2022 Машинное обучение] || Экономика || 3,4 курс || 1-2 модули
|-
| [[Программирование_ЭкСтат_ГП | Программирование на языке Python ]] || Городское планирование, Экономика и статистика || 3 курс || 1-2 модули
|-
| [[Основы анализа данных в международных отношениях 2021/2022 | Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Python_%D0%B4%D0%BB%D1%8F_%D0%B8%D0%B7%D0%B2%D0%BB%D0%B5%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BE%D0%B1%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B8_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 Python извлечение и обработка данных] || Клеточная и молекулярная биотехнология || 1 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%B2_Python_(%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F_2020) Основы программирования в Python ] || Политология || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Основы_работы_с_данными:_сбор,_анализ,_визуализация_(ОП_%22Журналистика%22) Основы работы с данными: сбор, анализ, визуализация] || Журналистика || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_Data_Science Data Science] || Экономика впечатлений: менеджмент в индустрии гостеприимства и туризме (магистратура) || 1 курс || 2 модуль
|-
| [http://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2021) Машинное обучение] || Совместный бакалавриат НИУ ВШЭ и РЭШ || 3 курс || 1-2 модули
|-
|
|| Бакалавриат НИУ ВШЭ и Лондонского университета || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Data_Analysis_in_Economics_and_Finance_2020-2021 Data Analysis in Economics and Finance] || Бакалавриат НИУ ВШЭ и Лондонского университета || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/Data_Analysis_in_Journalism_and_Political_Science_2020-2021 Data Analysis in Journalism and Political Science]|| Бакалавриат НИУ ВШЭ и Лондонского университета || 3 курс || 1-2 модули
|-
| [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D1%8B%D0%B5_%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F_%D0%B2_%D0%BA%D1%83%D0%BB%D1%8C%D1%82%D1%83%D1%80%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_2020_1%D0%BC%D0%BE%D0%B4%D1%83%D0%BB%D1%8C Прикладные исследования в культурологии] || Прикладная культурология (магистратура) || 1 курс || 1 модуль
|-
| [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%D0%B8_%D0%BA%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D1%8B%D0%B5_%D0%B8%D0%BD%D1%81%D1%82%D1%80%D1%83%D0%BC%D0%B5%D0%BD%D1%82%D1%8B_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B3%D0%BE_%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F Программирование и лингвистические данные] || Фундаментальная и компьютерная лингвистика || 1 курс || 1, 2, 3, 4 модули
|-
| [http://wiki.cs.hse.ru/%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%D0%B8_%D0%BA%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D1%8B%D0%B5_%D0%B8%D0%BD%D1%81%D1%82%D1%80%D1%83%D0%BC%D0%B5%D0%BD%D1%82%D1%8B_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B3%D0%BE_%D0%B8%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F Программирование и лингвистические данные] || Фундаментальная и компьютерная лингвистика || 1 курс || 1, 2, 3 модули
|-
| [http://wiki.cs.hse.ru/%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8 Программирование и теория алгоритмов] || Фундаментальная и компьютерная лингвистика || 3 курс || 2, 3, 4 модули
|-
| [http://wiki.cs.hse.ru/%D0%9A%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D0%B0%D1%8F_%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_%D0%B8_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_2020 Нейросетевые методы в обработке текстов] || Фундаментальная и компьютерная лингвистика || 4 курс || 1, 2, 3 модули
|-

|}

== Курсы магистратуры ФКН ==

{| class="wikitable"
|-
| [[Modern_Data_Analysis_2021_2022 | Modern Data Analysis]] || Data Science (Науки о данных) || 2 year
|-
| [[Project_Seminar_2021_2022 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 year
|-
| [[Theory of Computation 2021 | Theory of Computation]] || Науки о данных, специализация ТИ || 1 year
|-
| [[ConvAppr22 | Выпуклое программирование и аппроксимационные алгоритмы ]] || Науки о данных, специализация ТИ || 1 year
|-
| [[RecSys_2021_2022 | Рекомендательные системы]] || ФТИАД || 2 year
|-
| [[Stochastic_analysis_2021_2022 | Стохастический анализ 2021-2022]] || Math of Machine Learning || 1 year
|-
| [[Reinforcement_learning_2021_2022 | Математические основы обучения с подкреплением 2021-2022]] || Math of Machine Learning || 2 year
|-
|}

== Курсы других факультетов ==

{| class="wikitable"
|-
! Дисциплина !! Курс !! Период
|-
| [http://wiki.cs.hse.ru/Econ_probability_2021-22 Теория вероятностей и математическая статистика] || фэн, 2 курс || 1-4 модуль
|-
| [[Динамическая оптимизация в экономике и финансах, фэн, 2021/22|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль
|-
|}

= Архив =

== Курсы за 2020/21 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|
'''ПМИ'''

[[Математический_анализ_1_2020/2021_(пилотный_поток) | Математический анализ-1 на ПМИ (пилотный поток)]]

[[Математический_анализ_1_2020/2021_(основной_поток) | Математический анализ-1 на ПМИ (основной поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2020/2021_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2020/2021_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[Алгебра_на_ПМИ_2020/2021_(пилотный_поток) | Алгебра (пилотный поток)]]

[[Алгебра_на_ПМИ_2020/2021_(основной_поток) | Алгебра (основной поток)]]

[[Основы_и_методология_программирования_на_ПМИ_2020/2021_(пилотный_поток) | Основы и методология программирования на ПМИ 2020/2021 (пилотный поток)]]

[[Основы_и_методология_программирования_на_ПМИ_2020/2021_(основной_поток)_3_модуль | Основы и методология программирования на ПМИ 2020/2021 (основной поток, III модуль)]]

[[DM1-2020-21 | Дискретная математика-1 ПМИ]]

[[Алгоритмы_и_структуры_данных_1_2020/2021_(4_модуль) | Алгоритмы и структуры данных – 1 (4 модуль) на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_пилотный_поток_2020/2021 | Алгоритмы и структуры данных – 1 на ПМИ (пилотный поток)]]

'''ПИ'''

[[DM1-SE-2020-21 | Дискретная математика-1 ПИ]]

[http://hsealgebra21.wikidot.com/ Алгебра ПИ]

'''ПАД'''

[[Discrete_Mathematics_DSBA2020/2021 | Discrete Mathematics (DSBA) ]]

[[LAaG_DSBA_2020/2021 | Linear Algebra and Geometry (DSBA)]]

[[English_DSBA_2020/2021 | English DSBA (DSBA)]]

[[Introduction_to_programming_DSBA_2020/2021 | Introduction to Programming (DSBA)]]

[[ Calculus_2020/21 | Calculus (DSBA) ]]

[[Algebra_DSBA_2020/2021 | Algebra DSBA]]

[[Introduction_to_Economics_2020/21 | Introduction to Economics ]]

||
'''ПМИ'''

[[Теория_вероятностей_и_математическая_статистика_2020/2021_(пилотный_поток)| ТВиМС (пилотный поток)]]

[[Теория_вероятностей_2020/2021_(основной_поток)| Теория вероятностей (основной поток)]]

[[Математический_анализ_2020/2021_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]

[[Математический_анализ_-_2_(основной_поток) | Математический анализ - 2 на ПМИ (основной поток)]]

[[MissingSemester2020/2021 | Инструменты промышленной разработки (The Missing Semester of your CS education)]]

[[АКОС ПМИ 2020/2021 | Архитектура компьютеров и операционные системы]]

[[Основы матричных вычислений 2020/2021]]

[[Дифференциальные уравнения (ПМИ)]]

[[DM2-pilot2020/2021 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[DM2-base2020/2021 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_пилотный_поток_2019/2020 | Алгоритмы и структуры данных - 2 на ПМИ (пилотный поток)]]

[[Алгоритмы_и_структуры_данных_2_2020/2021 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

'''ПАД'''

[[Calculus-2_DSBA_2020_(ПАД) | Calculus-2 (DSBA) ]]

[[Discrete_Mathematics_-_2_DSBA2020/2021 | Discrete Mathematics - 2 (DSBA)]]

[[Business_and_Management_in_Global_Context_2020/21 | Business and Management in Global Context (DSBA)]]

[[Principles_of_micro_and_macro-economics_2020/21 | Principles of micro and macro-economics (DSBA)]]

[[Algorithms_and_data_structures_2_2020/21 | Algorithms and data structures 2 (DSBA)]]

[[Statistics_DSBA_2020/2021 | Probability and Statistics (DSBA)]]

[[ACOS_DSBA_2020/2021 | Computer Architecture and Operating Systems (DSBA)]]

[[Differential_Equations_2021 | Differential Equations ]]

||

'''ПМИ'''

[[Машинное_обучение_1/2020_2021 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]

[[Прикладная статистика в машинном обучении 20/21]]

[[Безопасность компьютерных систем 20/21]]

[[Theory of computing, AMI]]

[[Матричные вычисления 20/21]]

[[НИС_Машинное_обучение_и_приложения_2020/2021|НИС Машинное обучение и приложения]]

[[Методы оптимизации в машинном обучении|Методы оптимизации в машинном обучении]]

[[Моделирование временных рядов 20/21]]

[[Высокопроизводительные вычисления 20/21]]

[[ Сбор и обработка данных с помощью краудсорсинга 20/21 ]]

[[ Распределённые системы ]]

[[ Компьютерные сети 2021 ]]

[[НИС_РС|НИС Распределенные системы]]

[[Анализ данных в бизнесе (Кафедра SAS)]]

[[Дополнительные главы прикладной статистики (2020/21)]]

[[Comb2020_2021 | Комбинаторные конструкции в теоретической информатике]]

[[Численные Методы 2021]]

[[Методы оптимизации 20/21]]

[[Математическое моделирование]]

'''ПАД'''

[[ MachineLearning1_DSBA2020 | Machine Learning 1 (DSBA)]]

[[ Time_Series_and_Stochastic_Processes_ada_20_21 | Time Series and Stochastic Processes (DSBA) ]]

[[ST2187 Business analytics, applied modelling and prediction | Business analytics, applied modelling and prediction (DSBA)]]

[[Data_Base_2020/2021_DSBA | Data Base (DSBA)]]

[[Social_History_of_Science_2020/21 | Social History of Science (DSBA)]]

[[Elements_of_Econometrics_2020/21 | Elements of Econometrics (DSBA)]]

[[Data Science Case Studies / Анализ данных в бизнесе (Кафедра SAS)]]

[[ Optimization_methods | Optimizaton Methods (DSBA) ]]

||

[[Философия_науки_2020 | Философия науки]]

[[Символьные вычисления]]

'''ПМИ / МОП'''

[[НИС_Машинное_обучение_и_приложения_2020/2021 | НИС Машинное обучение и приложения]]

[[Глубинное обучение в обработке звука 20/21]]

[[Байесовские методы машинного обучения 2020 | Байесовские методы машинного обучения]]

[[Машинное обучение на больших данных 2021]]

[[Генеративные модели в машинном обучении 2021 | Генеративные модели в машинном обучении 2021]]

'''ПМИ / РС'''

[[НИС_РС_2 | НИС Распределенные системы]]

[[msbdp_20 | Методы и системы обработки больших данных]]

[[ Облачные вычисления]]

'''ПМИ / ТИ'''

[[Statistical_learning_theory_2020 | Statistical learning theory]]

[[InfTheo2020-2021|Теория информации]]

[[A_Theorist's_Toolkit_2020_2021 | A Theorist's Toolkit, AMI]]

||

[[ Майнор Биоинформатика 1 год ]]

[[ Майнор Биоинформатика 2 год ]]

[[ Введение в программирование (майнор ИАД) ]]

[[Введение в анализ данных (майнор ИАД)]]

[[Современные_методы_машинного_обучения|Современные методы машинного обучения (майнор ИАД)]]

[[Прикладные_задачи_анализа_данных|Прикладные задачи анализа данных (майнор ИАД)]]

[[ ОУФ Машинное Обучение в Питоне ]]

[[ Факультатив "Теория вычислений и логика" (Осень 2020)]]

[[dopglavy_DM_2021|Допглавы дискретной математики]]

[[Adaptation_DM_20-21 |Adaptation course in DM]]

[[Функциональный анализ (осень 2020)]]

[[KotlinElective|Факультатив "Язык Kotlin" (2-3 модули)]]

[[ Факультатив "Теория вычислений и логика" | Факультатив "Теория вычислений" (Весна 2021)]]

[[Дополнительные_главы_теории_вероятностей_2021 | ДГТВ]]

[[Дополнительные_главы_теории_вероятностей-3_2019/2020 | ДГТВ-3]]

|}

== Курсы магистратуры ФКН ==

{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс
|-
| [[Stochastic_analysis_2020_2021 | Stochastic Analysis ]] || Statistical Learning Theory || 1 year
|-
| [[Econometrics_fall_2020 | Эконометрика ]] || ФТИАД || 1 year
|-
| [[Recsys_2020_2021 | Рекомендательные системы]] || ФТИАД|| 2 year
|-
| [[Into_to_DataMining_and_Machine_Learning_2020_2021 | Introduction to Data Mining and Machine Learning]] || Data Science (Науки о данных) || 2 year
|-
| [[Project_Seminar_2020_2021 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 year
|-
|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==
=== 2 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули
|-
| [[Цифровая грамотность ИЯиМК 2020-2021|Цифровая грамотность ИЯиМК 2020-2021]] || ИЯиМК || 1 курс || 3-4 модули
|-
| [[Data Analysis in Python 2020-2021|Data Analysis in Python]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 2 курс || 3-4 модули
|-
| [[Машинное обучение на матфаке 2021 |Машинное обучение]] || Математика || 1-4 курс || 3-4 модули
|-
| [http://wiki.cs.hse.ru/Анализ_данных_на_python,_фэн,_2020_spring Анализ данных на python] || Факультет экономических наук || 1 курс || 3-4 модули
|-
| [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 3-4 модули
|-
| [[Python для ОП "Психология" |Python для ОП "Психология" ]] ||Психология || 1 курс || 3-4 модули
|-
| [http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%B2_Python_2020-2021_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F Анализ данных в Python] || Политолгия || 3 курс || 3-4 модули
|-
| [[Цифровая грамотность История искусств 2020-2021]] || История искусств || 1 курс || 3-4 модули
|-
| [[Excel для анализа данных , 20-21|Excel для анализа данных , 20-21]] || ИЯиМК || 4 курс || 3 модуль
|-
| [[ СДиА_Матфак_1_курс_2020/2021 | Структуры данных и алгоритмы ]] || Математика || 3-4 курс || 3-4 модуль
|-
| [[ Python для ГМУ, 20-21 | Python для ГМУ, 2020-2021 ]] || Государственное и муниципальное управление || 1 курс || 4 модуль
|-
| [[ Python для ИЯиМК, 2020-2021 | Python для ИЯиМК, 2020-2021 ]] || ИЯиМК || 2 курс || 4 модуль
|-
| [[ Информационные технологии (факультет химии) | Информационные технологии. Data Culture ]] || Химия || 2 курс || 4 модуль
|-
| [[ Введение_в_анализ_данных_2021_МирЭк | Введение в анализ данных ]] || МирЭк || 1 курс || 4 модуль
|-
| [[ Python для анализа данных (МирЭк) 2020-2021 | Python для анализа данных ]] || МирЭк || 2 курс || 3-4 модуль
|-

|}

=== 1 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули
|-
| [[Основы программирования на Python осень 2020 матфак|Основы программирования на Python-1]] || Математика || 3 курс || 1-2 модули
|-
| [[Анализ_данных_в_Python_2020-2021|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули
|-
| [[Основы_анализа_и_визуализация_данных_для_медиа_2020/2021|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль
|-
| [[Компьютерная лингвистика и информационные технологии 2020|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[Проектный семинар медиаком 2020|Проектный семинар]] || Медиакоммуникации || 3 курс || 1 модуль
|-
| [[Основы анализа и визуализации данных ДИЯ 2020-2021|Основы анализа и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 1-2 модули
|-
| [[Основы программирования в Python (Политология 2020)|Основы программирования в Python]] || Политология || 3 курс || 1-2 модули
|-
| [[Data Analysis in Journalism and Political Science 2020-2021|Data Analysis in Journalism & Political Science]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 3 курс || 1 модуль
|-
| [[Data Analysis in Economics and Finance 2020-2021|Data Analysis in Economics & Finance]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 3 курс || 1 модуль
|-
| [[Прикладные исследования в культурологии 2020 1модуль|Прикладные исследования в культурологии]] || Прикладная культурология || 1 курс || 1 модуль
|-
| [[Основы анализа данных в международных отношениях 20/21|Основы анализа данных в международных отношениях 20/21]] || Международные отношения || 2 курс || 1-2 модуль
|-
| [[Анализ данных в R, Социология|Анализ данных в R]] || Социология || 4 курс || 1-2 модуль
|-
| [[Анализ данных на python, фэн, 2020 fall|Анализ данных на Python]] || Факультет экономических наук || 2 курс || 1-2 модуль
|-
| [[Цифровая грамотность, ЭиАМ|Цифровая грамотность, ЭиАМ]] || Эфиопия и арабский мир || 1 курс || 1-2 модуль
|-
| [[Цифровая грамотность, Античность|Цифровая грамотность, Античность]] || Античность || 1 курс || 1-2 модуль
|-
| [[Цифровая грамотность, ТиТМ|Цифровая грамотность, ТиТМ]] || Турция и Тюркский мир || 1 курс || 1-2 модуль
|-
| [[Цифровая грамотность История 2020/2021|Цифровая грамотность, История]] || История || 1 курс || 1-2 модуль
|-
| [[Цифровая_грамотность_2020_(Востоковедение)|Цифровая грамотность, Востоковедение]] || Востоковедение || 1 курс || 1-2 модуль
|-
| [[Цифровая_грамотность_География_2020/21|Цифровая грамотность, География]] || География || 1 курс || 1-2 модуль
|-
| [[Цифровая_грамотность_(филология)_2020|Цифровая грамотность, Филология]] || Филология|| 1 курс || 1-2 модуль
|-
| [[Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020)|Машинное обучение]] || Совместная программа по экономике НИУ ВШЭ и РЭШ || 3 курс || 1-2 модуль
|-
| [[Машинное_обучение_(ФЭН)_-_2020|Машинное обучение]] || Экономика || 3-4 курс || 1-2 модуль
|-
| [[Python: работа с данными и текстом|Python: работа с данными и текстом]] || Медиакоммуникации || 2-3 курс || 1-2 модуль
|-
| [[Phyton_для_извлечения_и_обработки_данных|Phyton для извлечения и обработки данных]] || Молекулярная и клеточная биотехнология || 1 курс || 1-2 модуль
|-
| [[ПМСАР-2_2020| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули
|-
| [[Основы_программирования_на_Python2020/2021|Основы программирования на Python]] || Экономика и статистика || 2-3 курс || 1-2 модули
|-
| [[Извлечение и анализ интернет-данных (2020)|Извлечение и анализ интернет-данных]] || Экономика и статистика || 2-4 курс || 2 модуль

|}

== Курсы других факультетов ==

{| class="wikitable"
|-
! Дисциплина !! Курс !! Период
|-
| [[Теория вероятностей и математическая статистика, фэн, 2020-2021|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 1-4 модуль
|-
| [[Эконометрика, фэн, 2020-2021|Эконометрика]] || фэн, 3 курс || 1-4 модуль
|-
| [[Динамическая оптимизация в экономике и финансах, фэн, 2020-2021|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль
|-
|}

=Архив=

== Курсы за 2019/20 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|

[[Математический_анализ_1_2019/2020 | Математический анализ-1 на ПМИ (пилотный поток)]]

[[Математический_анализ_на_ПМИ_2019/2020_(основной_поток,_2_семестр) | Математический анализ на ПМИ (основной поток, 2 семестр)]]

[[Математический_анализ_на_ПМИ_2019/2020_(основной_поток) | Математический анализ на ПМИ (основной поток)]]

[[Дискретная_математика_1_2019/2020 | Дискретная математика-1 на ПМИ]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[Алгебра_на_ПМИ_2019/2020_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]

[[Алгебра_на_ПМИ_2019/2020_(основной_поток) | Алгебра на ПМИ (основной поток)]]

[[Основы_и_методология_программирования_2019/2020 | Основы и методология программирования на ПМИ (основной поток)]]

[[Основы_и_методология_программирования_1_2019/2020_(пилотный_поток) | Основы и методология программирования-1 на ПМИ (пилотный поток)]]

[[Discrete_Mathematics_DSBA2019/2020 | Discrete Mathematics DSBA (ПАД)]]

[[Calculus_DSBA2019/2020 | Calculus DSBA (ПАД) 1st module]]

[[Calculus_DSBA2020 | Calculus DSBA (ПАД) 2nd module]]

[[LAaG_DSBA_2019/2020 | Linear Algebra and Geometry (ПАД)]]

[[Introduction_to_programming_DSBA_2019/2020 | Introduction to Programming (ПАД)]]

[[English_DSBA_2019/2020 | English DSBA (ПАД)]]

[[Algorithms_and_Data_Structures_DSBA_2020 | Algorithms and Data Structures DSBA ]]

[[Algebra_DSBA_2019/2020 | Algebra DSBA]]

[[Алгоритмы_и_структуры_данных_1_основной_поток_2019/202 | Алгоритмы и структуры данных-1 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_пилотный_поток_2019/2020 | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

||

[[DM2-basic2019/2020 | Дискретная математика-2 на ПМИ (основной поток)]]

[[DM2-pilot2019/2020 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[Теория_вероятностей_2019/2020_(основной_поток)| Теория_вероятностей_2019/2020 на ПМИ (основной поток)]]

[[Теория_вероятностей_и_математическая_статистика_2019/2020_(пилотный_поток)| ТВиМС (пилотный поток)]]

[[Математический_анализ_2019/2020_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]

[[Математический_анализ_2_2019/2020_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_2_2019/2020 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

[[Calculus_2_2019 | Calculus-2 DBSA (ПАД)]]

[[Statistics_DSBA_2019/2020 | Statistics DSBA (ПАД)]]

[[DM2 | Дискретная Математика-2 (ПАД)]]

[[ADS2 | Алгоритмы и Структуры Данных-2 (ПАД)]]

[[Introduction_to_Economics | Introduction to Economics DSBA ]]

[[Business_and_Management_in_Global_Context_2019-2020| Business and Management in Global Context DSBA ]]

[[ACOS_DSBA_2019/2020 | Computer Architecture and Operating Systems (ПАД)]]

[[Differential_Equations_2020 | Differential Equations DSBA ]]

[[Факультатив Теория вычислений_2020 | Факультатив Теория вычислений]]

[[Дифференциальные_уравнения_2020 | Дифференциальные уравнения 2020 ]]

||

[[Машинное_обучение_1/2019_2020 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2/2019_2020 | Машинное обучение 2 на ПМИ]]

[[Численные_Методы_2020 | Численные методы]]

[[Прикладная_статистика_в_машинном_обучении(2019)|Прикладная статистика в машинном обучении]]

[[Theory_of_Computing_2019_2020 | Theory of Computing, AMI]]

[[Компьютерные_Сети | Компьютерные сети]]

[[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]

[[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]

[[Непрерывная_оптимизация_(МОП)/2020| Непрерывная оптимизация (МОП)]]

[[%D0%9D%D0%B5%D0%BF%D1%80%D0%B5%D1%80%D1%8B%D0%B2%D0%BD%D0%B0%D1%8F_%D0%BE%D0%BF%D1%82%D0%B8%D0%BC%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F_(%D0%A2%D0%98,_%D0%90%D0%94%D0%98%D0%A1,_%D0%90%D0%9F%D0%A0,_%D0%A0%D0%A1)| Непрерывная оптимизация (ТИ, АДИС, АПР, РС) ]]

[[Data_analysis_(Software_Engineering)_2020|Data Analysis]]

[[Промышленное_программирование_на_языке_Java| Промышленное программирование на языке Java]]

[[CCTI_2020|Сложность вычислений и логика в теоретической информатике]]

||

[[InfTheo2019-2020|Теория информации]]

[[Байесовские_методы_машинного_обучения_2019|Байесовские методы машинного обучения]]

[[НИС Науки о данных]]

[[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]

[[Философия_науки_2019|Философия науки]]

[[Глубинное обучение|Глубинное обучение]]

[[NLP 2019|NLP Анализ данных]]

[[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]

[[Генеративные_модели_в_машинном_обучении_2020|Генеративные модели в машинном обучении]]

[[Компьютерные Сети 4 курс| Компьютерные сети]]

[[Промышленное_программирование_на_языке_Java| Промышленное программирование на языке Java]]

[[Машинное_обучение_на_больших_данных_2020|Машинное обучение на больших данных]]

[[Основы_обработки_больших_данных_2020|Основы обработки больших данных]]

||
[[MinorBioinformatics|Биоинформатика]]

[[Майнор Интеллектуальный анализ данных/Современные_методы_машинного_обучения | Современные методы машинного обучения (ИАД)]]

[[KotlinElective|Факультатив "Язык Kotlin" (2-3 модули)]]

[[ISDElective|Факультатив "Методы разработки программного обеспечения" (1-2 модули)]]

[[Введение в программирование (курс майнора)]]

[[dopglavy_DM_1920|Допглавы дискретной математики]]

[[Дополнительные_главы_теории_вероятностей-2_2019/2020|ДГТВ-2]]

[[Дополнительные_главы_теории_вероятностей_2020|ДГТВ]]

[[Введение_в_анализ_данных_(майнор_ИАД)_2019/2020|Введение в анализ данных (майнор ИАД)]]

[[Прикладные_задачи_анализа_данных_(майнор_ИАД)|Прикладные задачи анализа данных (майнор ИАД)]]

[[NonClassicalLogics|Факультатив "Неклассические логики" (3 модуль)]]

|}

== Курсы магистратуры ФКН ==

{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс

|-
| [[Theory_of_Computing_2019_2020 | Theory of Computing]] || Науки о данных, специализация ТИ || 1 курс
|-
| [[Project_Seminar_2019_2020 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 курс
|-
| [[Stochastic_analysis_2019_2020 | Stochastic Calculus ]] || Statistical Learning Theory || 1 year
|-
| [[A_Theorist's_Toolkit_2019_2020 | A Theorist's Toolkit, AMI]] || Науки о данных, специализация ТИ || 1 курс
|-
| [[Neurobayesian_models_2020 | Neurobayesian models ]] || Statistical Learning Theory || 2 year
|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==
=== 2 семестр ===

{| class="wikitable"
|- http://wiki.cs.hse.ru/Цифровая_грамотность_(филология)_2020#.F0.9F.93.AC_.D0.A7.D0.B0.D1.82.D1.8B_.D0.B3.D1.80.D1.83.D0.BF.D0.BF
! Дисциплина !! Образовательная программа !! Курс !! Модули
|-
| [[Введение в анализ данных 2020 МирЭк| Введение в анализ данных]] || Мировая экономика || 1 курс || 3-4 модуль
|-
|[[ Основы программирования в Python (Мирэк) | Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модуль
|-
| [[ Цифровая грамотность, ИЯиМК| Цифровая грамотность ]] || Иностранные языки и межкультурная коммуникация || 1 курс || 3-4 модуль
|-
| [[ Цифровая_грамотность_(филология)_2020| Цифровая грамотность ]] || Филология || 1 курс || 3-4 модуль
|-
| [[Цифровая_грамотность_(ФиКЛ)_2020| Цифровая грамотность ]] || Фундаментальная и компьютерная лингвистика || 1 курс || 4 модуль
|-
| [[ Цифровая грамотность 2019-2020 (История искусств)| Цифровая грамотность ]] || История искусств || 1 курс || 3-4 модуль
|-
| [[ Цифровая грамотность 2019-2020 (Культурология)| Цифровая грамотность ]] || Культурология || 1 курс || 3-4 модуль
|-
| [[ Цифровая грамотность, ЯиЛ_ЮВА| Цифровая грамотность ]] || Языки и литература Юго-Восточной Азии || 1 курс || 3-4 модуль
|-
| [[ Цифровая грамотность, ЯиЛЯ| Цифровая грамотность ]] || Языки и литература Японии || 1 курс || 3-4 модуль
|-
| [[ ППО Социология 1 курс 2019/2020| ППО (Python для извлечения и обработки данных) ]] || Социология || 1 курс || 3 модуль
|-
|[[ Машинное обучение на матфаке 2020 | Машинное обучение]] || Математика || 2-4 курс || 3-4 модуль
|-
|[[ Excel для анализа данных | Excel для анализа данных]] || ИЯиМК || 4 курс || 3 модуль
|-
| [[ Python для извлечения и обработки данных Медиаком 2 курс 2019/2020| Python для извлечения и обработки данных ]] || Медиакоммуникации || 2 курс || 3 модуль
|-
| [[ Python для извлечения и обработки данных Медиаком 1 курс 2019/2020| Python для извлечения и обработки данных ]] || Медиакоммуникации || 1 курс || 4 модуль
|-
| [[ СДиА Матфак 1 курс 2019/2020| Структуры данных и алгоритмы ]] || Математика || 3-4 курс || 3-4 модуль
|-
| [[Методы_машинного_обучения_(Прикладная_политология)|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|-
| [[Наука о данных (Экономика)|Наука о данных]] || Экономика || 2 курс || 3-4 модули
|-
| [[Основы программирования на Python весна 2021 матфак|Основы программирования на Python, 2 часть]] || Математика || 2-4 курс || 3-4 модули
|-
| [[Культура работы с данными, КМБТ|Культура работы с данными, КМБТ]] || Клеточная и молекулярная биотехнология || 1 курс || 3-4 модули
|-
| [[Natural_Language_Processing_Blended_2020_module4 | Natural Language Processing (blended)]] || Прикладная политология || 1 г.о. || 4 модуль
|-
| [[ПМСАР-1 2019/2020|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 1 г.о. || 3-4 модули
|-
| [[Введение в Data Science]] || Экономика впечатлений: менеджмент в индустрии гостеприимства и туризме || 1 г.о. || 3 модуль
|-
| [[Принципы построения математических моделей]] || МИЭМ || 1 г.о. || 4 модуль
|-
| [[Python для извлечения и обработки данных Психология 1 курс 2019/2020]] || Психология || 1 г.о. || 4 модуль
|-
| [[Технологии анализа больших данных ГМУ 1 курс 2019/2020]] || ГМУ || 1 г.о. || 4 модуль
|-
| [[Городское планирование | Цифровая грамотность]] || Городское планирование || 1 г.о. || 4 модуль
|}

=== 1 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули

|-
| [[ Основы анализа и визуализация данных для медиа 2019/2020 | Основы анализа и визуализации данных для медиа ]] || Журналистика || 4 курс || 1 модуль
|-
| [[ Анализ данных в Python 2019-2020 | Анализ данных в Python ]] || Политология || 4 курс || 1-2 модули
|-
| [[Introduction to Data Culture 2019-2020 | Introduction to Data Culture ]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 1 курс || 2 модуль
|-
| [[ Основы анализа данных в международных отношениях | Основы анализа данных в международных отношениях ]] || Международные отношения || 2 курс || 1-2 модуль
|-
| [[Основы программирования в Python (Политология)|Основы программирования в Python]] || Политология || 3 курс || 1-2 модули
|-
| [[Основы программирования на Python осень 2019 матфак|Основы программирования на Python-1]] || Математика || 1-4 курс || 1-2 модули
|-
| [[ Цифровая грамотность (История 2019) | Цифровая грамотность ]] || История || 1 курс || 1-2 модули
|-
| [[ Цифровая грамотность (Востоковедение 2019) | Цифровая грамотность ]] || Востоковедение|| 1 курс || 1-2 модули
|-
| [[ Цифровая_грамотность_2019-2020(философия) | Цифровая грамотность ]] || Философия || 1 курс || 1-2 модули
|-
| [[ Цифровая грамотность (ассириология и античность 2019) | Цифровая грамотность ]] || Ассириология и античность|| 1 курс || 1-2 модули
|-
| [[ПМСАР-2_2019| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули
|-
| [[Работа с данными]] || Медиакоммуникации || 4 курс || 1 модуль
|-
| [[Машинное обучение (фэн 2019)]] || ФЭН || 3 курс || 1-2 модули
|-
| [[Natural_Language_Processing_Blended_2019_module1 | Natural Language Processing (blended)]] || Прикладная политология || 2 г.о. || 1 модуль
|-
| [[ ML_HSE_NES_2019 | Машинное обучение (ВШЭ-РЭШ)]] || Совместный бакалавриат ВШЭ-РЭШ || 3-4 курс || 1-2 модули
|-
| [[ Основы_анализа_и_визуализации_данных_ДИЯ_2019/2020 | Основы анализа и визуализации данных ]] || ДИЯ || 2 курс || 1,2 модуль
|-
| [[Методы_машинного_обучения_(Прикладная_политология)|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|-
| [[Основы_программирования_на_Python2019/2020|Основы программирования на Python]] || Экономика и статистика || 2-4 курс || 2 модуль
|}

== Курсы других факультетов ==

{| class="wikitable"
|-
! Дисциплина !! Курс !! Период
|-
| [[Теория вероятностей и математическая статистика, фэн, 2019-2020|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 3-4 модуль
|-
| [[Микроэконометрика качественных данных, фэн, 2020|Микроэконометрика качественных данных 2020]] || фэн, 4 курс || 1-2 модуль
|}

== Курсы за 2018/19 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|

[[Математический_анализ_на_ПМИ_2018/2019_(пилотный_поток) | Математический анализ на ПМИ (пилотный поток)]]

[[Математический_анализ_на_ПМИ_2018/2019_(основной_поток) | Математический анализ на ПМИ (основной поток)]]

[[Calculus_DSBA_2018/2019 | Calculus I DSBA (ПАД)]]

[[Основы_и_методология_программирования_на_ПМИ_2018/2019_(пилотный_поток) | Основы и методология программирования на ПМИ (пилотный поток)]]

[[Основы_и_методология_программирования_на_ПМИ_2019_(С%2B%2B,_основной_поток) | Основы и методология программирования на ПМИ (С++, основной поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[LAaG_DSBA_2018/2019 | LAaG DSBA]]

[[Дискретная_математика_1_2018/2019 | Дискретная математика-1 на ПМИ]]

[[Discrete_Mathematics_DSBA2018/2019 |Discrete Mathematics DSBA (ПАД)]]

[[Introduction_to_programming | Introduction to programming DSBA (ПАД)]]

[[Introduction_to_programming_2 | Introduction to programming 2 DSBA (ПАД)]]

[[Алгебра_на_ПМИ_2018/2019_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]

[[Алгебра_на_ПМИ_2018/2019_(основной_поток) | Алгебра на ПМИ (основной поток)]]

[[Algebra_DSBA_2018/2019 | Algebra DSBA]]

[http://hsealgebra19.wikidot.com Алгебра на ПИ]

[[Алгоритмы_и_структуры_данных_2018/2019 | Алгоритмы и структуры данных на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

||

[http://math-info.hse.ru/2018-19/Дифференциальные_уравнения_(ФКН) Дифференциальные уравнения]

[[Теория_вероятностей_2018/2019_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2018/2019_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Математический_анализ_2018/2019_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]

[[Математический_анализ_2018/2019_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]

[[DM2-pilot2018/2019 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[DM2-basic2018/2019 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_2_2018/2019 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Факультатив Теория вычислений]]

||

[[Машинное_обучение_1/2018_2019 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]

[[Численные_Методы_2018 | Численные методы ]]

[[PDC | Параллельные и распределенные вычисления]]

[[Theory_of_Computing_2018_2019 | Theory of Computing, AMI]]

[[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]

[[Прикладная_статистика_в_машинном_обучении(2018)|Прикладная статистика в машинном обучении]]

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

[[Основные методы анализа данных]]

[[Теория баз данных]]

[[Непрерывная оптимизация/2019|Непрерывная оптимизация (161-162)]]

[[Непрерывная оптимизация (163-167)]]

[[Сложность вычислений и логика в теоретической информатике]]

[[Data analysis (Software Engineering) 2019|Data analysis]]

[[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]

[[Intro to DL Blended | Intro to DL Blended]]

[[Дискретная оптимизация 2019 | Дискретная оптимизация 2019]]

||

[[Statistical_learning_theory_2018_2019 | Introduction to statistical learning theory]]

[[Анализ_неструктурированных_данных-2018 |Анализ неструктурированных данных ]]

[[Байесовские_методы_машинного_обучения_2018|Байесовские методы машинного обучения]]

[[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]

[[НИС_Науки_о_данных_2018/2019|НИС Науки о данных]]

[[НИС_Распределенные_системы_(4_курс,_2018)|НИС Распределенные системы]]

[[Теория_Информации_2018/2019|Теория информации]]

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

[[Методы_и_системы_обработки_больших_данных_(осень_2018)|Методы и системы обработки больших данных]]

[[Философия_науки_2018|Философия науки]]

[[Теория баз данных]]

[[ConvAppr19 | Выпуклое программирование и аппроксимационные алгоритмы (ТИ)]]

[[Функциональное программирование 2019 | Функциональное программирование]]

[[A_Theorist's_Toolkit_2018_2019 | A Theorist's Toolkit, AMI]]

[[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]

||
[[Дополнительные главы теории вероятностей 2019 | Дополнительные главы теории вероятностей 2019]]

[[Дополнительные главы математической статистики 2019 | Дополнительные главы математической статистики 2019]]

[[Введение в программирование (курс майнора) 2018/2019]]

[[dopglavy_DM_1819|Допглавы дискретной математики]]

[[Современные_методы_машинного_обучения_(курс_майнора)_2018/2019 | Современные методы машинного обучения (курс майнора) 2018/2019]]

[[Прикладные_задачи_анализа_данных_(майнор_-_весна_2019) | Прикладные задачи анализа данных (майнор - весна 2019)]]

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных | Введение в анализ данных (курс майнора)]]

[[Функциональный анализ (весна_2019) | Функциональный анализ (весна_2019)]]

[[KotlinElective| Язык Kotlin (3 и 4 модули 2018-2019)]]

|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==
=== 2 семестр ===

{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули

|-
| [[Основы программирования на Python весна 2020 матфак|Основы программирования на Python-2]] || Математика || 2-4 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(филология)|Цифровая грамотность]] || Филология || 1 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(ИИ_и_культурология)|Цифровая грамотность]] || История искусств и Культурология || 1 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(ИЯМК_2019)|Цифровая грамотность]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 1 курс || 3-4 модули
|-
| [[Основы_анализа_и_визуализации_данных_ДИЯ_2019|Анализ и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 3-4 модули
|-
| [[Научно-исследовательский_семинар_2019| Научно-исследовательский семинар]] || Политология || 1 курс || 3 модуль
|-
| [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|-
| [[Основы_программирования_в_Python_2019|Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модули
|-
| [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули
|-
| [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[ПМСАР-1|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 1 г.о. || 3-4 модули
|-
| [[Искусственный интеллект и большие данные_(2019)|Искусственный интеллект и большие данные]] || Дизайн, Мода, Современное искусство || 1 курс || 3-4 модули
|-
| [[Информационный менеджмент: Введение в Data Science|Информационный менеджмент: Введение в Data Science]] || Управление бизнесом Маркетинг и рыночная аналитика || 1 курс || 4 модуль
|-
| [[Технологии анализа больших данных|Технологии анализа больших данных]] || ГМУ || 1 курс || 4 модуль
|-
| [[Основы программирования на Python (Прикладное программное обеспечение)|Основы программирования на Python (Прикладное программное обеспечение)]] || Социология || 1 курс || 4 модуль
|-
| [[Основы работы с данными|Основы работы с данными]] || Медиакоммуникации || 2 курс || 4 модуль
|-
| [[Введение_в_data_science_Социология_1_курс|Профориентационный семинар (Data Culture)]] || Социология || 1 курс || 4 модуль
|-
| [[Введение_в_анализ_данных_МирЭк_2019|Введение в анализ данных]] || Мировая экономика || 1 курс || 4 модуль

|}

=== 1 семестр ===

{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули

|-
| [[Основы анализа данных в международных отношениях 2018/2019|Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули
|-
| [[Introduction_to_Data_Culture_2018-2019|Introduction to Data Culture]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 1 курс || 2 модуль
|-
| [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули
|-
| [[Цифровая грамотность(востоковедение)|Цифровая грамотность]] || Востоковедение || 1 курс || 1 модуль
|-
| [[Разработка управленческих решений в маркетинге | Разработка управленческих решений в маркетинге]] || Маркетинг и рыночная аналитика || 2 курс || 1-2 модули
|-
| [[Информационные технологии в деятельности юриста_2018-2019| Информационные технологии в деятельности юриста]] || Юриспруденция || 1 курс || 2 модуль
|-
| [[Машинное обучение на матфаке 2018/2019| Машинное обучение]] || Факультет математики || 2-4 курсы || 1-2 модули
|-
| [[ПМСАР-2| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули
|-
| [[Анализ данных в Python (Политологи 1 семестр 1-2 модули)|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули
|-
| [[Основы анализа и визуализации данных для медиа (Журналисты 1 семестр 1 модуль)|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль
|-
| [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[Введение в анализ текстов на Python для ФГН 2018|Введение в анализ текстов на Python для ФГН 2018]] || Фундаментальная и компьютерная лингвистика || 3 курс || 1, 2, 4 модули
|-
| [[Машинное обучение (ФЭН)]] || Факультет экономических наук || 3-4 курсы || 1-2 модули
|-
| [[Программирование_(python)_для_экономистов|Программирование (Python) для экономистов]] || Факультет экономических наук || 2 курс || 1-2 модули
|-
| [[Цифровая грамотность(философия)|Цифровая грамотность]] || Философия || 1 курс || 1-2 модули
|-
| [[Цифровая_грамотность_(историки)|Цифровая грамотность]] || История || 1 курс || 1-2 модули
|-
| [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 1-2 модули
|-
| [[Статистический анализ в среде R (Социологи 1 семестр 2 модуль)|Статистический анализ в среде R ]] || Социология || 4 курс || 2 модуль
|-
| [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|}

==Courses of the Statistical Learning Theory program==
[[Neurobayesian_models_2019|Neurobayesian models]]

== Курсы за 2017/18 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|

[[Математический_анализ_на_ПМИ_2017/2018_(пилотный_поток) | Математический анализ на ПМИ 2017/2018 (пилотный поток)]]

[[Математический_анализ_на_ПМИ_2017/2018_(основной_поток) | Математический анализ на ПМИ 2017/2018 (основной поток)]]

[[Основы_и_методология_программирования_на_ПМИ_2017/2018_(пилотный_поток,_1_модуль) | Основы и методология программирования на ПМИ 2017/2018 (пилотный поток, 1 модуль)]]

[[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_2_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 2 модуль)]]

[[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_3_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 3 модуль)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_2017/2018_(основной_поток) | Алгоритмы и структуры данных на ПМИ 2017/2018 (основной поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[Дискретная_математика_1_2017/2018 | Дискретная математика-1 на ПМИ]]

[[Алгоритмы и структуры данных 1 | Алгоритмы и структуры данных – 1 (пилотный поток)]]

[[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]

[http://hsealgebra18.wikidot.com Алгебра на ПИ]

||
[[Теория_вероятностей_2017/2018_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2017/2018_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Математический анализ-3 на ПМИ_2017/2018_(основной_поток) | Математический анализ-2 на ПМИ (основной поток)]]

[[Математический анализ на ПМИ_2017/2018 | Математический анализ-3 на ПМИ (пилотный поток)]]

[[DM2-pilot2017/2018 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[DM_2_2017_2018 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Алгоритмы и структуры данных_2_2017/2018 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Дифференциальные уравнения (2 курс, 2017/2018)| Дифференциальные уравнения]]

||
[[Машинное_обучение_1/2017_2018 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2/2017_2018 | Машинное обучение 2 на ПМИ]]

[[Численные_методы_2017 | Численные методы]]

[[Statistics of Stochastic Processes|Статистика случайных процессов 2018]]

[[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]

[[Theory_of_Computing | Theory of Computing, AMI]]

[[Statistical_learning_theory | Introduction to statistical learning theory]]

[[Основные_методы_анализа_данных_(специализация_АДИС) | Основные методы анализа данных на ПМИ]]

[[Анализ неструктурированных данных]]

[[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]

[[НИС_Распределенные_системы_(3_курс,_2017) | НИС Распределенные системы]]

[[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]

[[Непрерывная_оптимизация | Непрерывная оптимизация]]

[[ Сложность_и_логика| Сложность вычислений и логика в теоретической информатике]]

[[Data_analysis_(Software_Engineering)_2018 | Data Analysis на ПИ]]

[http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]

[http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных Машинное обучение на больших данных]

[[Дискретная_оптимизация | Дискретная оптимизация]]

||

[[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]

[[Философия_науки_2017 | Философия науки]]

[[НИС_Распределенные_системы_(4_курс,_2017) | НИС Распределенные системы]]

[[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]

[[Анализ неструктурированных данных]]

[[Байесовские методы машинного обучения 2017 | Байесовские методы машинного обучения]]

[[Функциональное программирование 2018 | Функциональное программирование]]

[http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]

||

[[Современные методы машинного обучения (курс майнора) 2017/2018]]

[[Введение в программирование (курс майнора) 2017/2018]]

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2017-2018 | Введение в анализ данных (курс майнора)]]

[[Прикладные задачи анализа данных (майнор - весна 2018)]]

[[Маго-лего "Линейная алгебра в приложениях" весна 2018 | Линейная алгебра в приложениях (маго-лего)]]

[[Функциональный анализ 2017/18 | Функциональный анализ на ПМИ (факультатив)]]

[[Дополнительные главы теории вероятностей и математической статистики (факультативы) | Дополнительные главы теории вероятностей и математической статистики (факультативы)]]

[[Дополнительные главы дискретной математики 2017/18 | Дополнительные главы дискретной математики (факультатив)]]

[[Цифровые технологии в гуманитарных науках]]

|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==

=== 2 семестр ===

[[Цифровая_грамотность_2018_(2_семестр)|Цифровая грамотность (факультет гуманитарных наук — 2 семестр: ИЯМК, Филология, История искусств, Культурология, 1 курс)]] 
[[Научно-исследовательский семинар (ФСН) |Научно-исследовательский семинар (ОП "Политология", 1 курс)]] 
[[Introduction_to_Data_Culture|Introduction to Data Culture (HSE and University of London Parallel Degree Programme in International Relations, 1 year)]] 
[[ИИ_и_БД|Искусственный интеллект и большие данные (ОП "Дизайн", "Мода", 1 курс)]] 
[[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП "Фундаментальная и компьютерная лингвистика", 4 курс, 2 семестр)]] 
[[Основы анализа данных в международных отношениях|Основы анализа данных в международных отношениях (ОП "Международные отношения", 2 курс, 4 модуль)]] 
[[Введение в data science (2_семестр)|Профориентационный семинар (блок по введению в data scicence) (Факультет социальных наук — 2 семестр: Социология, 1 курс)]] 
[[Введение в Data Science| Введение в Data Science (ФБиМ, 4 модуль)]] 

=== 1 семестр ===

[[Цифровая_грамотность|Цифровая грамотность (факультет гуманитарных наук — 1 семестр: История, Философия, 1 курс)]] 
[[Машинное обучение (факультет экономических наук)|Машинное обучение (факультет экономических наук)]] 
[[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП "Фундаментальная и компьютерная лингвистика", 4 курс, 1 семестр)]] 
[[Извлечение и анализ интернет-данных | Извлечение и анализ интернет-данных (факультет экономических наук)]] 
[[Анализ больших данных в социальных науках (ФСН, 2017) | Анализ больших данных в социальных науках (ФСН, 2017)]] 
[[Информационные_технологии_в_деятельности_юриста|Информационные технологии в деятельности юриста (Факультет права)]] 
[[Машинное_обучение_для_лингвистов|Машинное обучение (магистратура Школы лингвистики)]] 

== Курсы магистратуры Финансовые технологии и анализ данных ==

[[Вероятностные_модели_и_прикладная_статистика_в_финансовой_математике|Вероятностные модели и прикладная статистика в финансовой математике]]

[[Рекомендательные системы и поиск закономерностей в данных|Рекомендательные системы и поиск закономерностей в данных]]

== Courses of Data Science master program/Курсы магистерской программы "Науки о данных" ==

[[Introduction to Machine Learning and Data Mining |Introduction to Machine Learning and Data Mining 2019]]

[[Introduction to Machine Learning and Data Mining 2020 |Introduction to Machine Learning and Data Mining 2020]]

== Курсы за 2016/17 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3-4 курс !! майноры
|-
|

[[Математический анализ на ПМИ_2016/2017 | Математический анализ на ПМИ (пилотный поток)]]

[[Линейная алгебра и геометрия_2016/2017 | Линейная алгебра и геометрия на ПМИ]]

[[Дискретная_математика_1_2016/2017 | Дискретная математика-1 на ПМИ]]

[[Основы и методология программирования_2016/2017_пилотный_поток | Основы и методология программирования на ПМИ (пилотный поток)]]

[[Основы и методология программирования_2016/2017 | Основы и методология программирования на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_(пилотный_поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_(основной_поток) | Алгоритмы и структуры данных на ПМИ (основной поток)]]

[[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]

[http://hsealgebra17.wikidot.com/ Алгебра на ПИ]

||

[[Математический анализ_2016/2017 | Математический анализ-3 на ПМИ (основной поток)]]

[[Математически_анализ_3_на_ПМИ_(пилотный_поток) | Математический анализ-3 на ПМИ (пилотный поток)]]

[[DM_2_2016_2017 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Дискретная математика_2_2016/2017 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[Алгоритмы и структуры данных_2_2016/2017 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Теория вероятностей_2016/2017 | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2016/2017_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы]]

[[Факультатив_теория_вычислений_2016/2017 | Факультатив теория вычислений на ПМИ]]

[[Дополнительные_главы_теории_вероятностей_(факультатив,_2017) | Дополнительные главы теории вероятностей (факультатив)]]

[[Дифференциальные_уравнения_(2_курс,_2016/2017) | Дифференциальные уравнения]]

[[Математическая_статистика_2016/2017_(пилотный_поток) | Математическая статистика на ПМИ (пилотный поток)]]

[[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы ]]

||

[[НИС_Машинное_обучение_и_приложения_2016/2017 | НИС Машинное обучение и приложения на ПМИ]]

[[Машинное_обучение_1/2016_2017 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2/2016_2017 | Машинное обучение 2 на ПМИ]]

[[Прикладной_статистический_анализ_данных | Прикладной статистический анализ данных на ПМИ]]

[[Численные_методы_в_анализе_данных | Численные методы в анализе данных на ПМИ]]

[http://www.machinelearning.ru/wiki/index.php?title=Статистика_случайных_процессов_(курс_лекций,_ФКН_ВШЭ) Вероятностные модели и статистика случайных процессов на ПМИ]

[http://www.machinelearning.ru/wiki/index.php?title=Opt Методы оптимизации на ПМИ (специализации МОП и РС)]

[[Методы_оптимизации_(весна_2017)|Методы оптимизации 2 (дискретная оптимизация)]]

[[НИС_Распределенные_системы_(осень_2016) | НИС Распределенные системы]]

[[Анализ и верификация алгоритмов биржевой торговли | Анализ и верификация алгоритмов для систем биржевой торговли ]]

[[Программирование_на_графических_процессорах | Программирование на графических процессорах]]

[[ЯРПО | Языки разработки ПО (курс по выбору) на ПМИ]]

[[Data analysis (Software Engineering) 2017 | Data analysis на ПИ]]

[[Базы данных 2 | Базы данных 2 ]]

[[Компьютерные сети 2 | Компьютерные сети 2]]

[[Машинное_обучение_на_больших_данных | Машинное обучение на больших данных на ПМИ]]

||

[[Современные_методы_машинного_обучения_(курс_майнора) | Современные методы машинного обучения (курс майнора)]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_программирование_2016/2017 | Введение в программирование (курс майнора)]]

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2016-2017 | Введение в анализ данных (курс майнора)]]

[[Майнор Интеллектуальный анализ данных/Прикладные задачи анализа данных| Прикладные задачи анализа данных (курс майнора)]]

|}

{|width=100%
|style="vertical-align:top;"|



=== Курсы за 2015/16 учебный год ===
{|
|-
| [[Технологии программирования|Технологии программирования на ПМИ]]
|-
|[[ОиМП-2015|Основы и методология программирования на ПМИ]]
|-
|[[Алгоритмы и структуры данных 2016]]
|-
|[[Линейная алгебра и геометрия_2015/2016 | Линейная алгебра и геометрия на ПМИ]]
|-
|[[Алгебра_2015/2016 | Алгебра на ПМИ]]
|-
|[http://hsealgebra.wikidot.com/ Алгебра на ПИ]
|-
|[[Компьютерные системы]]
|-
|[[Математический анализ на ПМИ_2015/2016 | Математический анализ на ПМИ]]
|-
|[[Факультатив_Матпрактикум | Матпрактикум (факультатив) на ПМИ]]
|-
|[[Data analysis (Software Engineering)]] 
|-
|[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора) на ПМИ]]
|-
|[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2015-2016|Введение в анализ данных (курс майнора) на ПМИ]]
|-
|[[НИС Машинное обучение и приложения|НИС Машинное обучение и приложения на ПМИ]]
|-
|[[Архитектура компьютеров и системное программирование (ПМИ_4, 2015/2016)|Архитектура компьютеров и системное программирование (4 курс)]]
|-
|[[Дифференциальные уравнения (2 курс, 2015/2016)| Дифференциальные уравнения]]
|-
|[[Введение в VBA|Введение в VBA]]
|}

|style="vertical-align:top;"|



=== Курсы за 2014/15 учебный год ===
{|
|-
|[[Основы и методологии программирования]] 
|-
|[[Алгоритмы и структуры данных 2015 | Алгоритмы и структуры данных]] 
|-
|[[Анализ данных (Программная инженерия)]] 
|-
|[[Алгебра_2014/2015 | Алгебра]] 
|-
|[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]
|}

==== Проектная работа ====
{|
|-
|[[Проектная работа]] 
|-
|[[Учебная практика 1 курс (2016)]]
|-
|[[Проектная работа 2 курс (2016)]]
|}


|}

== Мероприятия факультета компьютерных наук ==
=== Summer School 2015 ===
[[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]
#[[Lecture 1. Introduction|Introduction]]
#[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]
#[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]
#[[Lecture 4. Parsing|Parsing]]
#[[Lecture 5. Language sources|Language sources]]
#[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]
#[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]
#[[NLP References|References]]

== Архив ==
* [[Учебная практика 1 курс (2015)]]

Эффективные системы глубинного обучения 21/22

2022-01-12T23:41:18Z

== О курсе ==

Курс по выбору для студентов 4 курса, читается в 3 модуле.

'''Лектор:''' [https://www.hse.ru/org/persons/175396509 Рябинин Максим Константинович]

'''Семинаристы:''' [https://www.hse.ru/org/persons/137309118 Космачев Алексей Дмитриевич], [https://www.hse.ru/org/persons/160981986 Маркович Александр], [https://www.hse.ru/org/persons/160995848 Семенкин Антон Александрович], Факанов Павел Александрович

Занятия проходят по субботам в 13:00 – 16:00.

=== Полезные ссылки ===

[https://anytask.org/course/892 Anytask] для сдачи заданий (инвайты будут отправлены по почте)

Канал в Telegram для объявлений: https://t.me/+_2A6MJZOMJQ2MjEy

Чат в Telegram для обсуждения курса: https://t.me/+Cqa8QoxEcPJhZWUy

[https://github.com/mryab/efficient-dl-systems Репозиторий] с материалами курса

Вопросы по курсу можно задавать в чате либо преподавателям в Telegram. Ошибки в материалах лучше всего оформлять в виде Issue на GitHub; если вы исправили опечатку, желательно сразу оформить Pull Request.

[https://forms.gle/MkJE7bzoiAQYP9Ay6 Форма] для анонимной обратной связи или вопросов по материалам занятий

=== Правила выставления оценок ===

В курсе предусмотрено четыре домашних задания:

1. Распределённое обучение и memory-efficient методы обучения (состоит из 3 частей)

2. Профилирование DL-кода и эффективные пайплайны обучения

3. Вывод нейросетей в production и ускорение их работы (состоит из 3 частей)

4. Управление экспериментами, тестирование и мониторинг моделей

Итоговая оценка вычисляется по следующей формуле:

Oитог = 0.3*OДЗ1+0.1*OДЗ2+0.4*OДЗ3+0.2*OДЗ4.

Округление оценки арифметическое.

=== Правила сдачи заданий ===

Дедлайны заданий объявляются в момент их выдачи.

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. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

== Полезные материалы ==
===Курсы===
# CS 329S: Machine Learning Systems Design. https://stanford-cs329s.github.io/
# Full Stack Deep Learning. https://fullstackdeeplearning.com/
# Machine Learning Engineering for Production (MLOps) Specialization. https://www.coursera.org/specializations/machine-learning-engineering-for-production-mlops
# CS4787: Principles of Large-Scale Machine Learning. https://www.cs.cornell.edu/courses/cs4787/2021sp/

Машинное обучение 2/2023 2024

2020-06-06T17:58:34Z

M.ryabinin: /* 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 3-4 модулях.

Проводится с 2016 года.

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

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/292675363 Карточка курса и программа]

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

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+161@gmail.com)

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAE5SoOZ7xcP42p_G-Q

Чат в telegram для обсуждений (предназначение чата до конца не ясно, вопросы может быть правильнее задавать в чатах групп): https://t.me/joinchat/A5rlQBUrWTeXl7eBbnyBcQ

Ссылка на курс в Anytask: https://anytask.org/course/686

[https://docs.google.com/spreadsheets/d/1QIUMUkjzHfRqNIkYHVb4jsi3Pkq7URAQWSW8c9UwE-g/edit?usp=sharing Таблица с оценками]

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

'''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.
Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель
|-
| 171 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна]
|-
| 172 (МОП) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич]
|-
| Курс по выбору || [https://www.hse.ru/org/persons/? Рысьмятова Анастасия Александровна]
|-
|}

=== Правила выставления оценок ===

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

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

Итог = Округление(0.3 * ДЗ + 0.15 * П + 0.2 * К + 0.1 * ПР + 0.25 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

П — оценка за проект

К — оценка за коллоквиум

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 исключения, о них написано ниже.

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 13''' (24 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture13-kernels.pdf Конспект]]

'''Лекция 14''' (28 января). Двойственная задача SVM. Типы объектов, связь между решениями прямой и двойственной задач. Аппроксимация ядер. Метод случайных признаков Фурье. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture14-kernels.pdf Конспект]]

'''Лекция 15''' (7 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture15-em.pdf Конспект]]

'''Лекция 16''' (14 февраля). Одноклассовые методы и поиск аномалий. Восстановление плотности. Одноклассовый метод опорных векторов. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture16-anomaly.pdf Конспект]]

'''Лекция 17''' (21 февраля). Спектральная кластеризация и лапласиан графа. Внешние метрики качества кластеризации.

'''Лекция 18''' (28 февраля). Частичное обучение. Self-training. Вероятностные методы. S3VM. Графовые методы частичного обучения. [[http://pages.cs.wisc.edu/~jerryzhu/pub/sslicml07.pdf презентация по теме]]

'''Лекция 19''' (6 марта). Рекомендательные системы. Модели со скрытыми переменными. Implicit ALS. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture19-recommender.pdf Конспект]]

'''Лекция 20''' (13 марта). Рекомендательные системы. Метрики качества рекомендаций. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture20-recommender.pdf Конспект]]

'''Лекция 21''' (20 марта). Метрические методы. Метрики для текстов, WMD. Быстрый поиск ближайших соседей. Locality-sensitive hashing. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture21-knn.pdf Конспект]] [[https://www.youtube.com/watch?v=vfWrWIDN4_E Запись вебинара]]

'''Лекция 22''' (27 марта). Locality-sensitive hashing. Композиции хэш-функций. Хэш-функции для косинусного и евклидова расстояний. NSW и HNSW. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture21-knn.pdf Конспект]] [[https://www.youtube.com/watch?v=xpSz7tWWyQ0 Запись вебинара]] [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture22-knn-notes.pdf Конспект с вебинара]]

'''Лекция 23''' (10 апреля). Краудсорсинг: агрегация оценок, incremental relabeling, performance-based pricing (Валентина Фёдорова, Яндекс.Толока). [[https://www.dropbox.com/s/fyrfn21d6sjlr3v/hse_crowdsourcing_aggregation.pptx?dl=0 Слайды 1]] [[https://www.dropbox.com/s/zoztakvbhhs5rc2/hse_crowdsourcing_IRL%26PBP.pptx?dl=0 Слайды 2]] [[https://www.youtube.com/watch?v=KVjbuT5g7eg Запись вебинара]]

'''Лекция 24''' (17 апреля). Ранжирование. Метрики качества ранжирования, позиционные и каскадные метрики. PageRank. Методы ранжирования. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture24-ranking.pdf Конспект]] [[https://www.youtube.com/watch?v=UIFdbJB7IGc Запись вебинара]] [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture24-ranking-notes.pdf Конспект с вебинара]]

'''Лекция 25''' (24 апреля). Ранжирование. Списочные методы и прямая оптимизация метрик качества ранжирования. Обобщённые линейные модели. [[https://www.youtube.com/watch?v=YvbC8oUXnbc Запись вебинара]] [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture25-ranking-glm-notes.pdf Конспект с вебинара]]

== Семинары ==

'''Семинар 13'''. Решение задач условной оптимизации. Условия Куна-Таккера. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem13-svm.pdf Конспект]]

'''Семинар 14'''. Задачи на построение ядер. Задачи на прямую и двойственную формулировки метода опорных векторов. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem14-kernels.pdf Конспект]]

'''Семинар 15'''. Задачи на вывод шагов EM-алгоритма. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem15-em.pdf Конспект]]

'''Семинар 16'''. Задачи на вывод шагов EM-алгоритма. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem15-em.pdf Конспект]]

'''Семинар 17'''. Байесовский подход. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem17-bayes.pdf Конспект]]

'''Семинар 18'''. Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem18-unsupervised.pdf Конспект]]

'''Семинар 19'''. Матричные разложения, ALS и HALS. Факторизационные машины. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem19-recommendations.pdf Конспект]]

'''Семинар 20'''. Метод k ближайших соседей. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem20-knn.pdf Конспект]]

'''Семинар 21'''. Генерация и отбор признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem21-features-part1.pdf Конспект]]

'''Семинар 22'''. Интерпретация моделей. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem22-interpreting.pdf Конспект]]

'''Семинар 23'''. Обучение попарных соотношений. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem23-ranking.pdf Конспект]]

'''Семинар 24'''. Обобщённые линейные модели. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem24-glm.pdf Конспект]]

== Теоретические задания ==

'''Теоретическое домашнее задание 5''': ядровые методы [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-theory/homework-theory-05-kernels.pdf ссылка]]

'''Теоретическое домашнее задание 6''': EM-алгоритм [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-theory/homework-theory-06-em.pdf ссылка]]

'''Теоретическое домашнее задание 7''': одноклассовые методы, частичное обучение, рекомендательные системы [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-theory/homework-theory-07.pdf ссылка]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но 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).

'''Задание 8.''' Метод опорных векторов и аппроксимация ядер.

Мягкий дедлайн: 30.03.2020 02:59

Жесткий дедлайн: 03.04.2020 23:59

[[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-practice/homework-practice-08-random-features.ipynb Ноутбук с заданием]]

'''Задание 9.''' EM-алгоритм.

Мягкий дедлайн: 30.04.2020 07:00

Жесткий дедлайн: 03.05.2020 07:00

[[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-practice/homework-practice-09-em/homework-practice-09-em.ipynb Ноутбук с заданием]]
[[https://contest.yandex.ru/contest/17827/ Контест для сдачи решений]]

'''Задание 10.''' Рекомендательные системы.

Мягкий дедлайн: 25.05.2020 23:59

Жесткий дедлайн: 28.05.2020 23:59

[[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-practice/homework-practice-10-recommendations.ipynb Ноутбук с заданием]]

'''Задание 11.''' Поиск ближайших соседей (бонусное задание).

Жесткий дедлайн: 12.06.2020 07:00

[[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-practice/homework-practice-11-knn.ipynb Ноутбук с заданием]]

'''Задание 12.''' Обобщённые линейные модели (бонусное задание).

Жесткий дедлайн: 09.06.2020 23:59

[[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-practice/homework-practice-12-glm.ipynb Ноутбук с заданием]]

== Проект ==

Одной из форм контроля является проект. Результатом выполнения проекта должен быть отчёт, содержащий в себе:
* Описание задачи
* Описание методов
* Описание данных, на которых проводились эксперименты
* Подробное описание экспериментов и результатов
* Анализ результатов и выводы

Не нужно писать формальный текст — будет здорово, если у вас получится интересная и доступная обзорная статья.

Темы проектов: https://docs.google.com/spreadsheets/d/1CR-uRp-USdjk-AeJD0Dm0rr99puA4oG4uMh6kNDk23k/edit?usp=sharing

Можно предлагать свои темы — их нужно вписать в ту же табличку. Такие темы нужно согласовать с лектором.

По умолчанию каждую тему может взять одна команда из 2-3 студентов. По согласованию с лектором одну тему может взять несколько команд.

Дедлайн сдачи отчёта и кода: 4 июня 23:59.

== 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):

«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-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса 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.

== Коллоквиум ==

* [https://docs.google.com/document/d/16yWpULTcMGxcEDQPwjTsZAWHDWMTsfUbBUWOKsbuPiE/edit?usp=sharing Вопросы]
* [https://docs.google.com/document/d/1Nmmhli86_UbDDHhTWJMAYUYLiJWHoLm3-sRHb186bCM/edit?usp=sharing Теоретический минимум]

Коллоквиум пройдёт 16 мая в zoom. Понадобится камера.

Схема опроса на коллоквиуме:
# Разрешается принести с собой один лист А4, где от руки написано что угодно (его нужно будет показать преподавателю). Можно будет пользоваться этим листом в любом момент, кроме опроса по теоретическому минимуму.
# В начале студенту задаётся три вопроса из теоретического минимума. Отсутствие полного ответа на хотя бы один из них сразу же гарантирует нулевую оценку за коллоквиум. Если на все вопросы ответы полные и правильные, то студент получает 2 балла. Если при дальнейшем опросе студент демонстрирует ненулевые знания, то он получает ещё 2 балла за теоретический минимум.
# Далее студенту даётся вопрос из списка вопросов (первая ссылка выше). Ответ на него оценивается максимум в 4 балла.
# Далее студенту даётся ещё один вопрос из списка или задача на усмотрение преподавателя. Ответ оценивается максимум в 7 баллов (столько можно получить, если попросить дать и доп. вопрос, и задачу, и справиться с ними).
# Все баллы суммируются, больше 10 баллов получить нельзя. Избыток баллов уходит в бонусы.

== Экзамен ==

Вопросы прошлого года: https://docs.google.com/document/d/1sOSePDjuunPk_OiVW8-VgWEuF-ZCCtE92NPl1hkbIbo/edit?usp=sharing

== 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-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]

== Страницы предыдущих лет ==

[[Машинное_обучение_2/2018_2019 | 2018/2019 учебный год]]

[[Машинное_обучение_2/2017_2018 | 2017/2018 учебный год]]

[[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]

Машинное обучение 2/2023 2024

2020-04-25T12:29:01Z

M.ryabinin:

== 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 3-4 модулях.

Проводится с 2016 года.

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

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/292675363 Карточка курса и программа]

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

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+161@gmail.com)

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAE5SoOZ7xcP42p_G-Q

Чат в telegram для обсуждений (предназначение чата до конца не ясно, вопросы может быть правильнее задавать в чатах групп): https://t.me/joinchat/A5rlQBUrWTeXl7eBbnyBcQ

Ссылка на курс в Anytask:

[https://docs.google.com/spreadsheets/d/1QIUMUkjzHfRqNIkYHVb4jsi3Pkq7URAQWSW8c9UwE-g/edit?usp=sharing Таблица с оценками]

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

'''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.
Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель
|-
| 171 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна]
|-
| 172 (МОП) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич]
|-
| Курс по выбору || [https://www.hse.ru/org/persons/? Рысьмятова Анастасия Александровна]
|-
|}

=== Правила выставления оценок ===

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

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

Итог = Округление(0.3 * ДЗ + 0.15 * П + 0.2 * К + 0.1 * ПР + 0.25 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

П — оценка за проект

К — оценка за коллоквиум

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 исключения, о них написано ниже.

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 13''' (24 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture13-kernels.pdf Конспект]]

'''Лекция 14''' (28 января). Двойственная задача SVM. Типы объектов, связь между решениями прямой и двойственной задач. Аппроксимация ядер. Метод случайных признаков Фурье. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture14-kernels.pdf Конспект]]

'''Лекция 15''' (7 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture15-em.pdf Конспект]]

'''Лекция 16''' (14 февраля). Одноклассовые методы и поиск аномалий. Восстановление плотности. Одноклассовый метод опорных векторов. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture16-anomaly.pdf Конспект]]

'''Лекция 17''' (21 февраля). Спектральная кластеризация и лапласиан графа. Внешние метрики качества кластеризации.

'''Лекция 18''' (28 февраля). Частичное обучение. Self-training. Вероятностные методы. S3VM. Графовые методы частичного обучения. [[http://pages.cs.wisc.edu/~jerryzhu/pub/sslicml07.pdf презентация по теме]]

'''Лекция 19''' (6 марта). Рекомендательные системы. Модели со скрытыми переменными. Implicit ALS. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture19-recommender.pdf Конспект]]

'''Лекция 20''' (13 марта). Рекомендательные системы. Метрики качества рекомендаций. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture20-recommender.pdf Конспект]]

'''Лекция 21''' (20 марта). Метрические методы. Метрики для текстов, WMD. Быстрый поиск ближайших соседей. Locality-sensitive hashing. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture21-knn.pdf Конспект]] [[https://www.youtube.com/watch?v=vfWrWIDN4_E Запись вебинара]]

'''Лекция 22''' (27 марта). Locality-sensitive hashing. Композиции хэш-функций. Хэш-функции для косинусного и евклидова расстояний. NSW и HNSW. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture21-knn.pdf Конспект]] [[https://www.youtube.com/watch?v=xpSz7tWWyQ0 Запись вебинара]] [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture22-knn-notes.pdf Конспект с вебинара]]

'''Лекция 23''' (10 апреля). Краудсорсинг: агрегация оценок, incremental relabeling, performance-based pricing (Валентина Фёдорова, Яндекс.Толока). [[https://www.dropbox.com/s/fyrfn21d6sjlr3v/hse_crowdsourcing_aggregation.pptx?dl=0 Слайды 1]] [[https://www.dropbox.com/s/zoztakvbhhs5rc2/hse_crowdsourcing_IRL%26PBP.pptx?dl=0 Слайды 2]] [[https://www.youtube.com/watch?v=KVjbuT5g7eg Запись вебинара]]

'''Лекция 24''' (17 апреля). Ранжирование. Метрики качества ранжирования, позиционные и каскадные метрики. PageRank. Методы ранжирования. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture24-ranking.pdf Конспект]] [[https://www.youtube.com/watch?v=UIFdbJB7IGc Запись вебинара]] [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture24-ranking-notes.pdf Конспект с вебинара]]

'''Лекция 25''' (24 апреля). Ранжирование. Списочные методы и прямая оптимизация метрик качества ранжирования. Обобщённые линейные модели. [[https://www.youtube.com/watch?v=YvbC8oUXnbc Запись вебинара]] [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture25-ranking-glm-notes.pdf Конспект с вебинара]]

== Семинары ==

'''Семинар 13'''. Решение задач условной оптимизации. Условия Куна-Таккера. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem13-svm.pdf Конспект]]

'''Семинар 14'''. Задачи на построение ядер. Задачи на прямую и двойственную формулировки метода опорных векторов. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem14-kernels.pdf Конспект]]

'''Семинар 15'''. Задачи на вывод шагов EM-алгоритма. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem15-em.pdf Конспект]]

'''Семинар 16'''. Задачи на вывод шагов EM-алгоритма. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem15-em.pdf Конспект]]

'''Семинар 17'''. Байесовский подход. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem17-bayes.pdf Конспект]]

'''Семинар 18'''. Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem18-unsupervised.pdf Конспект]]

'''Семинар 19'''. Матричные разложения, ALS и HALS. Факторизационные машины. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem19-recommendations.pdf Конспект]]

'''Семинар 20'''. Метод k ближайших соседей. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem20-knn.pdf Конспект]]

== Теоретические задания ==

'''Теоретическое домашнее задание 5''': ядровые методы [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-theory/homework-theory-05-kernels.pdf ссылка]]

'''Теоретическое домашнее задание 6''': EM-алгоритм [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-theory/homework-theory-06-em.pdf ссылка]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но 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).

'''Задание 8.''' Метод опорных векторов и аппроксимация ядер.

Мягкий дедлайн: 30.03.2020 02:59

Жесткий дедлайн: 03.04.2020 23:59.

[[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-practice/homework-practice-08-random-features.ipynb Ноутбук с заданием]]

'''Задание 9.''' EM-алгоритм.

Мягкий дедлайн: 30.04.2020 07:00

Жесткий дедлайн: 03.05.2020 07:00.

[[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-practice/homework-practice-09-em/homework-practice-09-em.ipynb Ноутбук с заданием]]
[[https://contest.yandex.ru/contest/17827/ Контест для сдачи решений]]

== Проект ==

Одной из форм контроля является проект. Результатом выполнения проекта должен быть отчёт, содержащий в себе:
* Описание задачи
* Описание методов
* Описание данных, на которых проводились эксперименты
* Подробное описание экспериментов и результатов
* Анализ результатов и выводы

Не нужно писать формальный текст — будет здорово, если у вас получится интересная и доступная обзорная статья.

Темы проектов: https://docs.google.com/spreadsheets/d/1CR-uRp-USdjk-AeJD0Dm0rr99puA4oG4uMh6kNDk23k/edit?usp=sharing

Можно предлагать свои темы — их нужно вписать в ту же табличку. Такие темы нужно согласовать с лектором.

По умолчанию каждую тему может взять одна команда из 2-3 студентов. По согласованию с лектором одну тему может взять несколько команд.

Дедлайн сдачи отчёта и кода: 24 мая 23:59.

== 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):

«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-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса 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.

== Коллоквиум ==

* [https://docs.google.com/document/d/1pSRySGMbE-oTr1HAOCKeAr6OdutPV2huCEC5fBct74Y/edit?usp=sharing Вопросы] прошлого года
* [https://docs.google.com/document/d/1iJ_Q5hBiKpPd3MQ3OhBA6SzyIaTiLuuOKphjAi_fIlU/edit?usp=sharing Теоретический минимум] прошлого года

Схема опроса на коллоквиуме:
# Разрешается принести с собой один лист А4, где от руки написано что угодно. Можно будет пользоваться этим листом в любом момент, кроме опроса по теоретическому минимуму.
# В начале студенту задаётся три вопроса из теоретического минимума. Отсутствие полного ответа на хотя бы один из них сразу же гарантирует нулевую оценку за коллоквиум. Если на все вопросы ответы полные и правильные, то студент получает 2 балла. Если при дальнейшем опросе студент демонстрирует ненулевые знания, то он получает ещё 2 балла за теоретический минимум.
# Далее студенту даётся вопрос из списка вопросов (первая ссылка выше). Ответ на него оценивается максимум в 4 балла.
# Далее студенту даётся ещё один вопрос из списка или задача. Ответ оценивается максимум в 4 балла.
# Все баллы суммируются, больше 10 баллов получить нельзя. Избыток баллов уходит в бонусы.

== Экзамен ==

Вопросы прошлого года: https://docs.google.com/document/d/1sOSePDjuunPk_OiVW8-VgWEuF-ZCCtE92NPl1hkbIbo/edit?usp=sharing

== 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-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]

== Страницы предыдущих лет ==

[[Машинное_обучение_2/2018_2019 | 2018/2019 учебный год]]

[[Машинное_обучение_2/2017_2018 | 2017/2018 учебный год]]

[[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]

Машинное обучение 2/2023 2024

2020-04-11T13:48:31Z

M.ryabinin:

== 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 3-4 модулях.

Проводится с 2016 года.

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

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/292675363 Карточка курса и программа]

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

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+161@gmail.com)

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAE5SoOZ7xcP42p_G-Q

Чат в telegram для обсуждений (предназначение чата до конца не ясно, вопросы может быть правильнее задавать в чатах групп): https://t.me/joinchat/A5rlQBUrWTeXl7eBbnyBcQ

Ссылка на курс в Anytask:

[https://docs.google.com/spreadsheets/d/1QIUMUkjzHfRqNIkYHVb4jsi3Pkq7URAQWSW8c9UwE-g/edit?usp=sharing Таблица с оценками]

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

'''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.
Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель
|-
| 171 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна]
|-
| 172 (МОП) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич]
|-
| Курс по выбору || [https://www.hse.ru/org/persons/? Рысьмятова Анастасия Александровна]
|-
|}

=== Правила выставления оценок ===

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

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

Итог = Округление(0.3 * ДЗ + 0.15 * П + 0.2 * К + 0.1 * ПР + 0.25 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

П — оценка за проект

К — оценка за коллоквиум

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 исключения, о них написано ниже.

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 13''' (24 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture13-kernels.pdf Конспект]]

'''Лекция 14''' (28 января). Двойственная задача SVM. Типы объектов, связь между решениями прямой и двойственной задач. Аппроксимация ядер. Метод случайных признаков Фурье. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture14-kernels.pdf Конспект]]

'''Лекция 15''' (7 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture15-em.pdf Конспект]]

'''Лекция 16''' (14 февраля). Одноклассовые методы и поиск аномалий. Восстановление плотности. Одноклассовый метод опорных векторов. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture16-anomaly.pdf Конспект]]

'''Лекция 17''' (21 февраля). Спектральная кластеризация и лапласиан графа. Внешние метрики качества кластеризации.

'''Лекция 18''' (28 февраля). Частичное обучение. Self-training. Вероятностные методы. S3VM. Графовые методы частичного обучения. [[http://pages.cs.wisc.edu/~jerryzhu/pub/sslicml07.pdf презентация по теме]]

'''Лекция 19''' (6 марта). Рекомендательные системы. Модели со скрытыми переменными. Implicit ALS. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture19-recommender.pdf Конспект]]

'''Лекция 20''' (13 марта). Рекомендательные системы. Метрики качества рекомендаций. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture20-recommender.pdf Конспект]]

'''Лекция 21''' (20 марта). Метрические методы. Метрики для текстов, WMD. Быстрый поиск ближайших соседей. Locality-sensitive hashing. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture21-knn.pdf Конспект]] [[https://www.youtube.com/watch?v=vfWrWIDN4_E Запись вебинара]]

'''Лекция 22''' (27 марта). Locality-sensitive hashing. Композиции хэш-функций. Хэш-функции для косинусного и евклидова расстояний. NSW и HNSW. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture21-knn.pdf Конспект]] [[https://www.youtube.com/watch?v=xpSz7tWWyQ0 Запись вебинара]] [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/lecture-notes/lecture22-knn-notes.pdf Конспект с вебинара]]

'''Лекция 23''' (10 апреля). Краудсорсинг: агрегация оценок, incremental relabeling, performance-based pricing (Валентина Фёдорова, Яндекс.Толока). [[https://www.dropbox.com/s/fyrfn21d6sjlr3v/hse_crowdsourcing_aggregation.pptx?dl=0 Слайды 1]] [[https://www.dropbox.com/s/zoztakvbhhs5rc2/hse_crowdsourcing_IRL%26PBP.pptx?dl=0 Слайды 2]] [[https://www.youtube.com/watch?v=KVjbuT5g7eg Запись вебинара]]

== Семинары ==

'''Семинар 13'''. Решение задач условной оптимизации. Условия Куна-Таккера. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem13-svm.pdf Конспект]]

'''Семинар 14'''. Задачи на построение ядер. Задачи на прямую и двойственную формулировки метода опорных векторов. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem14-kernels.pdf Конспект]]

'''Семинар 15'''. Задачи на вывод шагов EM-алгоритма. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem15-em.pdf Конспект]]

'''Семинар 16'''. Задачи на вывод шагов EM-алгоритма. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem15-em.pdf Конспект]]

'''Семинар 17'''. Байесовский подход. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem17-bayes.pdf Конспект]]

'''Семинар 18'''. Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem18-unsupervised.pdf Конспект]]

'''Семинар 19'''. Матричные разложения, ALS и HALS. Факторизационные машины. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem19-recommendations.pdf Конспект]]

'''Семинар 20'''. Метод k ближайших соседей. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/seminars/sem20-knn.pdf Конспект]]

== Теоретические задания ==

'''Теоретическое домашнее задание 5''': ядровые методы [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-theory/homework-theory-05-kernels.pdf ссылка]]

'''Теоретическое домашнее задание 6''': EM-алгоритм [[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-theory/homework-theory-06-em.pdf ссылка]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но 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).

'''Задание 8.''' Метод опорных векторов и аппроксимация ядер.

Мягкий дедлайн: 30.03.2020 02:59

Жесткий дедлайн: 03.04.2020 23:59.

[[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-practice/homework-practice-08-random-features.ipynb Ноутбук с заданием]]

'''Задание 9.''' EM-алгоритм.

Мягкий дедлайн: 27.04.2020 07:00

Жесткий дедлайн: 30.04.2020 07:00.

[[https://github.com/esokolov/ml-course-hse/blob/master/2019-spring/homeworks-practice/homework-practice-09-em/homework-practice-09-em.ipynb Ноутбук с заданием]]
[[https://contest.yandex.ru/contest/17827/ Контест для сдачи решений]]

== Проект ==

Одной из форм контроля является проект. Результатом выполнения проекта должен быть отчёт, содержащий в себе:
* Описание задачи
* Описание методов
* Описание данных, на которых проводились эксперименты
* Подробное описание экспериментов и результатов
* Анализ результатов и выводы

Не нужно писать формальный текст — будет здорово, если у вас получится интересная и доступная обзорная статья.

Темы проектов: https://docs.google.com/spreadsheets/d/1CR-uRp-USdjk-AeJD0Dm0rr99puA4oG4uMh6kNDk23k/edit?usp=sharing

Можно предлагать свои темы — их нужно вписать в ту же табличку. Такие темы нужно согласовать с лектором.

По умолчанию каждую тему может взять одна команда из 2-3 студентов. По согласованию с лектором одну тему может взять несколько команд.

Дедлайн сдачи отчёта и кода: 24 мая 23:59.

== 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):

«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-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса 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.

== Коллоквиум ==

* [https://docs.google.com/document/d/1pSRySGMbE-oTr1HAOCKeAr6OdutPV2huCEC5fBct74Y/edit?usp=sharing Вопросы] прошлого года
* [https://docs.google.com/document/d/1iJ_Q5hBiKpPd3MQ3OhBA6SzyIaTiLuuOKphjAi_fIlU/edit?usp=sharing Теоретический минимум] прошлого года

Схема опроса на коллоквиуме:
# Разрешается принести с собой один лист А4, где от руки написано что угодно. Можно будет пользоваться этим листом в любом момент, кроме опроса по теоретическому минимуму.
# В начале студенту задаётся три вопроса из теоретического минимума. Отсутствие полного ответа на хотя бы один из них сразу же гарантирует нулевую оценку за коллоквиум. Если на все вопросы ответы полные и правильные, то студент получает 2 балла. Если при дальнейшем опросе студент демонстрирует ненулевые знания, то он получает ещё 2 балла за теоретический минимум.
# Далее студенту даётся вопрос из списка вопросов (первая ссылка выше). Ответ на него оценивается максимум в 4 балла.
# Далее студенту даётся ещё один вопрос из списка или задача. Ответ оценивается максимум в 4 балла.
# Все баллы суммируются, больше 10 баллов получить нельзя. Избыток баллов уходит в бонусы.

== Экзамен ==

Вопросы прошлого года: https://docs.google.com/document/d/1sOSePDjuunPk_OiVW8-VgWEuF-ZCCtE92NPl1hkbIbo/edit?usp=sharing

== 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-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]

== Страницы предыдущих лет ==

[[Машинное_обучение_2/2018_2019 | 2018/2019 учебный год]]

[[Машинное_обучение_2/2017_2018 | 2017/2018 учебный год]]

[[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]

НИС Машинное обучение и приложения 2019/2020

2020-02-04T15:43:07Z

M.ryabinin:

=== Расписание ===

{| class="wikitable"
|-
! Группа !! Новости !! Руководители НИСа !! Контакты !! Расписание
|-
| 4 курс: 161 || [https://t.me/joinchat/AAAAAE6vBndXbVtqjyRM7w телеграм]||[https://www.hse.ru/org/persons/165140955 Кирилл Струминский] || k.struminsky@gmail.com || четверг 15:10
|-
| 4 курс: 162|| [https://t.me/joinchat/AAAAAEWgb9UQ5KVXFvdvFw телеграм]🅱️АЖНО: Планы докладов и презентации теперь нужно присылать мне на почту ai.atanow@gmail.com, с темой письма "НИС 2019, Имя Фамилия, Название статьи". ||[https://www.hse.ru/org/persons/137283751 Андрей Атанов] и [https://www.hse.ru/staff/mryabinin Максим Рябинин] || ai.atanow@gmail.com и mryabinin@hse.ru || четверг 15:10
|-
| 3 курс: 171 || [https://t.me/joinchat/AAAAAEhDxNC2cHi6DtYYDQ телеграм] ||[https://www.hse.ru/org/persons/131072080 Екатерина Лобачева] и [https://www.hse.ru/staff/mryabinin Максим Рябинин] || lobacheva.tjulja@gmail.com и mryabinin@hse.ru || пятница 13:40
|-
| 3 курс: 172 || [https://t.me/joinchat/AAAAAEXCqtbGwCC_Ha2kmA телеграм]||[https://www.hse.ru/org/persons/131072080 Екатерина Лобачева] и [https://www.hse.ru/staff/mryabinin Максим Рябинин] || lobacheva.tjulja@gmail.com и mryabinin@hse.ru || пятница 15:10
|-
|}

'''[https://docs.google.com/spreadsheets/d/15QKN8NPgelsACp_mHLfY57SsX14lTB-i2fNodNeNk4c/edit?usp=sharing Таблица с оценками и расписанием]''' 
'''[https://docs.google.com/spreadsheets/d/1KWrah8dSuB9WPK2uKBxjP7DnxUiv7De4fHSA3rVaXwA/edit#gid=163707036 Таблица с планированием тем выступлений]''' 

Рецензии на доклады писать здесь: [https://docs.google.com/forms/d/e/1FAIpQLSd_YL57zFfk5TinPcyf6H9cdi5_fZsyK4LOl2GPZcHDpffKpw/viewform форма] 
Оставить отзыв на курс: [https://docs.google.com/forms/d/e/1FAIpQLSfN2NjAYL9Ka7p75XBesQ7lR43rleQc_Id2NbNDv8G7mqMY-g/viewform?c=0&w=1 форма]

Все объявления по курсу будут в каналах в телеграме, поэтому нужно обязательно добавиться в канал своей группы. Вопросы и комментарии по курсу нужно отправлять своему преподавателю на почту. В название письма обязательно добавлять тег '''[НИС ФКН]''', а также указывать свою фамилию и имя.

== Краткое описание ==

Данный семинар является одной из форм организации научно-исследовательской деятельности студентов специализации “Машинное обучение и приложения”. На нём в течение года под руководством преподавателей студентам предлагается делать презентации своих исследовательских проектов, а также обзорные доклады на различные темы, связанные с машинным обучением. Семинар призван способствовать своевременному включению студентов в исследовательский процесс и расширению их научного кругозора. Его задачей также является развитие навыков ведения научной дискуссии и презентации исследовательских результатов.

В ходе занятий подразумаваются следующие виды деятельности студентов:
* Посещение занятий, прослушивание и обсуждение докладов.
* Выступление студентов с докладами на различные темы, связанные с машинным обучением.
* Выступления студентов с докладами по курсовым работам.
* Рецензирование докладов и курсовых работ своих одногруппников.
* Написание проверочных работ по материалам докладов.

== Доклады, проверочные работы и рецензирование ==

'''Доклады''' 
В течение года каждый студент выступает с докладами по темам, связанным с машинным обучением. Стандартная продолжительность доклада - 30 минут, то есть на одном занятии проводится два выступления. Каждый студент должен сделать два доклада за год. Если такое количество докладов не будет укладываться в рамки курса по времени, то студенты с лучшим выступлением будут освобождены от второго доклада.

Два раза в год студент должен утвердить тему своего выступления у преподавателя в назначенные для этого сроки. Минимум '''за неделю''' до даты выступления докладчик должен прислать преподавателю на согласование:

# Краткий план доклада. Он должен быть достаточно подробным, чтобы из него были понятны основные идеи, связи между ними и уровень подробности рассказа про каждую идею.
# Пререквизиты. Список того, что надо знать слушателям, чтобы понять доклад. Для каждого пункта напишите будете ли вы в каком-то виде это в докладе напоминать.
# Список вопросов по материалу доклада. 3-4 вопроса для проверочной по вашему выступлению. Вопросы должны соответствовать целям доклада и покрывать важные идеи, которые человек из вашего доклада должен вынести. Вопросы должны быть достаточно конкретными (не надо ударяться в философию), достаточно математичными (спросить про формулу функции потерь модели - отличная идея, но спросить выписать все градиенты для обучения модели - плохая) и больше проверять понимание материала, а не запоминание. Вопросы стоит выносить на последний слайд презентации - так всем будет удобно в конце доклада проверить, что они поняли основные идеи доклада.

Сразу после выступления необходимо прислать свою презентацию. При невыполнении перечисленных условий в поставленные сроки преподаватель имеет право снизить оценку за соответствующий доклад. Если вы присылаете план выступления позднее, чем в 9:00 дня, следующего за последним проведенным семинаром перед вашим выступлением (пример: семинар проходит в пятницу, вы прислали позже 9:00 субботы предыдущей недели), оценка за доклад снижается на 2 балла. Если вы присылаете свою презентацию позднее, чем в 9:00 следующего после даты выступления дня, оценка за доклад снижается на 1 балл.

Неявка на свой доклад без уважительной причины приводит к нежелательным последствиям. Даже при наличии уважительной причины, пожалуйста, предупреждайте о ней преподавателя заранее.

Оценка за доклад складывается на 75% из оценки преподавателя и на 25% из оценки студентов (по итогам рецензирования).

'''Рецензии''' 
Каждый доклад оценивается не только преподавателем, но и студентами. Трое одногруппников докладчика, '''присутствовавшие на занятии''', пишут короткую рецензию на выступление и оценивают его по 10-бальной шкале в форме, ссылка на которую находится в верхней части страницы. Рецензенты назначаются преподавателем на занятии.

Рецензия должна обосновывать выставленную оценку, содержать описание положительных и отрицательных сторон, а также предложения по улучшению доклада. Главная цель рецензии - помочь докладчику улучшить свои навыки. Рецензию можно написать до 23:59 следующего после выступления дня (если занятие в понедельник, то рецензию нужно написать до 23:59 вторника). Некачественные рецензии или "отписки", к примеру "Мне все понравилось, оценка 10", не будут засчитываться как в количество написанных студентом рецензий, так и в оценку выступающего.

'''Проверочные работы''' 
Доклады в течение года будут разбиты по темам на блоки. В конце каждого блока (примерно раз в 3-4 недели) будет проводиться проверочная работа на 30 минут. Список вопросов будет составляться из вопросов по докладам, которые подготовили выступающие, с последующей корректировкой преподавателем. Полный список вопросов будет известен студентам заранее, на проверочной им нужно будет ответить на несколько случайных вопросов из этого списка. При написании проверочной нельзя пользоваться никакими материалами.

== Курсовые работы и их рецензирование ==

В середине и в конце года проводится кросс-рецензирование курсовых работ студентов. Рецензия на курсовую должна быть значительно подробнее рецензий на доклады. Правила их оформления будут выложены позднее. Так как у 4 курса нет занятий в 4 модуле, кросс-рецензирование ВКР проводится только в середине года.

У третьего курса в конце года будет проведена предзащита курсовых работ.
Также сдача текста в сроки первого кросс-рецензирования для 3 курса является обязательным условием получения положительной оценки по первой контрольной точке выполнения КР (требования специализации МОП).

Примерные даты кросс-рецензирования и предзащит:
* Начало февраля - первое кросс-рецензирование 3 курса
* Середина мая (все будет ДО окончательного текста сдачи курсовой) - второе кросс-рецензирование 3 курса
* Середина-конец мая - предзащиты 3 курса
* Середина марта - кросс-рецензирование 4 курса

<big>'''Первое кросс-рецензирование 3 курса.''' </big>

'''Важно''':
* Правила оформления КР можно найти [https://www.hse.ru/data/2019/11/12/1535003705/%D0%9F%D1%80%D0%B0%D0%B2%D0%B8%D0%BB%D0%B0%20%D0%9A%D0%A0-%D0%92%D0%9A%D0%A0%20%D0%9F%D0%9C%D0%98%202019.pdf здесь]. Обратите особое внимание на методические рекомендации в самом конце документа: они написаны человеческим языком и помогут вам понять как должна выглядеть КР.
* Несдача плана курсовой работы автоматически влечет за собой оценку 0 за первую контрольную точку по КР и оценку 0 за первое кросс-рецензирование.
* Тексты, не соотвествующие требованиям (по объему и содержанию, описанным ниже, и по оформлению, описанному в правилах оформления КР), приниматься не будут. Обратите особое внимание на базовые требования к оформлению (п.2.3), описанные в методических рекомендациях к написанию КР.
* Текст стоит оформлять в LaTeX, для написания можно использовать шаблон по [https://github.com/angusev/coursework_template ссылке].

'''Дедлайны:''' 
Сдача плана курсовой: '''23:59 1 февраля''' 
Сдача рецензий: TBA

'''Планы курсовой нужно загружать в систему EasyChair по [https://easychair.org/conferences/?conf=rpmla32020 ссылке].'''

Для участия в первом кросс-рецензировании вам нужно сдать план курсовой работы. План это документ не менее 4-5 страниц (НЕ включая титульный лист, оглавление, абстракт и список литературы), который является первым вариантом вашей курсовой работы (это относится и к исследовательским и к програмным проектам). Он должен быть оформлен по правилам оформления итогового документа, ссылка на которые приведена выше. Некоторые пункты уже должны быть полностью выполнены (введение, обзор литературы), некоторые только отражать дальнейшие планы (план экспериментов). При написании плана стоит ориентироваться правила, ссылка на которые дана ниже. Также в нем должны быть подробно отражены следующие моменты:
* Задача решаемая в проекте -- если это исследовательский проект то цель исследования, если программный проект то описание функционала программы которую планируется написать.
* Обзор литературы -- текущее состояние области; если это исследование -- то позиционирование вашей работы относительно других современных работ (к примеру : мы “лучше” чем работа [1] потому-то, мы исследуем дополнительно случай который не исследуется в [2]), если это программный проект, то описание похожих программных решений и почему их нельзя использовать для решения поставленной задачи.
* План дальнейшей работы -- для исследовательского проекта это описание исследуемых моделей и методов, конкретный план проводимых экспериментов. Для программного проекта -- декомпозиция его на конкретные составляющие, и план их реализации.

План необходимо согласовать с научным руководителем.

Если вы выполняете групповой проект в качестве курсовой, то вам нужно сдавать один текст на группу, однако в нем должно быть четко отражено кто что сделал и собирается сделать дальше. Также объем текста должен быть больше - около 4-5 страниц + по 2-3 страницы на каждого дополнительного участника. Если в вашем проекте есть участники из других групп, то вам нужно в своем плане прописать общую часть проекта и ваши части, а про часть участников из других групп просто написать что она есть и, если это важно для понимания общего формата проекта, написать в паре предложений в чем она заключается.

Написанные планы курсовых работ будут кросс-рецензироваться. Рецензии на доклады будут оцениваться и будут влиять на оценку по НИСу. Общая структура рецензии такая же, как и для рецензий докладов; объем -- половина/целая страница А4. Люди, не сдавшие план вовремя, не будут участвовать в кросс-рецензировании и не смогут получить за него баллы.

== Система выставления оценок для 3 курса ==

Итоговая формула выставления оценки выглядит следующим образом:

О_результ = 0.4 * О_проверочные + 0.3 * О_доклады + 0.1 * О_рецензии + 0.1 * О_предзащита + 0.1 * О_кросс

* О_проверочные - суммарная оценка за проверочные работы на семинарах,
* О_доклады - суммарная оценка по двум научным выступлениям,
* О_рецензии - суммарная оценка за написание рецензий на доклады,
* О_предзащита - оценка за выступление на предзащите,
* О_кросс - оценка за написание рецензий для кросс-рецензирования курсовых.

Все промежуточные оценки не округляются. Итоговая оценка округляется математически.

Экзамена по курсу не будет!

== Система выставления оценок для 4 курса ==

Итоговая формула выставления оценки выглядит следующим образом:

О_результ = 0.4 * О_проверочные + 0.4 * О_доклады + 0.1 * О_рецензии + 0.1 * О_кросс

* О_проверочные - суммарная оценка за проверочные работы на семинарах,
* О_доклады - суммарная оценка по двум научным выступлениям,
* О_рецензии - суммарная оценка за написание рецензий на доклады,
* О_кросс - оценка за написание рецензий для кросс-рецензирования ВКР.

Все промежуточные оценки не округляются. Итоговая оценка округляется математически.

Экзамена по курсу не будет!

НИС Машинное обучение и приложения 2019/2020

2019-11-18T11:12:46Z

M.ryabinin:

НИС Машинное обучение и приложения 2019/2020

2019-10-19T21:01:56Z

M.ryabinin:

НИС Машинное обучение и приложения 2019/2020

2019-10-19T20:59:53Z

M.ryabinin:

НИС Машинное обучение и приложения 2019/2020

2019-10-08T10:34:39Z

M.ryabinin: /* Расписание */

Ask me (семинар)

2018-12-13T18:59:08Z

M.ryabinin:

Описание [[Ask_me_(проект)|проекта]], последнее [[Ask_me_(семинар)#.D0.A1.D0.B5.D0.BC.D0.B8.D0.BD.D0.B0.D1.80.D1.8B|занятие]].

==Правила игры ==
* '''Ментор:''' [[Участник:Simagin.denis|Симагин Денис]].
* '''Место:''' офис Яндекса ([https://maps.yandex.ru/213/moscow/?ll=37.590150%2C55.734065&z=18&l=stv%2Csta&panorama%5Bpoint%5D=37.589416%2C55.733747&panorama%5Bdirection%5D=40.412258%2C-11.910596&panorama%5Bspan%5D=130.000000%2C52.209677 место встречи])
* '''Время:''' c 10:00, каждый четверг.

Общение с ментором вне занятий приветствуется. Можно задавать вопросы, в том числе философские. Но перед тем, как написать, попробуйте спросить это у [https://ya.ru Яндекса]. Также не обижайтесь, если в ответ вам пришла ссылка на документацию или какую-то статью.

===Ключевые точки===
Сверху нам спущены ключевые точки выполнения проекта. Для нас они скорее явлются формальными, тем не менее мы должны их соблюдать.
# '''12-17 декабря''' - все включились в работу
# '''20-25 марта''' - реализован объем работ, необходимый для зачета
# '''30 мая - 3 июня''' - окончание проектной работы, вы готовы, как пионеры.
# '''начало июня''' - конкурс проектов.

===Правило 2Х===
У вас есть право на одну ошибку. Следующая - я отказываюсь с вами работать.

===Репозитории===
Студенты хранят свой код в следующих репозиториях
{| class="wikitable"
|-
|Ментор || https://github.com/dasimagin/askme
|-
| Когтенков || https://github.com/aakogtenkov/Ask-me-if-you-can
|-
|Остяков || https://github.com/PavelOstyakov/askme
|-
|Попов || https://github.com/Akiiino/Ask-Me-Anything
|-
|Ширин || https://github.com/shirinnikita/ask_me
|}

===Разбор статьи===
В рамках проекта студент должен разобрать интересную для него статью и доложить ее на общем семинаре.

{| class="wikitable"
|-
! Студент !! Статья !! Дата
|-
|Когтенков || [https://papers.nips.cc/paper/5654-deep-knowledge-tracing.pdf Deep Knowledge Tracing] || 9 апреля
|-
|Остяков || [https://arxiv.org/pdf/1612.07411v1.pdf A Context-aware Attention Network for Interactive Question Answering] || 19 марта
|-
|Попов || [https://arxiv.org/pdf/1701.04189.pdf Deep Memory Networks for Attitude Identification] || 26 марта
|-
|Ширин || [https://arxiv.org/abs/1506.06714 Context-Sensitive Generation of Conversational Responses] || 16 апреля
|}

===Лабораторные===
Лабораторные проводятся для практического закрепления материала. Их выполнение учитывается в итоговой оценке.

# Результатом работы является jupyter notebook, где сохранен вывод вашего кода, графики и т.п. А так же его импорт в формат .py. Для автоматизации процесса можно настроить jupyter.
# Когда сроки выполнения лабораторной завершены, вы выкладываете ее на ревью, создавая соответствующее задание и запрос на объединение ветки с мастером (не забудьте добавить проверяющего).
# Ваш коллега проводит ревью кода и может оставлять замечания, как в виде комментариев к заданию, так и в файле .py. Оно предполагает проверку стиля и правильность кода, а также конструктивные замечания по производительности. Однако не стремитесь сразу оптимизировать код. Добейтесь лучше того, чтобы все работало правильно.
# Когда ревью завершено, влейтесь в мастер и закройте задание.

===Результаты===
Текущие результаты можно найти [https://docs.google.com/spreadsheets/d/1gO6nHbLqMeLRXAa5Mubpfoc_-gk9DWCJ4mmnV_xaeig/edit?usp=sharing здесь]. Оценка складывается из нескольких частей:
# Работа на семинаре
# Доклад статьи
# Итоговый результат

==Семинары==

===H19.03===
# Паша разобрал статью схожую с нашей. Авторы пытаются научить сеть задавать уточняющие вопросы, если это необходимо.
# Анонсирован семинар на тему генерации датасета, а так же разбор DMN+.

'''Задание'''
Воспроизвести DMN (можно в упрощенной версии) на данных bAbI. '''Дедлайн:''' 9 апреля.

===S02.03===
Разбирали результаты L4, начали говорить на тему проекта.

===L5===
Конкур можно найти [https://inclass.kaggle.com/c/en-phonetics здесь].

===S19.02===
# Доразбирали вычисление градиента для рекуррентных сетей.
# Еще раз поговорили о затухании и взрыве градиента.

'''Литература для чтения:'''
* Прекрасный блог, где можно прочитать про рекуррентные сети, вот [http://www.wildml.com/2015/09/recurrent-neural-networks-tutorial-part-1-introduction-to-rnns/ первая статья], в начале есть ссылки на продолжение.
* Про [http://colah.github.io/posts/2015-08-Understanding-LSTMs/ LSTM] с картинками.
* Tensorflow и [https://www.tensorflow.org/tutorials/recurrent рекурретные] сети.
* Как работать с последовательностями, [https://www.tensorflow.org/tutorials/seq2seq пример] tensorflow.

===S02.02===
Начали говорить о рекуррентных сетях, я обещал подробнее описать математику обучения.
# Поговорили о [https://en.wikipedia.org/wiki/Recurrent_neural_network рекурретных сетях] в общем
# Архитектура [https://en.wikipedia.org/wiki/Long_short-term_memory LSTM] сети
# Архитектура [https://arxiv.org/pdf/1412.3555v1.pdf GRU] сети

===S29.01===
Еще раз вернулись к теме word embedding в контексте нейросетей, список затронутых статей:
# [http://www.jmlr.org/papers/volume3/bengio03a/bengio03a.pdf Первая сеть], предсказывающая следующее слово.
# [https://ronan.collobert.com/pub/matos/2008_nlp_icml.pdff Статья], где заменяется softmax
# [https://papers.nips.cc/paper/5021-distributed-representations-of-words-and-phrases-and-their-compositionality.pdf Статья] Миколова про word2vec.

===L4===
Лабораторную работу можно найти [https://github.com/dasimagin/askme/blob/master/labs/L4%20-%20Word%20embedding.ipynb здесь].

'''Срок сдачи:'''
* Начало ревью: 24 февраля 23:59
* Окончание ревью: 8 марта 23:59

{| class="wikitable"
|-
! Ревьюер !! Разработчик !! Оценка
|-
| Остяков || Попов || -
|-
| Когтенков || Остяков || -
|-
| Ширин || Когтенков || -
|}

===H11.01===
Произвели разбор L3. Описание модели победителя можно найти, а baseline доступен [https://github.com/dasimagin/askme/blob/master/labs/L3%20-%20Baseline.ipynb здесь].

Доклады мне не очень понравились. Постараюсь написать общие замечания.
# Прежде всего у докладчика должна быть хорошая речь.
# Нужно выделить то, что действительно важно и интересно для слушателя.
# Делать на доске четкие и простые рисунки и записи, убедиться, что аудитория тебя понимает.
# Не прыгать с темы на тему, а идти в соответсвии с логическим планом.

===S15.12===
Поговорили про векторное представление слов, word2vec и другие сверточные сети для работы с естественными языками.

===H11.12===
Занятие было посвящено выполнению второй лабораторной. Интересный ноутбук скоро появится [здесь].

===S08.12===
'''1. Известные архитектуры сверточных сетей'''
* [https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf Alexnet]
* [https://arxiv.org/pdf/1409.1556.pdf VGG net]
* [https://arxiv.org/pdf/1409.4842v1.pdf GoogLeNet]
* [https://arxiv.org/pdf/1512.03385.pdf ResNet]
'''2. Поговорили:'''
* На что активируются нейроны в зависимости от слоя
* Генерация 'похожих картинок'
* Послойное обучение сети
* Переобучение или дообучение уже готовой сети
'''3. Изучили примеры для библиотеки Keras'''
* [https://github.com/fchollet/keras/blob/master/examples/mnist_mlp.py Полносвязанная сеть]
* [https://github.com/fchollet/keras/blob/master/examples/mnist_cnn.py Сверточная сеть ]
* [https://github.com/fchollet/keras/blob/master/examples/mnist_transfer_cnn.py Переобучение] сверточной сети

===L3===
{| class="wikitable"
|-
! Студент !! CPU !! RAM !! GPU
|-
| Пример || 6 core, 3,5 GHz || 64GB || NVIDIA TITAN X
|-
| Попов || 4 core, 3.2 GHz || 8 GB || GeForce GTX 750 Ti
|-
| Остяков || 8 core, 2,6 GHz || 50 GB || -
|-
| Когтенков || 2 core, 1.4 GHz || 4 GB || -
|-
| Ширин || 2 core, 1.9 GHz || 8 GB || -
|}

Победить в [https://inclass.kaggle.com/c/ch-ch конкурсе] классификации, срок 3 января, 23:59.

Для этого вам понадобится
* Установить [https://www.tensorflow.org Tensorflow]
* Установить [https://keras.io Keras]
* Запастись терпением

===S01.12===
'''1. Полносвязанные сети:'''
* Подсчитаны производные для [https://en.wikipedia.org/wiki/Backpropagation Backpropagation], обсуждены тонкости реализации.
* Различные виды нелинейности: [https://en.wikipedia.org/wiki/Rectifier_(neural_networks) ReLu], [https://arxiv.org/pdf/1502.01852v1.pdf PReLu], [https://en.wikipedia.org/wiki/Sigmoid_function Sigmoid].
* Обучение сетей при помощи [https://en.wikipedia.org/wiki/Autoencoder Autoencoder].

'''2. Сверточные сети:'''
* Cтруктура [https://en.wikipedia.org/wiki/Convolutional_neural_network CNN].
* Затронуты: [https://en.wikipedia.org/wiki/Convolution Convolution], [https://en.wikipedia.org/wiki/Convolutional_neural_network#Pooling_layer Pooling].
* Влияние различных ядер свертки на структуру сети.
* [https://en.wikipedia.org/wiki/Convolutional_neural_network#Choosing_hyperparameters Feature maps].
* Разобрана архитектура [https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf Alexnet].
* Сочетание из Convolutional и Dense слоев.

===S24.11===
'''1. Регуляризация:'''
* Разобрали L1 и L2 регуляризаторы, можно найти [https://en.wikipedia.org/wiki/Regularization_(mathematics) здесь].
* Используйте простые классификаторы
* Раняя остановка (смотрим качество на отложенном множестве)
* Добавление шума
* Комбинирование классификаторов

'''2. Полносвязанные сети:'''
* Множественная классификация и [https://en.wikipedia.org/wiki/Softmax_function softmax].
* Метод [http://www.machinelearning.ru/wiki/images/0/0f/karpinskaya-2010.pdf обратного распространения ошибки], проблема при обучении.
* Инициализация весов: и [http://jmlr.org/proceedings/papers/v9/glorot10a/glorot10a.pdf xavier] и другие [https://arxiv.org/pdf/1502.01852v1.pdf вариации].
* Кратко о [https://en.wikipedia.org/wiki/Convolutional_neural_network#Dropout dropout].

===L2===

Задание можно найти [https://github.com/dasimagin/askme/blob/master/labs/L2%20-%20Nets.ipynb здесь], срок 23:59 11 декабря.

===S03.11===
# [https://en.wikipedia.org/wiki/Feature_(machine_learning) Признаки] и какие они бывают. Об отборе признаков, кратко [https://habrahabr.ru/post/264915/ тут]. Может помочь на конкурсе.
# Задача [http://www.machinelearning.ru/wiki/index.php?title=Линейный_классификатор бинарной классификации].
# [http://www.machinelearning.ru/wiki/index.php?title=Метод_градиентного_спуска Градиентный спуск].
# [http://www.machinelearning.ru/wiki/index.php?title=Метод_стохастического_градиента Стохастический градиентный спуск]. На английской [https://en.wikipedia.org/wiki/Stochastic_gradient_descent вике] больше интересной информации.

'''Для дополнительного чтения:'''
# [https://homes.cs.washington.edu/~pedrod/papers/cacm12.pdf Что полезно знать о машинном обучении].
# [https://en.wikipedia.org/wiki/Feature_(machine_learning) Английская вика про признаки]
# [http://www.jmlr.org/papers/volume3/guyon03a/guyon03a.pdf Отбор признаков].
# Мощная теоретическая работа про [https://mipt.ru/upload/medialibrary/d7e/41-91.pdf стохастический градиентный спуск].

===L1===
{| class="wikitable"
|-
! Ревьюер !! Разработчик !! Оценка
|-
| Попов || Остяков || 10
|-
| Остяков || Когтенков || 10
|-
| Когтенков || Ширин || 9.7
|-
|}

Для [https://github.com/dasimagin/askme/blob/master/labs/L1%20-%20Gradient%20descent%20and%20linear%20models.ipynb первой] лабораторной работы вам потребуется:
# Настроить себе [https://pip.pypa.io/en/stable/ pip] для Python3
# Освоить [http://jupyter.org Jupyter notebook]
# Установить пакеты [http://www.scipy.org scipy]: numpy, scipy, matplotlib

Машинное обучение 1/2023 2024

2018-12-07T16:20:46Z

M.ryabinin:

== 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, 12:10 - 13:30, ауд. 317.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/219888994.html Карточка курса и программа]

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

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+161@gmail.com)

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAEprV-8gsyFBkYbvkg

Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQE2eFY0LN0AWcGH3qA

Ссылка на курс в Anytask: https://anytask.org/course/390

[https://docs.google.com/spreadsheets/d/1u832G7b9aRyayoncaKXr7XPD6WisDr85AYRBKSVCMq0/edit?usp=sharing Таблица с оценками]

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

'''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.
Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание
|-
| 161 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || [https://t.me/mryab Рябинин Максим] || || пятница, 10:30 - 11:50, ауд. 503
|-
| 162 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || [http://t.me/bazpasha Хрушков Павел] || ||
|-
| 163 (АДИС) || [https://t.me/despairazure Кохтев Вадим Михайлович] || [http://t.me/marka_17 Маркович Александр] || || пятница, 10:30 - 11:50, ауд. 400
|-
| 164 (АДИС) || [https://www.hse.ru/org/persons/137283751 Атанов Андрей Игоревич] || [http://t.me/liza_s Свитанько Лиза] || ||
|-
| 165 (РС) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || [http://t.me/akiiino Попов Никита] || || вторник, 9:00 – 10:20, ауд. 311
|-
| 166 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [http://t.me/Saigetsu Хайдуров Руслан] || ||
|-
| Магистратура ФТиАД || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || [https://t.me/nbagiyan Багиян Нерсес] || ||
|-
|}

=== Консультации ===

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
* Практические домашние работы на Python
* Контрольная работа
* Письменный 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 * Опрактические дз + 0.2 * Оконтрольная

Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.

Накопленная, экзаменационная и итоговая оценки округляются арифметически.

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.

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 (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1''' (3 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture01-intro.pdf Конспект]]

'''Лекция 2''' (14 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture02-linregr.pdf Конспект]]

'''Лекция 3''' (21 сентября). Переобучение и регуляризация. Разреженные линейные модели. Квантильная регрессия. Подготовка признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture03-linregr.pdf Конспект]]

'''Лекция 4''' (28 сентября). Линейная классификация. Отступ и верхние оценки на пороговую функцию потерь. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект]]

'''Лекция 5''' (1 октября). Линейная классификация. Логистическая регрессия и оценки вероятности классов. Метод опорных векторов. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture05-linclass.pdf Конспект]]

'''Лекция 6''' (12 октября). Многоклассовая классификация, сведение к бинарным задачам. Многоклассовая логистическая регрессия. Классификация с пересекающимися классами. Метрики качества многоклассовой классификации. Категориальные признаки: хэширование и счётчики. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект]]

'''Лекция 7''' (19 октября). Решающие деревья. Жадный алгоритм построения. Выбор лучшего разбиения с помощью критерия информативности. Критерии информативности для регрессии и классификации. Учёт пропусков в деревьях. Решающие деревья и категориальные признаки. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]

'''Лекция 8''' (2 ноября). Бутстрап и бэггинг. Разложение ошибки на смещение и разброс (bias-variance decomposition). Случайный лес. Вычисление расстояний с помощью лесов. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture08-ensembles.pdf Конспект]]

'''Лекция 9''' (16 ноября). Градиентный бустинг. Регуляризация. Особенности бустинга над деревьями. Взвешивание объектов в градиентном бустинге. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект]]

'''Лекция 10''' (23 ноября). Оптимизация второго порядка в градиентном бустинге. Регуляризация деревьев. XGBoost. Стекинг. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture10-ensembles.pdf Конспект]]

'''Лекция 11''' (30 ноября). Графы вычислений, их обучение и метод обратного распространения ошибки. Полносвязные, свёрточные и рекуррентные слои. Возможности аппроксимации.

'''Лекция 12''' (7 ноября). Обучение без учителя. Кластеризация: метрики качества, K-Means, иерархический и графовый подходы. Визуализация, t-SNE. Обучение представлений. word2vec.

'''Лекция 13''' (14 декабря). Метод главных компонент, его связь с матричными разложениями. Рекомендательные системы: постановка задачи, коллаборативные методы, матричные разложения, контентные методы.

== Семинары ==

'''Семинар 1.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem01-intro.ipynb Ноутбук].

'''Семинар 2.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem02-sklearn.ipynb Ноутбук].

'''Семинар 3.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem03-linregr.pdf Конспект], [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem03-linregr.ipynb ноутбук].

'''Семинар 4.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem04-linregr.pdf Конспект].

'''Семинар 5.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem05-linclass-metrics.pdf Конспект].

'''Семинар 6.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem06.pdf Конспект], [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem06.ipynb ноутбук].

'''Семинар 7.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem07-trees.ipynb Ноутбук].

'''Семинар 8.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem08-bvd.pdf Конспект].

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна.

'''Задание 1.''' Работа с Pandas и Matplotlib.

Мягкий дедлайн: 07:59 15.09.2018.

Жесткий дедлайн: 23:59 16.09.2018.

[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-01.ipynb Github].

'''Задание 2.''' Numpy. Линейная регрессия.

Дата выдачи: 17.09.2018

Мягкий дедлайн: 2:59MSK 24.09.2018

Жесткий дедлайн: 23:59MSK 26.09.2018.

[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02.ipynb Условие],
[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02-templates.zip архив с шаблонами],
[https://contest.yandex.ru/contest/9148/enter/ соревнование в Яндекс.Контесте],
[https://official.contest.yandex.ru/contest/9148/enter/ альтернативная ссылка на соревнование в Яндекс.Контесте].

'''Задание 3.''' Регуляризация. Градиентный спуск.

Дата выдачи: 22.09.2018

Мягкий дедлайн: 7:59MSK 02.10.2018

Жесткий дедлайн: 23:59MSK 03.10.2018.

[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-03.ipynb Условие],
[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/data/homework-practice-03-data.csv данные],
[https://contest.yandex.ru/contest/9247 соревнование в Яндекс.Контесте],
[https://official.contest.yandex.ru/contest/9247 альтернативная ссылка на соревнование в Яндекс.Контесте].

'''Задание 4.''' Калибровка вероятностей, обработка категориальных признаков.

Дата выдачи: 12.10.2018

Мягкий дедлайн: 7:59MSK 20.10.2018

Жесткий дедлайн: 23:59MSK 21.10.2018.

[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-04.ipynb Условие]

'''Задание 5.''' Решающие деревья.

Дата выдачи: 08.11.2018

Мягкий дедлайн: 7:59MSK 18.11.2018

Жесткий дедлайн: 23:59MSK 19.11.2018.

[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-05/homework-practice-05.ipynb Условие]

'''Задание 6.''' Разложение ошибки на смещение и разброс.

Дата выдачи: 20.11.2018

Мягкий дедлайн: 6:00MSK 27.11.2018

Жесткий дедлайн: 23:59MSK 29.11.2018

[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-06.ipynb Условие]

'''Задание 7.''' Градиентный бустинг.

Дата выдачи: 07.12.2018

Мягкий дедлайн: 05:59MSK 18.12.2018

Жесткий дедлайн: 05:59MSK 19.12.2018

[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-07.ipynb Условие]

== 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):

«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-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''.

=== Соревнование 1: House pricing ===

Дата выдачи: 15.09.2018

Срок окончания соревнования: 30.09.2018 23:59MSK

Срок отправки кода: 03.10.2018 23:59MSK

Бейзлайны: на 4 и на 8 баллов

[https://www.kaggle.com/t/5a486fc7863548a58cfc1f702690b5c3 Ссылка на участие в соревновании]

=== Соревнование 2: Sentiment analysis ===

Дата выдачи: 15.10.2018

Срок окончания соревнования: 04.11.2018 23:59UTC

Бейзлайны: TBA

[https://www.kaggle.com/t/1e4f5623f3fc4f898cec6b1e21acf6b5 Ссылка на участие в соревновании]

В данном соревновании оцениваются только решения, полученные как результат работы [https://www.kaggle.com/kernels private kernel], к которому дан доступ для просмотра ассистенту вашей группы.

=== Соревнование 3: The new order ===

Дата выдачи: 28.11.2018

Срок окончания соревнования: 15.12.2018 23:59UTC

Бейзлайны: TBA

[https://www.kaggle.com/t/9c050ce0ed5742088d5660c69360ccbf Ссылка на участие в соревновании]

В данном соревновании оцениваются только решения, полученные как результат работы [https://www.kaggle.com/kernels private kernel], к которому дан доступ для просмотра ассистенту вашей группы.

==Теоретические домашние задания==

'''Теоретическое домашнее задание 1''': линейная регрессия [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-theory/homework-theory-01-linregr.pdf ссылка]]

'''Теоретическое домашнее задание 2''': линейная классификация [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-theory/homework-theory-02-linclass.pdf ссылка]]

'''Теоретическое домашнее задание 3''': решающие деревья [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-theory/homework-theory-03-trees.pdf ссылка]]

'''Теоретическое домашнее задание 4''': разложение ошибки на смещение и разброс [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-theory/homework-theory-04-bvd.pdf ссылка]]

== 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 ==
Контрольная работа состоится на лекции 7 декабря. В варианте будут два теоретических вопроса и две задачи (возможно, будут также дополнительные задачи на бонусные баллы, для получения максимальной оценки за контрольную их решать не потребуется). Теоретические вопросы будут затрагивать материалы всех лекций и семинаров по темам до градиентного бустинга включительно. Основные задачи будут затрагивать все темы, которые затрагивались в теоретических домашних заданиях (линейные модели, деревья, разложение ошибки на смещение и разброс).

== 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-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]

== Страницы предыдущих лет ==

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

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

Машинное обучение 1/2023 2024

2018-10-14T22:00:46Z

M.ryabinin:

== 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, 12:10 - 13:30, ауд. 317.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/219888994.html Карточка курса и программа]

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

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+161@gmail.com)

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAEprV-8gsyFBkYbvkg

Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQE2eFY0LN0AWcGH3qA

Ссылка на курс в Anytask: https://anytask.org/course/390

[https://docs.google.com/spreadsheets/d/1u832G7b9aRyayoncaKXr7XPD6WisDr85AYRBKSVCMq0/edit?usp=sharing Таблица с оценками]

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

'''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.
Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание
|-
| 161 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || [https://t.me/mryab Рябинин Максим] || || пятница, 10:30 - 11:50, ауд. 503
|-
| 162 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || [http://t.me/bazpasha Хрушков Павел] || ||
|-
| 163 (АДИС) || [https://t.me/despairazure Кохтев Вадим Михайлович] || [http://t.me/marka_17 Маркович Александр] || || пятница, 10:30 - 11:50, ауд. 400
|-
| 164 (АДИС) || [https://www.hse.ru/org/persons/137283751 Атанов Андрей Игоревич] || [http://t.me/liza_s Свитанько Лиза] || ||
|-
| 165 (РС) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || [http://t.me/akiiino Попов Никита] || || вторник, 9:00 – 10:20, ауд. 311
|-
| 166 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [http://t.me/Saigetsu Хайдуров Руслан] || ||
|-
| Магистратура ФТиАД || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || [https://t.me/nbagiyan Багиян Нерсес] || ||
|-
|}

=== Консультации ===

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
* Практические домашние работы на Python
* Контрольная работа
* Письменный 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 * Опрактические дз + 0.2 * Оконтрольная

Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.

Накопленная, экзаменационная и итоговая оценки округляются арифметически.

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.

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 (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1''' (3 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture01-intro.pdf Конспект]]

'''Лекция 2''' (14 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture02-linregr.pdf Конспект]]

'''Лекция 3''' (21 сентября). Переобучение и регуляризация. Разреженные линейные модели. Квантильная регрессия. Подготовка признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture03-linregr.pdf Конспект]]

'''Лекция 4''' (28 сентября). Линейная классификация. Отступ и верхние оценки на пороговую функцию потерь. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект]]

'''Лекция 5''' (1 октября). Линейная классификация. Логистическая регрессия и оценки вероятности классов. Метод опорных векторов. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture05-linclass.pdf Конспект]]

'''Лекция 6''' (12 октября). Многоклассовая классификация, сведение к бинарным задачам. Многоклассовая логистическая регрессия. Классификация с пересекающимися классами. Метрики качества многоклассовой классификации. Категориальные признаки: хэширование и счётчики. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект]]

'''Лекция 7''' (19 октября). Решающие деревья. Жадный алгоритм построения. Выбор лучшего разбиения с помощью критерия информативности. Критерии информативности для регрессии и классификации. Учёт пропусков в деревьях. Решающие деревья и категориальные признаки.

'''Лекция 8''' (2 ноября). Бутстрап и бэггинг. Разложение ошибки на смещение и разброс (bias-variance decomposition). Случайный лес. Вычисление расстояний с помощью лесов.

'''Лекция 9''' (9 ноября). Градиентный бустинг. Регуляризация. Особенности бустинга над деревьями. Взвешивание объектов в градиентном бустинге.

'''Лекция 10''' (16 ноября). Оптимизация второго порядка в градиентном бустинге. Регуляризация деревьев. XGBoost. Стекинг.

'''Лекция 11''' (23 ноября). Графы вычислений, их обучение и метод обратного распространения ошибки. Полносвязные, свёрточные и рекуррентные слои. Возможности аппроксимации.

'''Лекция 12''' (30 ноября). Обучение без учителя. Кластеризация: метрики качества, K-Means, иерархический и графовый подходы. Визуализация, t-SNE. Обучение представлений. word2vec.

'''Лекция 13''' (7 декабря). Метод главных компонент, его связь с матричными разложениями. Рекомендательные системы: постановка задачи, коллаборативные методы, матричные разложения, контентные методы.

== Семинары ==

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна.

'''Задание 1.''' Работа с Pandas и Matplotlib.

Мягкий дедлайн: 07:59 15.09.2018.

Жесткий дедлайн: 23:59 16.09.2018.

[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-01.ipynb Github].

'''Задание 2.''' Numpy. Линейная регрессия.

Дата выдачи: 17.09.2018

Мягкий дедлайн: 2:59MSK 24.09.2018

Жесткий дедлайн: 23:59MSK 26.09.2018.

[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02.ipynb Условие],
[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02-templates.zip архив с шаблонами],
[https://contest.yandex.ru/contest/9148/enter/ соревнование в Яндекс.Контесте],
[https://official.contest.yandex.ru/contest/9148/enter/ альтернативная ссылка на соревнование в Яндекс.Контесте].

'''Задание 3.''' Регуляризация. Градиентный спуск.

Дата выдачи: 22.09.2018

Мягкий дедлайн: 7:59MSK 02.10.2018

Жесткий дедлайн: 23:59MSK 03.10.2018.

[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-03.ipynb Условие],
[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/data/homework-practice-03-data.csv данные],
[https://contest.yandex.ru/contest/9247 соревнование в Яндекс.Контесте],
[https://official.contest.yandex.ru/contest/9247 альтернативная ссылка на соревнование в Яндекс.Контесте].

'''Задание 4.''' Калибровка вероятностей, обработка категориальных признаков.

Дата выдачи: 12.10.2018

Мягкий дедлайн: 7:59MSK 20.10.2018

Жесткий дедлайн: 23:59MSK 21.10.2018.

[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-04.ipynb Условие]

== 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):

«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-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''.

=== Соревнование 1: House pricing ===

Дата выдачи: 15.09.2018

Срок окончания соревнования: 30.09.2018 23:59MSK

Срок отправки кода: 03.10.2018 23:59MSK

Бейзлайны: на 4 и на 8 баллов

[https://www.kaggle.com/t/5a486fc7863548a58cfc1f702690b5c3 Ссылка на участие в соревновании]

=== Соревнование 2: Sentiment analysis ===

Дата выдачи: 15.10.2018

Срок окончания соревнования: 04.11.2018 23:59UTC

Бейзлайны: TBA

[https://www.kaggle.com/t/1e4f5623f3fc4f898cec6b1e21acf6b5 Ссылка на участие в соревновании]

В данном соревновании оцениваются только решения, полученные как результат работы [https://www.kaggle.com/kernels private kernel], к которому дан доступ для просмотра ассистенту вашей группы.

==Теоретические домашние задания==

'''Теоретическое домашнее задание 1''': линейная регрессия [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-theory/homework-theory-01-linregr.pdf ссылка]]

'''Теоретическое домашнее задание 2''': линейная классификация [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-theory/homework-theory-02-linclass.pdf ссылка]]

== 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-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]

== Страницы предыдущих лет ==

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

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

Машинное обучение 1/2023 2024

2018-10-13T14:33:14Z

M.ryabinin:

== 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, 12:10 - 13:30, ауд. 317.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/219888994.html Карточка курса и программа]

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

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+161@gmail.com)

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAEprV-8gsyFBkYbvkg

Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQE2eFY0LN0AWcGH3qA

Ссылка на курс в Anytask: https://anytask.org/course/390

[https://docs.google.com/spreadsheets/d/1u832G7b9aRyayoncaKXr7XPD6WisDr85AYRBKSVCMq0/edit?usp=sharing Таблица с оценками]

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

'''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.
Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание
|-
| 161 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || [https://t.me/mryab Рябинин Максим] || || пятница, 10:30 - 11:50, ауд. 503
|-
| 162 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || [http://t.me/bazpasha Хрушков Павел] || ||
|-
| 163 (АДИС) || [https://t.me/despairazure Кохтев Вадим Михайлович] || [http://t.me/marka_17 Маркович Александр] || || пятница, 10:30 - 11:50, ауд. 400
|-
| 164 (АДИС) || [https://www.hse.ru/org/persons/137283751 Атанов Андрей Игоревич] || [http://t.me/liza_s Свитанько Лиза] || ||
|-
| 165 (РС) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || [http://t.me/akiiino Попов Никита] || || вторник, 9:00 – 10:20, ауд. 311
|-
| 166 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [http://t.me/Saigetsu Хайдуров Руслан] || ||
|-
| Магистратура ФТиАД || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || [https://t.me/nbagiyan Багиян Нерсес] || ||
|-
|}

=== Консультации ===

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
* Практические домашние работы на Python
* Контрольная работа
* Письменный 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 * Опрактические дз + 0.2 * Оконтрольная

Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.

Накопленная, экзаменационная и итоговая оценки округляются арифметически.

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.

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 (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1''' (3 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture01-intro.pdf Конспект]]

'''Лекция 2''' (14 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture02-linregr.pdf Конспект]]

'''Лекция 3''' (21 сентября). Переобучение и регуляризация. Разреженные линейные модели. Квантильная регрессия. Подготовка признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture03-linregr.pdf Конспект]]

'''Лекция 4''' (28 сентября). Линейная классификация. Отступ и верхние оценки на пороговую функцию потерь. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект]]

'''Лекция 5''' (1 октября). Линейная классификация. Логистическая регрессия и оценки вероятности классов. Метод опорных векторов. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture05-linclass.pdf Конспект]]

'''Лекция 6''' (12 октября). Многоклассовая классификация, сведение к бинарным задачам. Многоклассовая логистическая регрессия. Классификация с пересекающимися классами. Метрики качества многоклассовой классификации. Категориальные признаки: хэширование и счётчики. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект]]

'''Лекция 7''' (19 октября). Решающие деревья. Жадный алгоритм построения. Выбор лучшего разбиения с помощью критерия информативности. Критерии информативности для регрессии и классификации. Учёт пропусков в деревьях. Решающие деревья и категориальные признаки.

'''Лекция 8''' (2 ноября). Бутстрап и бэггинг. Разложение ошибки на смещение и разброс (bias-variance decomposition). Случайный лес. Вычисление расстояний с помощью лесов.

'''Лекция 9''' (9 ноября). Градиентный бустинг. Регуляризация. Особенности бустинга над деревьями. Взвешивание объектов в градиентном бустинге.

'''Лекция 10''' (16 ноября). Оптимизация второго порядка в градиентном бустинге. Регуляризация деревьев. XGBoost. Стекинг.

'''Лекция 11''' (23 ноября). Графы вычислений, их обучение и метод обратного распространения ошибки. Полносвязные, свёрточные и рекуррентные слои. Возможности аппроксимации.

'''Лекция 12''' (30 ноября). Обучение без учителя. Кластеризация: метрики качества, K-Means, иерархический и графовый подходы. Визуализация, t-SNE. Обучение представлений. word2vec.

'''Лекция 13''' (7 декабря). Метод главных компонент, его связь с матричными разложениями. Рекомендательные системы: постановка задачи, коллаборативные методы, матричные разложения, контентные методы.

== Семинары ==

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна.

'''Задание 1.''' Работа с Pandas и Matplotlib.

Мягкий дедлайн: 07:59 15.09.2018.

Жесткий дедлайн: 23:59 16.09.2018.

[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-01.ipynb Github].

'''Задание 2.''' Numpy. Линейная регрессия.

Дата выдачи: 17.09.2018

Мягкий дедлайн: 2:59MSK 24.09.2018

Жесткий дедлайн: 23:59MSK 26.09.2018.

[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02.ipynb Условие],
[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02-templates.zip архив с шаблонами],
[https://contest.yandex.ru/contest/9148/enter/ соревнование в Яндекс.Контесте],
[https://official.contest.yandex.ru/contest/9148/enter/ альтернативная ссылка на соревнование в Яндекс.Контесте].

'''Задание 3.''' Регуляризация. Градиентный спуск.

Дата выдачи: 22.09.2018

Мягкий дедлайн: 7:59MSK 02.10.2018

Жесткий дедлайн: 23:59MSK 03.10.2018.

[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-03.ipynb Условие],
[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/data/homework-practice-03-data.csv данные],
[https://contest.yandex.ru/contest/9247 соревнование в Яндекс.Контесте],
[https://official.contest.yandex.ru/contest/9247 альтернативная ссылка на соревнование в Яндекс.Контесте].

'''Задание 4.''' Калибровка вероятностей, обработка категориальных признаков.

Дата выдачи: 12.10.2018

Мягкий дедлайн: 7:59MSK 20.10.2018

Жесткий дедлайн: 23:59MSK 21.10.2018.

[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-04.ipynb Условие]

== 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):

«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-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''.

=== Соревнование 1: House pricing ===

Дата выдачи: 15.09.2018

Срок окончания соревнования: 30.09.2018 23:59MSK

Срок отправки кода: 03.10.2018 23:59MSK

Бейзлайны: на 4 и на 8 баллов

[https://www.kaggle.com/t/5a486fc7863548a58cfc1f702690b5c3 Ссылка на участие в соревновании]

==Теоретические домашние задания==

'''Теоретическое домашнее задание 1''': линейная регрессия [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-theory/homework-theory-01-linregr.pdf ссылка]]

'''Теоретическое домашнее задание 2''': линейная классификация [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-theory/homework-theory-02-linclass.pdf ссылка]]

== 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-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]

== Страницы предыдущих лет ==

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

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

Машинное обучение 1/2023 2024

2018-09-10T14:45:44Z

M.ryabinin:

Машинное обучение 1/2023 2024

2018-09-04T15:46:43Z

M.ryabinin:

Алгоритмы и структуры данных 2 2017/2018

2017-10-06T16:20:06Z

M.ryabinin:

'''Лектор:''' [http://www.hse.ru/staff/obiedkov С. Объедков]

'''Расписание лекций:''' 
вторник 15:10 – 16:30, ауд. 622 
пятница 10:30 – 11:50, ауд. 509 
Дополнительная лекция — суббота 23 сентября 12:10 – 13:30, ауд. 622.

'''Консультации:''' 
понедельник 18:00 – 20:00, к. 324 
четверг 16:30 – 18:00, к. 324

'''Ассистент:''' [mailto:mkryabinin@edu.hse.ru Максим Рябинин]

'''Консультации:''' 
суббота 16:40 – 18:00, ауд. 509. 
Просьба информировать о необходимости проведения консультации заранее по почте.

= Лекции =
* '''5 сентября.''' Детерминированная одноленточная машина Тьюринга. Детерминированная многоленточная машина Тьюринга. Имитация многоленточной машины с временем работы ''t''(''n'') > ''n'' на одноленточной машине за время ''O''(''t''(''n'')2). Недетерминированная одноленточная машина Тьюринга. Время работы недетерминированной машины Тьюринга. Класс P: определение, примеры задач. Алгоритм верификации. Полиномиальная верифицируемость. Класс NP: определения через алгоритм верификации и недетерминированную машину Тьюринга, их эквивалентность, примеры задач. Класс coNP. Возможное соотношение классов.
* '''8 сентября.''' Полиномиальные сведения. NP-трудные и NP-полные задачи. Формулировка теоремы Кука – Левина. Сведение задачи 3SAT к задаче Not-All-Equal-3SAT и задачи Not-All-Equal-3-SAT к задаче о максимальном разрезе.
* '''12 сентября.''' Доказательство теоремы Кука – Левина. NP-полнота задач 3SAT и MINESWEEPER.
* '''15 сентября.''' NP-полнота задач о сумме подмножества, рюкзаке, раскраске графа. Соотношение классов NP и EXPTIME.
* '''19 сентября.''' Теорема об иерархии задач по времени. Три подхода к решению NP-трудных задач: эффективные алгоритмы для частных случаев (пример — минимальное вершинное покрытие для дерева), эвристические алгоритмы (пример — 2-приближенный алгоритм поиска минимального вершинного покрытия), экспоненциальные алгоритмы, отличные от полного перебора (пример — алгоритм для поиска вершинного покрытия размера ''k'' в графе с ''m'' ребрами с временем работы ''O''(2''k''''m'').
* '''22 сентября.''' Локальный поиск: градиентный спуск, применение к задаче о вершинном покрытии. Приближенное решение задачи о максимальном разрезе. Эвристика Кернигана – Лина для определения соседних решений при поиске максимального разреза.
* '''26 сентября.''' Сегментация изображений на передний/задний план с помощью минимального разреза. Приближенный алгоритм сегментации изображений на несколько классов (без доказательства качества аппроксимации).
* '''29 сентября.''' Анализ приближенного алгоритма сегментации изображений на несколько классов. Алгоритм Метрополиса и имитация отжига.
* '''3 октября.''' Приближенный алгоритм кластеризации, минимизирующий максимальное расстояние до центра кластера. Невозможность лучшего приближения для этой задачи (если P ≠ NP). Кластеризация на основе минимального остовного дерева, максимизирующая минимальное межкластерное расстояние. Приближенное решение задачи коммивояжера.
* '''6 октября.''' Рандомизированные алгоритмы. Монте-Карло и Лас-Вегас. Простой рандомизированный алгоритм для вычисления означивания переменных, максимизирующего число истинных дизъюнктов в 3-КНФ. Рандомизированный и детерминированный алгоритмы для вычисления означивания переменных, делающего истинным не менее 7/8 всех дизъюнктов в 3-КНФ.

=Домашние задания=
Первое домашнее задание: [https://official.contest.yandex.ru/contest/5166 контест] до 23:59 8 октября. В домашнем задании будет три задачи.

== Страницы групп ==

[[Алгоритмы_и_структуры_данных_2_2016/2017/165-1 | группа 165-1]]

О факультете

2017-09-01T12:12:34Z

M.ryabinin: /* Курсы за 2017/18 учебный год */

__NOTOC__

== Учебные курсы факультета компьютерных наук==

=== Курсы за 2017/18 учебный год ===
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры
|-
|

||
[[Теория_вероятностей_2017/2018_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2017/2018_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[DM2-pilot2017/2018 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[DM_2_2017_2018 | Дискретная математика-2 на ПМИ (основной поток)]]

||
[[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]

[[Theory_of_Computing | Theory of Computing, AMI]]
||

|}

=== Курсы за 2016/17 учебный год ===
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3-4 курс !! майноры
|-
|

[[Математический анализ на ПМИ_2016/2017 | Математический анализ на ПМИ (пилотный поток)]]

[[Линейная алгебра и геометрия_2016/2017 | Линейная алгебра и геометрия на ПМИ]]

[[Дискретная_математика_1_2016/2017 | Дискретная математика-1 на ПМИ]]

[[Основы и методология программирования_2016/2017_пилотный_поток | Основы и методология программирования на ПМИ (пилотный поток)]]

[[Основы и методология программирования_2016/2017 | Основы и методология программирования на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_(пилотный_поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_(основной_поток) | Алгоритмы и структуры данных на ПМИ (основной поток)]]

[[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]

[http://hsealgebra17.wikidot.com/ Алгебра на ПИ]

||

[[Математический анализ_2016/2017 | Математический анализ-3 на ПМИ (основной поток)]]

[[Математически_анализ_3_на_ПМИ_(пилотный_поток) | Математический анализ-3 на ПМИ (пилотный поток)]]

[[DM_2_2016_2017 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Дискретная математика_2_2016/2017 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[Алгоритмы и структуры данных_2_2016/2017 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Теория вероятностей_2016/2017 | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2016/2017_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы]]

[[Факультатив_теория_вычислений_2016/2017 | Факультатив теория вычислений на ПМИ]]

[[Дополнительные_главы_теории_вероятностей_(факультатив,_2017) | Дополнительные главы теории вероятностей (факультатив)]]

[[Дифференциальные_уравнения_(2_курс,_2016/2017) | Дифференциальные уравнения]]

[[Математическая_статистика_2016/2017_(пилотный_поток) | Математическая статистика на ПМИ (пилотный поток)]]

[[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы ]]

||

[[НИС_Машинное_обучение_и_приложения_2016/2017 | НИС Машинное обучение и приложения на ПМИ]]

[[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]

[[Прикладной_статистический_анализ_данных | Прикладной статистический анализ данных на ПМИ]]

[[Численные_методы_в_анализе_данных | Численные методы в анализе данных на ПМИ]]

[http://www.machinelearning.ru/wiki/index.php?title=Статистика_случайных_процессов_(курс_лекций,_ФКН_ВШЭ) Вероятностные модели и статистика случайных процессов на ПМИ]

[http://www.machinelearning.ru/wiki/index.php?title=Opt Методы оптимизации на ПМИ (специализации МОП и РС)]

[[Методы_оптимизации_(весна_2017)|Методы оптимизации 2 (дискретная оптимизация)]]

[[НИС_Распределенные_системы_(осень_2016) | НИС Распределенные системы]]

[[Анализ и верификация алгоритмов биржевой торговли | Анализ и верификация алгоритмов для систем биржевой торговли ]]

[[Программирование_на_графических_процессорах | Программирование на графических процессорах]]

[[ЯРПО | Языки разработки ПО (курс по выбору) на ПМИ]]

[[Data analysis (Software Engineering) 2017 | Data analysis на ПИ]]

[[Базы данных 2 | Базы данных 2 ]]

[[Компьютерные сети 2 | Компьютерные сети 2]]

[[Машинное_обучение_на_больших_данных | Машинное обучение на больших данных на ПМИ]]

||

[[Современные_методы_машинного_обучения_(курс_майнора) | Современные методы машинного обучения (курс майнора)]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_программирование_2016/2017 | Введение в программирование (курс майнора)]]

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных | Введение в анализ данных (курс майнора)]]

[[Майнор Интеллектуальный анализ данных/Прикладные задачи анализа данных| Прикладные задачи анализа данных (курс майнора)]]

|}

{|width=100%
|style="vertical-align:top;"|



=== Курсы за 2015/16 учебный год ===
{|
|-
| [[Технологии программирования|Технологии программирования на ПМИ]]
|-
|[[ОиМП-2015|Основы и методология программирования на ПМИ]]
|-
|[[Алгоритмы и структуры данных 2016]]
|-
|[[Линейная алгебра и геометрия_2015/2016 | Линейная алгебра и геометрия на ПМИ]]
|-
|[[Алгебра_2015/2016 | Алгебра на ПМИ]]
|-
|[http://hsealgebra.wikidot.com/ Алгебра на ПИ]
|-
|[[Компьютерные системы]]
|-
|[[Математический анализ на ПМИ_2015/2016 | Математический анализ на ПМИ]]
|-
|[[Факультатив_Матпрактикум | Матпрактикум (факультатив) на ПМИ]]
|-
|[[Data analysis (Software Engineering)]] 
|-
|[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора) на ПМИ]]
|-
|[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2015-2016|Введение в анализ данных (курс майнора) на ПМИ]]
|-
|[[НИС Машинное обучение и приложения|НИС Машинное обучение и приложения на ПМИ]]
|-
|[[Архитектура компьютеров и системное программирование (ПМИ_4, 2015/2016)|Архитектура компьютеров и системное программирование (4 курс)]]
|-
|[[Дифференциальные уравнения (2 курс, 2015/2016)| Дифференциальные уравнения]]
|-
|[[Введение в VBA|Введение в VBA]]
|}

|style="vertical-align:top;"|



=== Курсы за 2014/15 учебный год ===
{|
|-
|[[Основы и методологии программирования]] 
|-
|[[Алгоритмы и структуры данных 2015 | Алгоритмы и структуры данных]] 
|-
|[[Анализ данных (Программная инженерия)]] 
|-
|[[Алгебра_2014/2015 | Алгебра]] 
|-
|[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]
|}

==== Проектная работа ====
{|
|-
|[[Проектная работа]] 
|-
|[[Учебная практика 1 курс (2016)]]
|-
|[[Проектная работа 2 курс (2016)]]
|}


|}

== Data Culture==

[[Цифровая_грамотность|Цифровая грамотность (факультет гуманитарных наук)]] 
[[Машинное обучение (факультет экономических наук)|Машинное обучение (факультет экономических наук)]]

== Мероприятия факультета компьютерных наук ==
=== Summer School 2015 ===
[[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]
#[[Lecture 1. Introduction|Introduction]]
#[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]
#[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]
#[[Lecture 4. Parsing|Parsing]]
#[[Lecture 5. Language sources|Language sources]]
#[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]
#[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]
#[[NLP References|References]]

== Архив ==
* [[Учебная практика 1 курс (2015)]]

Алгоритмы и структуры данных на ПМИ (основной поток)

2017-03-27T15:26:12Z

M.ryabinin: /* Консультации к экзамену 31 марта */

'''Лектор:''' [http://www.hse.ru/staff/obiedkov С. Объедков]

'''Расписание лекций:''' 
четверг 12:10 – 13:30, ауд. 622

== Лекции ==

* '''12 января.''' Постановка задачи поиска медианы. Простые решения этой задачи. Оценка сложности алгоритмов по времени и памяти. ''О''-, ''o''-, Ω-, ω-, Θ-обозначения. Время работы в худшем, лучшем и среднем случаях. Сортировка вставками.
* '''19 января.''' Сортировка слиянием. Оценка времени работы алгоритма при помощи рекуррентного соотношения. Двоичный поиск. Примеры решения рекуррентных соотношений: решение с использованием дерева рекурсии и методом подстановки. Основная теорема.
* '''26 января.''' Быстрая сортировка. Оптимальность сортировки слиянием.
* '''2 февраля.''' Разделяй и властвуй: быстрое возведение в степень по модулю, выбор порядковой статистики за время ''O''(''n'') — рандомизированный и детерминированный алгоритмы.
* '''9 февраля.''' Структуры данных. Массив с операциями инициализации, чтения и записи, выполняемыми за время ''O''(1). Структура данных для быстрого поиска и вставки на основе нескольких отсортированных массивов. Амортизационный анализ: групповой анализ и банковский метод (на примере двоичного счетчика).
* '''16 февраля.''' Амортизационная стоимость операций в динамическом массиве. Реализация стека при помощи массива; нахождение максимального значения в стеке за константное время.
* '''2 марта.''' Реализация очереди при помощи связного списка и при помощи массива; нахождение минимального элемента в очереди за константное время. Приоритетная очередь, ее реализация при помощи двоичной кучи. Сортировка кучей.
* '''9 марта.''' Деревья поиска. Алгоритм построения двоичного дерева поиска. Сложность поиска в двоичном дереве поиска. Сортировка при помощи двоичного дерева поиска и ее связь с быстрой сортировкой. Сбалансированные деревья поиска. Определение красно-черного дерева.
* '''16 марта.''' Красно-черные деревья. Удаление узла из двоичного дерева поиска.
* '''23 марта.''' Деревья отрезков. Динамические порядковые статистики.

Также см. [https://github.com/hse-ami/lectures/blob/master/algorithms1-new/book.pdf конспекты].

== Домашние задания ==

===Первое домашнее задание===

[https://official.contest.yandex.ru/contest/3855 Сортировки] — до 12 февраля. Для решения задачи F необязательно использовать именно алгоритм, реализованный в рамках решения задачи E.

== Контрольные работы ==
[https://www.dropbox.com/s/p3nlzn6fyhdi1ll/algo-quiz1-sample.pdf?dl=0 Тренировочный вариант] мартовской контрольной работы

== Консультации к экзамену 31 марта ==

Консультации проводят указанные ниже учебные ассистенты. Аудитории будут объявлены позже.

25 марта 14:00, ауд. 205 — [mailto:dasha-walter@yandex.ru Дарья Вальтер] — вопросы к консультации можно задать [https://goo.gl/forms/0qgYwRdtWqoMzWTT2 здесь]

28 марта 13:40, ауд. 509 — [mailto:lera-bubnova@yandex.ru Валерия Бубнова]

28 марта 13:40, ауд. 317 — [mailto:mryabinin0@gmail.com Максим Рябинин] — вопросы к консультации можно задать [https://docs.google.com/forms/d/e/1FAIpQLSe01c3Bfdz3bQ1eRSlBgGwJ1NIlEagYHRfOuaTHqfIdxqJMkA/viewform здесь]

29 марта 12:10, ауд. 509 — [mailto:arture226@gmail.com Арсений Турышев] — вопросы к консультации можно задать [https://docs.google.com/forms/d/e/1FAIpQLScverCV5aXdKj_59mqs2KBxW6qx699Escu8bsYvR70OfVhztg/viewform здесь]

== Страницы семинаров ==

[[АиСД_167-1|группа 167-1]]

Ask me (семинар)

2017-01-26T21:28:54Z

M.ryabinin: /* Разбор статьи */

Описание [[Ask_me_(проект)|проекта]], последнее [[Ask_me_(семинар)#.D0.A1.D0.B5.D0.BC.D0.B8.D0.BD.D0.B0.D1.80.D1.8B|занятие]].

==Правила игры ==
* '''Ментор:''' [[Участник:Simagin.denis|Симагин Денис]].
* '''Место:''' офис Яндекса ([https://maps.yandex.ru/213/moscow/?ll=37.590150%2C55.734065&z=18&l=stv%2Csta&panorama%5Bpoint%5D=37.589416%2C55.733747&panorama%5Bdirection%5D=40.412258%2C-11.910596&panorama%5Bspan%5D=130.000000%2C52.209677 место встречи])
* '''Время:''' c 10:00, каждый четверг.

Общение с ментором вне занятий приветствуется. Можно задавать вопросы, в том числе философские. Но перед тем, как написать, попробуйте спросить это у [https://ya.ru Яндекса]. Также не обижайтесь, если в ответ вам пришла ссылка на документацию или какую-то статью.

===Ключевые точки===
Сверху нам спущены ключевые точки выполнения проекта. Для нас они скорее явлются формальными, тем не менее мы должны их соблюдать.
# '''12-17 декабря''' - все включились в работу
# '''20-25 марта''' - реализован объем работ, необходимый для зачета
# '''30 мая - 3 июня''' - окончание проектной работы, вы готовы, как пионеры.
# '''начало июня''' - конкурс проектов.

===Правило 2Х===
У вас есть право на одну ошибку. Следующая - я отказываюсь с вами работать.

===Репозитории===
Студенты хранят свой код в следующих репозиториях
{| class="wikitable"
|-
|Ментор || https://github.com/dasimagin/askme
|-
| Когтенков || https://github.com/aakogtenkov/Ask-me-if-you-can
|-
|Остяков || https://github.com/PavelOstyakov/askme
|-
|Рябинин || https://github.com/mryab/askme
|-
|Попов || https://github.com/Akiiino/Ask-Me-Anything
|-
|Ширин || https://github.com/shirinnikita/ask_me
|}

===Разбор статьи===
В рамках проекта студент должен разобрать интересную для него статью и доложить ее на общем семинаре.

{| class="wikitable"
|-
! Студент !! Статья !! Дата
|-
|Когтенков || - || -
|-
|Остяков || - || -
|-
|Рябинин || [https://arxiv.org/abs/1609.08144 Google's Neural Machine Translation System: Bridging the Gap between Human and Machine Translation] || -
|-
|Попов || - || -
|-
|Ширин || - || -
|}

===Лабораторные===
Лабораторные проводятся для практического закрепления материала. Их выполнение учитывается в итоговой оценке.

# Результатом работы является jupyter notebook, где сохранен вывод вашего кода, графики и т.п. А так же его импорт в формат .py. Для автоматизации процесса можно настроить jupyter.
# Когда сроки выполнения лабораторной завершены, вы выкладываете ее на ревью, создавая соответствующее задание и запрос на объединение ветки с мастером (не забудьте добавить проверяющего).
# Ваш коллега проводит ревью кода и может оставлять замечания, как в виде комментариев к заданию, так и в файле .py. Оно предполагает проверку стиля и правильность кода, а также конструктивные замечания по производительности. Однако не стремитесь сразу оптимизировать код. Добейтесь лучше того, чтобы все работало правильно.
# Когда ревью завершено, влейтесь в мастер и закройте задание.

===Результаты===
Текущие результаты можно найти [https://docs.google.com/spreadsheets/d/1gO6nHbLqMeLRXAa5Mubpfoc_-gk9DWCJ4mmnV_xaeig/edit?usp=sharing здесь]. Оценка складывается из нескольких частей:
# Работа на семинаре
# Доклад статьи
# Итоговый результат

==Семинары==

===S09.02, 16.02, 23.02, 02.03, 09.03 ===
Рассказ статей
===S02.02===
Разбор статьи
===S26.01===
Сети с внимание и длинной памятью
===S19.01===
LSTM, GRU сети, машинный перевод
===H11.01===
Произвели разбор L3. Описание модели победителя можно найти [здесь], а baseline доступен [https://github.com/dasimagin/askme/blob/master/labs/L3%20-%20Baseline.ipynb здесь].

Доклады мне не очень понравились. Постараюсь написать общие замечания.
# Прежде всего у докладчика должна быть хорошая речь.
# Нужно выделить то, что действительно важно и интересно для слушателя.
# Делать на доске четкие и простые рисунки и записи, убедиться, что аудитория тебя понимает.
# Не прыгать с темы на тему, а идти в соответсвии с логическим планом.

===S15.12===
Поговорили про векторное представление слов, word2vec и другие сверточные сети для работы с естественными языками.

===H11.12===
Занятие было посвящено выполнению второй лабораторной. Интересный ноутбук скоро появится [здесь].

===S08.12===
'''1. Известные архитектуры сверточных сетей'''
* [https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf Alexnet]
* [https://arxiv.org/pdf/1409.1556.pdf VGG net]
* [https://arxiv.org/pdf/1409.4842v1.pdf GoogLeNet]
* [https://arxiv.org/pdf/1512.03385.pdf ResNet]
'''2. Поговорили:'''
* На что активируются нейроны в зависимости от слоя
* Генерация 'похожих картинок'
* Послойное обучение сети
* Переобучение или дообучение уже готовой сети
'''3. Изучили примеры для библиотеки Keras'''
* [https://github.com/fchollet/keras/blob/master/examples/mnist_mlp.py Полносвязанная сеть]
* [https://github.com/fchollet/keras/blob/master/examples/mnist_cnn.py Сверточная сеть ]
* [https://github.com/fchollet/keras/blob/master/examples/mnist_transfer_cnn.py Переобучение] сверточной сети

===L3===
{| class="wikitable"
|-
! Студент !! CPU !! RAM !! GPU
|-
| Пример || 6 core, 3,5 GHz || 64GB || NVIDIA TITAN X
|-
|Рябинин || 4 core, 3.5 GHz || 16 GB || Nvidia GeForce GTX 1070
|-
| Попов || 4 core, 3.2 GHz || 8 GB || GeForce GTX 750 Ti
|-
| Остяков || 8 core, 2,6 GHz || 50 GB || -
|-
| Когтенков || 2 core, 1.4 GHz || 4 GB || -
|-
| Ширин || 2 core, 1.9 GHz || 8 GB || -
|}

Победить в [https://inclass.kaggle.com/c/ch-ch конкурсе] классификации, срок 3 января, 23:59.

Для этого вам понадобится
* Установить [https://www.tensorflow.org Tensorflow]
* Установить [https://keras.io Keras]
* Запастись терпением

===S01.12===
'''1. Полносвязанные сети:'''
* Подсчитаны производные для [https://en.wikipedia.org/wiki/Backpropagation Backpropagation], обсуждены тонкости реализации.
* Различные виды нелинейности: [https://en.wikipedia.org/wiki/Rectifier_(neural_networks) ReLu], [https://arxiv.org/pdf/1502.01852v1.pdf PReLu], [https://en.wikipedia.org/wiki/Sigmoid_function Sigmoid].
* Обучение сетей при помощи [https://en.wikipedia.org/wiki/Autoencoder Autoencoder].

'''2. Сверточные сети:'''
* Cтруктура [https://en.wikipedia.org/wiki/Convolutional_neural_network CNN].
* Затронуты: [https://en.wikipedia.org/wiki/Convolution Convolution], [https://en.wikipedia.org/wiki/Convolutional_neural_network#Pooling_layer Pooling].
* Влияние различных ядер свертки на структуру сети.
* [https://en.wikipedia.org/wiki/Convolutional_neural_network#Choosing_hyperparameters Feature maps].
* Разобрана архитектура [https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf Alexnet].
* Сочетание из Convolutional и Dense слоев.

===S24.11===
'''1. Регуляризация:'''
* Разобрали L1 и L2 регуляризаторы, можно найти [https://en.wikipedia.org/wiki/Regularization_(mathematics) здесь].
* Используйте простые классификаторы
* Раняя остановка (смотрим качество на отложенном множестве)
* Добавление шума
* Комбинирование классификаторов

'''2. Полносвязанные сети:'''
* Множественная классификация и [https://en.wikipedia.org/wiki/Softmax_function softmax].
* Метод [http://www.machinelearning.ru/wiki/images/0/0f/karpinskaya-2010.pdf обратного распространения ошибки], проблема при обучении.
* Инициализация весов: и [http://jmlr.org/proceedings/papers/v9/glorot10a/glorot10a.pdf xavier] и другие [https://arxiv.org/pdf/1502.01852v1.pdf вариации].
* Кратко о [https://en.wikipedia.org/wiki/Convolutional_neural_network#Dropout dropout].

===L2===

Задание можно найти [https://github.com/dasimagin/askme/blob/master/labs/L2%20-%20Nets.ipynb здесь], срок 23:59 11 декабря.

===S03.11===
# [https://en.wikipedia.org/wiki/Feature_(machine_learning) Признаки] и какие они бывают. Об отборе признаков, кратко [https://habrahabr.ru/post/264915/ тут]. Может помочь на конкурсе.
# Задача [http://www.machinelearning.ru/wiki/index.php?title=Линейный_классификатор бинарной классификации].
# [http://www.machinelearning.ru/wiki/index.php?title=Метод_градиентного_спуска Градиентный спуск].
# [http://www.machinelearning.ru/wiki/index.php?title=Метод_стохастического_градиента Стохастический градиентный спуск]. На английской [https://en.wikipedia.org/wiki/Stochastic_gradient_descent вике] больше интересной информации.

'''Для дополнительного чтения:'''
# [https://homes.cs.washington.edu/~pedrod/papers/cacm12.pdf Что полезно знать о машинном обучении].
# [https://en.wikipedia.org/wiki/Feature_(machine_learning) Английская вика про признаки]
# [http://www.jmlr.org/papers/volume3/guyon03a/guyon03a.pdf Отбор признаков].
# Мощная теоретическая работа про [https://mipt.ru/upload/medialibrary/d7e/41-91.pdf стохастический градиентный спуск].

===L1===
{| class="wikitable"
|-
! Ревьюер !! Разработчик !! Оценка
|-
|Рябинин || Попов || 10
|-
| Попов || Остяков || 10
|-
| Остяков || Когтенков || 10
|-
| Когтенков || Ширин || 9.7
|-
| Ширин || Рябинин || 10
|}

Для [https://github.com/dasimagin/askme/blob/master/labs/L1%20-%20Gradient%20descent%20and%20linear%20models.ipynb первой] лабораторной работы вам потребуется:
# Настроить себе [https://pip.pypa.io/en/stable/ pip] для Python3
# Освоить [http://jupyter.org Jupyter notebook]
# Установить пакеты [http://www.scipy.org scipy]: numpy, scipy, matplotlib

Ask me (семинар)

2017-01-02T20:24:20Z

M.ryabinin: /* L3 */

Описание [[Ask_me_(проект)|проекта]], последнее [[Ask_me_(семинар)#.D0.A1.D0.B5.D0.BC.D0.B8.D0.BD.D0.B0.D1.80.D1.8B|занятие]].

==Правила игры ==
* '''Ментор:''' [[Участник:Simagin.denis|Симагин Денис]].
* '''Место:''' офис Яндекса ([https://maps.yandex.ru/213/moscow/?ll=37.590150%2C55.734065&z=18&l=stv%2Csta&panorama%5Bpoint%5D=37.589416%2C55.733747&panorama%5Bdirection%5D=40.412258%2C-11.910596&panorama%5Bspan%5D=130.000000%2C52.209677 место встречи])
* '''Время:''' c 10:00, каждый четверг.

Общение с ментором вне занятий приветствуется. Можно задавать вопросы, в том числе философские. Но перед тем, как написать, попробуйте спросить это у [https://ya.ru Яндекса]. Также не обижайтесь, если в ответ вам пришла ссылка на документацию или какую-то статью.

===Ключевые точки===
Сверху нам спущены ключевые точки выполнения проекта. Для нас они скорее явлются формальными, тем не менее мы должны их соблюдать.
# '''12-17 декабря''' - все включились в работу
# '''20-25 марта''' - реализован объем работ, необходимый для зачета
# '''30 мая - 3 июня''' - окончание проектной работы, вы готовы, как пионеры.
# '''начало июня''' - конкурс проектов.

===Правило 2Х===
У вас есть право на одну ошибку. Следующая - я отказываюсь с вами работать.

===Репозитории===
Студенты хранят свой код в следующих репозиториях
{| class="wikitable"
|-
|Ментор || https://github.com/dasimagin/askme
|-
| Когтенков || https://github.com/aakogtenkov/Ask-me-if-you-can
|-
|Остяков || https://github.com/PavelOstyakov/askme
|-
|Рябинин || https://github.com/mryab/askme
|-
|Попов || https://github.com/Akiiino/Ask-Me-Anything
|-
|Ширин || https://github.com/shirinnikita/ask_me
|}

===Лабораторные===
Лабораторные проводятся для практического закрепления материала. Их выполнение учитывается в итоговой оценке.

# Результатом работы является jupyter notebook, где сохранен вывод вашего кода, графики и т.п. А так же его импорт в формат .py. Для автоматизации процесса можно настроить jupyter.
# Когда сроки выполнения лабораторной завершены, вы выкладываете ее на ревью, создавая соответствующее задание и запрос на объединение ветки с мастером (не забудьте добавить проверяющего).
# Ваш коллега проводит ревью кода и может оставлять замечания, как в виде комментариев к заданию, так и в файле .py. Оно предполагает проверку стиля и правильность кода, а также конструктивные замечания по производительности. Однако не стремитесь сразу оптимизировать код. Добейтесь лучше того, чтобы все работало правильно.
# Когда ревью завершено, влейтесь в мастер и закройте задание.

===Результаты===
Текущие результаты можно найти [https://docs.google.com/spreadsheets/d/1gO6nHbLqMeLRXAa5Mubpfoc_-gk9DWCJ4mmnV_xaeig/edit?usp=sharing здесь]. Оценка складывается из нескольких частей:
# Работа на семинаре
# Доклад статьи
# Итоговый результат

==Семинары==

===S09.02, 16.02, 23.02, 02.03, 09.03 ===
Рассказ статей
===S02.02===
Разбор статьи
===S26.01===
Сети с внимание и длинной памятью
===S19.01===
LSTM, GRU сети, машинный перевод
===S12.01===
Рекуррентные сети
===S15.12===
Поговорили про векторное представление слов, word2vec и другие сверточные сети для работы с естественными языками.

===L4===
Coming soon...

===H11.12===
Занятие было посвящено выполнению второй лабораторной. Интересный ноутбук скоро появится [здесь].

===S08.12===
'''1. Известные архитектуры сверточных сетей'''
* [https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf Alexnet]
* [https://arxiv.org/pdf/1409.1556.pdf VGG net]
* [https://arxiv.org/pdf/1409.4842v1.pdf GoogLeNet]
* [https://arxiv.org/pdf/1512.03385.pdf ResNet]
'''2. Поговорили:'''
* На что активируются нейроны в зависимости от слоя
* Генерация 'похожих картинок'
* Послойное обучение сети
* Переобучение или дообучение уже готовой сети
'''3. Изучили примеры для библиотеки Keras'''
* [https://github.com/fchollet/keras/blob/master/examples/mnist_mlp.py Полносвязанная сеть]
* [https://github.com/fchollet/keras/blob/master/examples/mnist_cnn.py Сверточная сеть ]
* [https://github.com/fchollet/keras/blob/master/examples/mnist_transfer_cnn.py Переобучение] сверточной сети

===L3===
{| class="wikitable"
|-
! Студент !! CPU !! RAM !! GPU
|-
| Пример || 6 core, 3,5 GHz || 64GB || NVIDIA TITAN X
|-
|Рябинин || 4 core, 3.5 GHz || 16 GB || Nvidia GeForce GTX 1070
|-
| Попов || - || - || -
|-
| Остяков || 8 core, 2,6 GHz || 50 GB || -
|-
| Когтенков || - || - || -
|-
| Ширин || - || - || -
|}

Победить в [https://inclass.kaggle.com/c/ch-ch конкурсе] классификации, срок 3 января, 23:59.

Для этого вам понадобится
* Установить [https://www.tensorflow.org Tensorflow]
* Установить [https://keras.io Keras]
* Запастись терпением

===S01.12===
'''1. Полносвязанные сети:'''
* Подсчитаны производные для [https://en.wikipedia.org/wiki/Backpropagation Backpropagation], обсуждены тонкости реализации.
* Различные виды нелинейности: [https://en.wikipedia.org/wiki/Rectifier_(neural_networks) ReLu], [https://arxiv.org/pdf/1502.01852v1.pdf PReLu], [https://en.wikipedia.org/wiki/Sigmoid_function Sigmoid].
* Обучение сетей при помощи [https://en.wikipedia.org/wiki/Autoencoder Autoencoder].

'''2. Сверточные сети:'''
* Cтруктура [https://en.wikipedia.org/wiki/Convolutional_neural_network CNN].
* Затронуты: [https://en.wikipedia.org/wiki/Convolution Convolution], [https://en.wikipedia.org/wiki/Convolutional_neural_network#Pooling_layer Pooling].
* Влияние различных ядер свертки на структуру сети.
* [https://en.wikipedia.org/wiki/Convolutional_neural_network#Choosing_hyperparameters Feature maps].
* Разобрана архитектура [https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf Alexnet].
* Сочетание из Convolutional и Dense слоев.

===S24.11===
'''1. Регуляризация:'''
* Разобрали L1 и L2 регуляризаторы, можно найти [https://en.wikipedia.org/wiki/Regularization_(mathematics) здесь].
* Используйте простые классификаторы
* Раняя остановка (смотрим качество на отложенном множестве)
* Добавление шума
* Комбинирование классификаторов

'''2. Полносвязанные сети:'''
* Множественная классификация и [https://en.wikipedia.org/wiki/Softmax_function softmax].
* Метод [http://www.machinelearning.ru/wiki/images/0/0f/karpinskaya-2010.pdf обратного распространения ошибки], проблема при обучении.
* Инициализация весов: и [http://jmlr.org/proceedings/papers/v9/glorot10a/glorot10a.pdf xavier] и другие [https://arxiv.org/pdf/1502.01852v1.pdf вариации].
* Кратко о [https://en.wikipedia.org/wiki/Convolutional_neural_network#Dropout dropout].

===L2===

Задание можно найти [https://github.com/dasimagin/askme/blob/master/labs/L2%20-%20Nets.ipynb здесь], срок 23:59 11 декабря.

===S03.11===
# [https://en.wikipedia.org/wiki/Feature_(machine_learning) Признаки] и какие они бывают. Об отборе признаков, кратко [https://habrahabr.ru/post/264915/ тут]. Может помочь на конкурсе.
# Задача [http://www.machinelearning.ru/wiki/index.php?title=Линейный_классификатор бинарной классификации].
# [http://www.machinelearning.ru/wiki/index.php?title=Метод_градиентного_спуска Градиентный спуск].
# [http://www.machinelearning.ru/wiki/index.php?title=Метод_стохастического_градиента Стохастический градиентный спуск]. На английской [https://en.wikipedia.org/wiki/Stochastic_gradient_descent вике] больше интересной информации.

'''Для дополнительного чтения:'''
# [https://homes.cs.washington.edu/~pedrod/papers/cacm12.pdf Что полезно знать о машинном обучении].
# [https://en.wikipedia.org/wiki/Feature_(machine_learning) Английская вика про признаки]
# [http://www.jmlr.org/papers/volume3/guyon03a/guyon03a.pdf Отбор признаков].
# Мощная теоретическая работа про [https://mipt.ru/upload/medialibrary/d7e/41-91.pdf стохастический градиентный спуск].

===L1===
{| class="wikitable"
|-
! Ревьюер !! Разработчик !! Оценка
|-
|Рябинин || Попов || 10
|-
| Попов || Остяков || 10
|-
| Остяков || Когтенков || 10
|-
| Когтенков || Ширин || 9.7
|-
| Ширин || Рябинин || 10
|}

Для [https://github.com/dasimagin/askme/blob/master/labs/L1%20-%20Gradient%20descent%20and%20linear%20models.ipynb первой] лабораторной работы вам потребуется:
# Настроить себе [https://pip.pypa.io/en/stable/ pip] для Python3
# Освоить [http://jupyter.org Jupyter notebook]
# Установить пакеты [http://www.scipy.org scipy]: numpy, scipy, matplotlib

Ask me (семинар)

2016-11-29T18:47:28Z

M.ryabinin: /* L1 */