https://wiki.cs.hse.ru/api.php?action=feedcontributions&feedformat=atom&user=Marina+Ananyeva 2026-09-22T03:41:34Z Вклад MediaWiki 1.43.9 https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B_2025/26&diff=94623 2026-01-15T22:43:54Z

<p>Marina Ananyeva: </p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/104irUlQy_dBpme2zbZ0j-FOe70-TltkXA3R3BEd-cdI/edit?usp=sharing ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:center; width:30%; border:none; cellpadding=5px;&quot;<br /> |-<br /> | |<br /> | style=&quot;background:#eaecf0; border: 2px solid gray;&quot; colspan=&quot;5&quot; | '''Контакты'''<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Преподаватели<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ananyevame Марина Ананьева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/lashinin Олег Лашинин]<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Ассистенты<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/Sllaavva Вячеслав Юсупов]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/sonya_leaf Анна Никифорова]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ilyhav Илья Веселов]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/danila_lyapin Данила Ляпин]<br /> | style=&quot;border: 2px solid gray;&quot;| [https://t.me/hoshicasia Наталья Михайловская]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1H79tY3U3VsRsiU1xK6YfL2mDxNk4jtjOFtaCuI-FByU/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.3 * Т) / 0.6'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.6 * Накоп + 0.4 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 5 домашних заданий. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе Kaggle. <br /> <br /> '''Т''' - средняя арифметическая оценка за 19 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Talk. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''ДЗ &gt;= 7''' и '''Т &gt;= 7''', то студент может получить '''Накоп''' в качестве итоговой оценки ('''Накоп = Итог'''), не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока и объявлены заранее перед экзаменом.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [ по ссылке]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2026/week01 Github, ] [https://my.tbank.ru/edu/educate/course/7f68384f-ce5b-4fae-adbb-884894ad3a88/unit/1b00c50c-6e59-464f-b729-a5d69ae1a444 Запись]|| - || [https://my.tbank.ru/edu/educate/course/7f68384f-ce5b-4fae-adbb-884894ad3a88/unit/08431dfd-3ce6-4223-b9c2-046f147ac058 Quiz 1 (до 21.01.25 18:10)]<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.11<br /> * Jupyter Notebook<br /> <br /> ==Список литературы==<br /> <br /> 1. Recommender Systems Handbook. Francesco Ricci et al, Springer, 2022 <br /> <br /> 2. Hands-On Recommendation Systems with Python. Rounak Banik, 2018<br /> <br /> 3. Building Recommendations Systems in Python and JAX. Brian Bischof et al, 2018<br /> <br /> 4. Practical Recommender Systems. Kim Falk, 2019<br /> <br /> 5. Session-Based Recommender Systems Using Deep Learning. Reza Ravanmehr et al. Springer, 2024<br /> <br /> 6. Designing Machine Learning Systems. Chip Huyen, 2022<br /> <br /> 7. Designing Data-Intensive Applications. Martin Kleppmann, 2017</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B_2025/26&diff=94622 2026-01-15T22:38:07Z

<p>Marina Ananyeva: </p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/104irUlQy_dBpme2zbZ0j-FOe70-TltkXA3R3BEd-cdI/edit?usp=sharing ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:center; width:30%; border:none; cellpadding=5px;&quot;<br /> |-<br /> | |<br /> | style=&quot;background:#eaecf0; border: 2px solid gray;&quot; colspan=&quot;5&quot; | '''Контакты'''<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Преподаватели<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ananyevame Марина Ананьева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/lashinin Олег Лашинин]<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Ассистенты<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/Sllaavva Вячеслав Юсупов]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/sonya_leaf Анна Никифорова]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ilyhav Илья Веселов]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/danila_lyapin Данила Ляпин]<br /> | style=&quot;border: 2px solid gray;&quot;| [https://t.me/hoshicasia Наталья Михайловская]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1H79tY3U3VsRsiU1xK6YfL2mDxNk4jtjOFtaCuI-FByU/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.3 * Т) / 0.6'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.6 * Накоп + 0.4 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 5 домашних заданий. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе Kaggle. <br /> <br /> '''Т''' - средняя арифметическая оценка за 19 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Talk. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''ДЗ &gt;= 7''' и '''Т &gt;= 7''', то студент может получить '''Накоп''' в качестве итоговой оценки ('''Накоп = Итог'''), не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока и объявлены заранее перед экзаменом.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [ по ссылке]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2026/week01 Лекция 1 github] [https://my.tbank.ru/edu/educate/course/7f68384f-ce5b-4fae-adbb-884894ad3a88/unit/1b00c50c-6e59-464f-b729-a5d69ae1a444 Запись]|| - || [https://my.tbank.ru/edu/educate/course/7f68384f-ce5b-4fae-adbb-884894ad3a88/unit/08431dfd-3ce6-4223-b9c2-046f147ac058 Quiz 1 (до 21.01.25 18:10)]<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.11<br /> * Jupyter Notebook<br /> <br /> ==Список литературы==<br /> <br /> 1. Recommender Systems Handbook. Francesco Ricci et al, Springer, 2022 <br /> <br /> 2. Hands-On Recommendation Systems with Python. Rounak Banik, 2018<br /> <br /> 3. Building Recommendations Systems in Python and JAX. Brian Bischof et al, 2018<br /> <br /> 4. Practical Recommender Systems. Kim Falk, 2019<br /> <br /> 5. Session-Based Recommender Systems Using Deep Learning. Reza Ravanmehr et al. Springer, 2024<br /> <br /> 6. Designing Machine Learning Systems. Chip Huyen, 2022<br /> <br /> 7. Designing Data-Intensive Applications. Martin Kleppmann, 2017</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B_2025/26&diff=94581 2026-01-14T15:13:47Z

<p>Marina Ananyeva: Новая страница: «==О курсе== Курс нацелен на формирование у слушателя достаточных знаний, навыков и компет…»</p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/104irUlQy_dBpme2zbZ0j-FOe70-TltkXA3R3BEd-cdI/edit?usp=sharing ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:center; width:30%; border:none; cellpadding=5px;&quot;<br /> |-<br /> | |<br /> | style=&quot;background:#eaecf0; border: 2px solid gray;&quot; colspan=&quot;5&quot; | '''Контакты'''<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Преподаватели<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ananyevame Марина Ананьева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/lashinin Олег Лашинин]<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Ассистенты<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/Sllaavva Вячеслав Юсупов]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/sonya_leaf Анна Никифорова]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ilyhav Илья Веселов]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/danila_lyapin Данила Ляпин]<br /> | style=&quot;border: 2px solid gray;&quot;| [https://t.me/hoshicasia Наталья Михайловская]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1H79tY3U3VsRsiU1xK6YfL2mDxNk4jtjOFtaCuI-FByU/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.3 * Т) / 0.6'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.6 * Накоп + 0.4 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 5 домашних заданий. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе Kaggle. <br /> <br /> '''Т''' - средняя арифметическая оценка за 19 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Talk. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''ДЗ &gt;= 7''' и '''Т &gt;= 7''', то студент может получить '''Накоп''' в качестве итоговой оценки ('''Накоп = Итог'''), не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока и объявлены заранее перед экзаменом.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [ по ссылке]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || || - || -<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.11<br /> * Jupyter Notebook<br /> <br /> ==Список литературы==<br /> <br /> 1. Recommender Systems Handbook. Francesco Ricci et al, Springer, 2022 <br /> <br /> 2. Hands-On Recommendation Systems with Python. Rounak Banik, 2018<br /> <br /> 3. Building Recommendations Systems in Python and JAX. Brian Bischof et al, 2018<br /> <br /> 4. Practical Recommender Systems. Kim Falk, 2019<br /> <br /> 5. Session-Based Recommender Systems Using Deep Learning. Reza Ravanmehr et al. Springer, 2024<br /> <br /> 6. Designing Machine Learning Systems. Chip Huyen, 2022<br /> <br /> 7. Designing Data-Intensive Applications. Martin Kleppmann, 2017</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=Wiki_%D0%A4%D0%9A%D0%9D&diff=94580 2026-01-14T14:36:52Z

<p>Marina Ananyeva: </p> <hr /> <div>__NOTOC__<br /> = Учебные курсы факультета компьютерных наук =<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! colspan=&quot;2&quot; | &lt;div style=&quot;text-align: center;&quot;&gt;'''Навигация'''&lt;/div&gt;<br /> |-<br /> ! [[#bachelors|Курсы бакалавриата ФКН]]<br /> | &lt;div style=&quot;text-align:center&quot;&gt;[[#AMI|ПМИ]] · [[#SE|ПИ]] · [[#DSBA|ПАД]] · [[#compds|КНАД]] · [[#EDA|ЭАД]] · [[#DRIP|ДРИП]] · [[#electives|майноры и факультативы]]&lt;/div&gt;<br /> |-<br /> ! colspan=&quot;2&quot; | [[#DataCulture|Курсы в рамках проекта Data Culture]] · [[#masters|Курсы магистратуры ФКН]] · [[#other|Курсы других факультетов]] · [[#archive|Архив]]<br /> |}<br /> <br /> == &lt;span id=&quot;bachelors&quot;&gt;Курсы за 2025/26 учебный год&lt;/span&gt; ==<br /> {| class=&quot;wikitable courses&quot;<br /> |-<br /> <br /> ! width=&quot;21%&quot; | 1 курс !! width=&quot;21%&quot; | 2 курс !! width=&quot;21%&quot; | 3 курс !! width=&quot;21%&quot; | 4 курс !! rowspan=&quot;2&quot; | '''&lt;span id=&quot;electives&quot;&gt;майноры и факультативы&lt;/span&gt;'''<br /> |-<br /> | colspan=&quot;4&quot; style=&quot;text-align: center;&quot; | '''&lt;span id=&quot;AMI&quot;&gt;ПМИ&lt;/span&gt;''' <br /> |-<br /> |<br /> <br /> '''М+'''<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2025/2026_(пилотный_поток) | Линейная алгебра и геометрия (пилотный поток)]]<br /> <br /> [[Математический_анализ_1_2025/26_(пилотный_поток) | Математический анализ-1 (пилотный поток)]]<br /> <br /> [[Дискретная математика_на_ПМИ_2025/2026_(пилотный_поток) | Дискретная математика (пилотный поток)]]<br /> <br /> [[Теория_чисел_(пилотный_поток)_2025/26 | Теория чисел (пилотный поток)]]<br /> <br /> '''М'''<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2025/2026_(основной_поток) | Линейная алгебра и геометрия (основной поток)]]<br /> <br /> [[Математический_анализ_1_2025/26_(основной_поток) | Математический анализ-1 (ПМИ основной поток)]]<br /> <br /> [[DM1PMIbase-2025-26 | Дискретная математика (ПМИ основной поток)]]<br /> <br /> '''П'''<br /> <br /> [[Язык программирования Python 2025/26 (основной поток) ]]<br /> <br /> [[Алгоритмы и структуры данных 1 (основной поток) (2 модуль) 2025/2026]]<br /> <br /> <br /> '''П+'''<br /> <br /> [[Язык программирования C++ (пилотный поток) ]]<br /> <br /> [[Алгоритмы и структуры данных пилотный поток 2025/2026 | Алгоритмы и структуры данных (пилотный поток)]]<br /> <br /> ||<br /> <br /> '''М+'''<br /> <br /> [[Математический_Анализ_2_на_ПМИ_2025/26_(пилотный_поток) | Математический анализ 2 (пилотный поток)]]<br /> <br /> [[Теория_вероятностей_2025/26_(пилотный_поток) | Теория вероятностей (пилотный поток)]]<br /> <br /> '''М'''<br /> <br /> [[Теория_вероятностей_на_ПМИ_2025/2026_(основной_поток) | Теория вероятностей (основной поток)]]<br /> <br /> [[Математический_анализ_-_2_(основной_поток)_ПМИ_и_ЭАД_2025/2026 | Математический анализ-2 (ПМИ + ЭАД)]]<br /> <br /> &amp;nbsp;<br /> <br /> '''П'''<br /> <br /> [[Язык_программирования_Python_(углубленный_курс) | Язык программирования Python (углубленный курс)]]<br /> &amp;nbsp;<br /> <br /> [[CAOS-2025/26 | Архитектура компьютеров и операционные системы]]<br /> <br /> [[Инструменты_промышленной_разработки | Инструменты промышленной разработки]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2025/26 | Алгоритмы и структуры данных 2 2025/26]]<br /> <br /> [[Язык_программирования_Go | Язык программирования Go]]<br /> <br /> ||<br /> <br /> [[ PE101-25-26 | Performance engineering 101 ]]<br /> <br /> [[Функциональное_программирование_2025/2026 | Функциональное программирование]]<br /> <br /> [[ Основы_тензорных_вычислений_(2025/26) | Основы тензорных вычислений ]]<br /> <br /> [[Рекомендательные системы 2025/26 | Рекомендательные системы]]<br /> <br /> [[Глубинное обучение 1 25/26 | Введение в глубинное обучение]]<br /> <br /> [[ Types_25 | Типы в языках программирования ]]<br /> <br /> [[ Безопасность_компьютерных_систем_25/26 | Безопасность компьютерных систем ]]<br /> <br /> [[ Моделирование временных рядов 2025/26 | Моделирование временных рядов ]]<br /> <br /> '''ПМИ / МОП'''<br /> <br /> [[Машинное_обучение_1_25/26 | Машинное обучение 1]]<br /> <br /> [[Математическая_статистика_2_2025/2026 | Математическая статистика 2]]<br /> <br /> [[ML_Research_Seminar_1 | НИС Машинное Обучение и Приложения 1]]<br /> <br /> '''ПМИ / РС'''<br /> <br /> [https://docs.google.com/document/d/1sHfi9_m4hx4y0iIgQEueMCr4qokLxh2Bvyzw_MdE2iI/edit?usp=sharing Распределенные системы]<br /> <br /> [https://docs.google.com/document/d/1Hqu7iVY0FpYVujjNpIClkIMOQy32YWJpJHZKPSrOtmA/edit?usp=sharing НИС Распределенные системы]<br /> <br /> '''ПМИ / ТИ'''<br /> <br /> [[ NIS-TCS-25-26 | НИС Теоретическая информатика ]]<br /> <br /> &amp;nbsp;<br /> <br /> ||<br /> <br /> [[ PE101-25-26 | Performance engineering 101 ]]<br /> <br /> [http://wiki.cs.hse.ru/%D0%93%D0%B5%D0%BD%D0%B5%D1%80%D0%B0%D1%82%D0%B8%D0%B2%D0%BD%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8_%D0%BD%D0%B0_%D0%BE%D1%81%D0%BD%D0%BE%D0%B2%D0%B5_%D0%B4%D0%B8%D1%84%D1%84%D1%83%D0%B7%D0%B8%D0%B8_(25/26) Генеративные модели на основе диффузии 25/26]<br /> <br /> [[Большие_языковые_модели_25_26 | Большие языковые модели]]<br /> <br /> [[Theory_of_computation_2025 | Theory of computation]]<br /> <br /> [[Statistical_learning_theory_2025 | Statistical learning theory]]<br /> <br /> [[Теория_и_практика_онлайн-экспериментов_25/26 | Теория и практика онлайн-экспериментов]]<br /> <br /> [[Современный_NLP_и_большие_языковые_модели_26 | Современный NLP и большие языковые модели]]<br /> <br /> '''ПМИ / МОП'''<br /> <br /> [http://wiki.cs.hse.ru/%D0%93%D0%BB%D1%83%D0%B1%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_2_2025 Глубинное обучение 2]<br /> <br /> [[ML_Research_Seminar_2 | НИС Машинное Обучение и Приложения 2]]<br /> <br /> [[LSML 2025/2026 | Машинное обучение для больших данных]]<br /> <br /> '''ПМИ / РС'''<br /> <br /> [https://docs.google.com/document/d/1Q2gx-6ugSi9intAW6ZSsLZNrEvl7S5ClyAhn8EjJnRM/edit?usp=sharing НИС Распределенные системы 2]<br /> <br /> '''ПМИ / ТИ'''<br /> <br /> [[ NIS-TCS-25-26 | НИС Теоретическая информатика ]]<br /> <br /> [[ OWF-25-26 | Односторонние функции и их применения ]]<br /> <br /> [[ ConvApprox26 | Выпуклое программирование и аппроксимационные алгоритмы ]]<br /> <br /> <br /> &amp;nbsp;<br /> <br /> | rowspan=&quot;11&quot; | <br /> &lt;!-- майноры и факультативы --&gt;<br /> <br /> [[Майнор_Биоинформатика_1_год_2025/26|Биоинформатика 1 год 2025/26]]<br /> <br /> [[Майнор_Биоинформатика_2_год_2025/26|Биоинформатика 2 год 2025/26]]<br /> <br /> [[Введение_в_программирование_25/26|Введение в программирование. Питон 25/26]]<br /> <br /> [[Введение_в_базы_данных_25/26|Введение в базы данных 25/26]]<br /> <br /> [[Основы_глубинного_обучения_25/26|Основы глубинного обучения 25/26]]<br /> <br /> [[Основы_машинного_обучения/2026|Основы машинного обучения 25/26]]<br /> <br /> [[Прикладные_задачи_анализа_данных/2026|Прикладные задачи анализа данных 25/26]]<br /> <br /> [[Kolmogorov_complexity_fall2025|Introduction to Kolmogorov complexity]]<br /> <br /> <br /> |-<br /> | colspan=&quot;4&quot; style=&quot;text-align: center;&quot; | '''&lt;span id=&quot;SE&quot;&gt;ПИ&lt;/span&gt;''' <br /> |-<br /> |<br /> <br /> [[Алгебра_ПИ_2025-2026|Алгебра 25/26]]<br /> <br /> [[Дискретная_математика_25/26|Дискретная математика 25/26]]<br /> <br /> [[Математический_анализ_25/26|Математический анализ 25/26]]<br /> <br /> <br /> |<br /> [[НИС_Методы_и_алгоритмы_защиты_информации_25/26|НИС Методы и алгоритмы защиты информации 25/26]]<br /> <br /> [[Теория_вероятностей_25/26|Теория вероятностей 25/26]]<br /> [[Математическая_статистика_25/26 | Математическая статистика 2025/26]]<br /> |<br /> &amp;nbsp;<br /> <br /> ||<br /> &amp;nbsp;<br /> <br /> |-<br /> | colspan=&quot;4&quot; style=&quot;text-align: center;&quot; | '''&lt;span id=&quot;DSBA&quot;&gt;ПАД&lt;/span&gt;''' <br /> |-<br /> |<br /> '''1st year DSBA 2025/2026'''<br /> <br /> [[Calculus 1 DSBA 2025/2026 | Calculus 1 (modules 1-4)]]<br /> <br /> [[C++ Programming Language DSBA 2025/2026 | C++ Programming Language (modules 1-3)]]<br /> <br /> [[English DSBA 2025/2026 | English Language (modules 1-4)]]<br /> <br /> [[LAaG DSBA 2025/2026 | Linear Algebra and Geometry (modules 1-4)]]<br /> <br /> [[Discrete Mathematics 1 DSBA 2025/2026 | Discrete Mathematics 1 (modules 1-3)]]<br /> <br /> [[Russian History DSBA 2025/2026 | Russian History (modules 1-4)]]<br /> <br /> [[Economics DSBA 2025/2026 | Economics (modules 2-3)]]<br /> <br /> [[Foundations of Russian Statehood DSBA 2025/2026 | Foundations of Russian Statehood (module 3)]]<br /> <br /> [[Algebra DSBA 2025/2026 | Algebra (module 4)]]<br /> <br /> [[Algorithms and Data Structures 1 DSBA 2025/2026 | Algorithms and Data Structures 1 (module 4)]]<br /> <br /> [[Python for Data Science DSBA 2025/2026 | Python for Data Science (module 4)]]<br /> <br /> ||<br /> '''2nd year DSBA 2025/2026'''<br /> <br /> [[Algorithms and Data Structures DSBA 2025/2026 | Algorithms and Data Structures (modules 1-3)]]<br /> <br /> [[Discrete Mathematics 2 DSBA 2025/2026 | Discrete Mathematics 2 (modules 1-2)]]<br /> <br /> [[Calculus 2 DSBA 2025/2026 | Calculus 2 (modules 1-2)]]<br /> <br /> [[Probability Theory DSBA 2025/2026 | Probability Theory (modules 1-2)]]<br /> <br /> [[Introduction to Micro and Macroeconomics DSBA 2025/2026 | Introduction to Micro and Macroeconomics (modules 1-4)]]<br /> <br /> [[Computer Architecture and Operating Systems DSBA 2025/2026 | Computer Architecture and Operating Systems (modules 3-4)]]<br /> <br /> [[Mathematical Statistics DSBA 2025/2026 | Mathematical Statistics (modules 3-4)]]<br /> <br /> [[Machine Learning 1 DSBA 2025/2026 modules 3-4 | Machine Learning 1 (modules 3-4)]]<br /> <br /> [[Differential Equations DSBA 2025/2026 | Differential Equations (modules (3-4)]]<br /> <br /> '''Minors'''<br /> <br /> [[Business and Management in Global Context DSBA 2025/2026 | Business and Management in Global Context (modules 1-4)]]<br /> <br /> [[Introduction to Finance DSBA 2025/2026 | Introduction to Finance (modules 1-4)]]<br /> <br /> ||<br /> '''3rd year DSBA 2025/2026'''<br /> <br /> [[Databases DSBA 2025/2026 | Databases (modules 1-2)]]<br /> <br /> [[Optimization Methods DSBA 2025/2026 | Optimization Methods (modules 1-2)]]<br /> <br /> [[Machine Learning 1 DSBA 2025/2026 | Machine Learning 1 (modules 1-2)]]<br /> <br /> [[Stochastic processes and applications DSBA 2025/2026 | Stochastic processes and applications (modules 1-2)]]<br /> <br /> [[Time Series Analysis DSBA 2025/2026 | Time Series Analysis (modules 3-4)]]<br /> <br /> [[Deep Learning DSBA 2025/2026 | Deep Learning (modules 3-4)]]<br /> <br /> '''Minors'''<br /> <br /> [[Introduction to Entrepreneurship DSBA 2025/2026 | Introduction to Entrepreneurship (business minor, modules 1-2)]]<br /> <br /> [[Information Systems Management DSBA 2025/2026 | Information Systems Management (business minor, modules 3-4)]]<br /> <br /> [[Econometrics DSBA 2025/2026 | Elements of Econometrics (finance minor, modules 1-4)]]<br /> <br /> '''Specialization Data Science in Business'''<br /> <br /> [[Research Seminar &quot;Data Analysis in Business&quot; DSBA 2025/2026 | Research Seminar &quot;Data Analysis in Business“ (modules 1-4)]]<br /> <br /> [[Data Analysis in Business DSBA 2025/2026 | Data Analysis in Business (modules 1-2)]]<br /> <br /> [[Investment Management for Business DSBA 2025/2026 | Investment Management for Business (modules 3-4)]]<br /> <br /> '''Specialization Data Science in Finance'''<br /> <br /> [[Research Seminar &quot;Data Science in Financial Economics&quot; DSBA 2025/2026 | Research Seminar &quot;Data Science in Financial Economics&quot; (modules 1-4)]]<br /> <br /> [[Financial Mathematics DSBA 2025/2026 | Financial Mathematics (modules 1-2)]]<br /> <br /> [[Risk Management in Bank DSBA 2025/2026 | Risk Management in Bank (modules 3-4)]]<br /> <br /> '''Specialization Data Analysis in Applied Research'''<br /> <br /> [[Research Seminar &quot;Data Science in Applied Research&quot; DSBA 2025/2026 | Research Seminar &quot;Data Science in Applied Research&quot; (modules 1-4)]]<br /> <br /> [[Methods of Mathematical Modeling DSBA 2025/2026 | Methods of Mathematical Modeling (modules 1-2)]]<br /> <br /> [[Applied Statistics for Machine Learning DSBA 2025/2026 | Applied Statistics for Machine Learning (modules 3-4)]]<br /> <br /> '''Electives (modules 3-4)'''<br /> <br /> [[Operations Research and Game Theory DSBA 2025/2026 | Operations Research and Game Theory]]<br /> <br /> [[Advanced Statistical Methods DSBA 2025/2026 | Advanced Statistical Methods]]<br /> <br /> [[Recommender Systems DSBA 2025/2026 | Recommender Systems]]<br /> <br /> ||<br /> '''4th year DSBA 2025/2026'''<br /> <br /> [[Strategy DSBA 2025/2026 | Strategy (modules 1-3)]]<br /> <br /> [[Statistical Methods for Market Research DSBA 2025/2026 | Statistical Methods for Market Research (modules 2-3)]]<br /> <br /> '''Electives block 1 (modules 1-3)'''<br /> <br /> [[Core Management Concepts DSBA 2025/2026 | Core Management Concepts]]<br /> <br /> [[Asset Pricing and Financial Markets DSBA 2025/2026 | Asset Pricing and Financial Markets]]<br /> <br /> '''Electives block 2 (modules 1-2)'''<br /> <br /> [[Introduction to the Study of Language for Computer Scientists DSBA 2025/2026 | Introduction to the Study of Language for Computer Scientists]]<br /> <br /> [[Quantitative Finance DSBA 2025/2026 | Quantitative Finance]]<br /> <br /> [[Information Security Risk Management DSBA 2025/2026 | Information Security Risk Management]]<br /> <br /> [[Generative Models in Machine Learning DSBA 2025/2026 | Generative Models in Machine Learning]]<br /> <br /> [[Natural Language Processing DSBA 2025/2026 | Natural Language Processing]]<br /> <br /> '''Electives block 3 (module 3)'''<br /> <br /> [[Information Systems DSBA 2025/2026 | Information Systems]]<br /> <br /> [[Cоmputer Vision DSBA 2025/2026 | Cоmputer Vision]]<br /> <br /> '''Research Seminar Electives (modules 1-3)'''<br /> <br /> [[Research Seminar &quot;Data Analysis in the Natural Sciences&quot; DSBA 2025/2026 | Research Seminar &quot;Data Analysis in the Natural Sciences&quot;]]<br /> <br /> [[Research Seminar &quot;Data Science in Financial Markets&quot; DSBA 2025/2026 | Research Seminar &quot;Data Science in Financial Markets&quot;]]<br /> <br /> [[Research Seminar &quot;Data analysis in complex systems&quot; DSBA 2025/2026 | Research Seminar &quot;Data analysis in complex systems&quot;]]<br /> <br /> |-<br /> | colspan=&quot;4&quot; style=&quot;text-align: center;&quot; | '''&lt;span id=&quot;compds&quot;&gt;КНАД&lt;/span&gt;''' <br /> |-<br /> |<br /> [[Программирование на С++ КНАД ВСН 25-26]]<br /> <br /> [[Дискретная_Математика_КНАД_2025/26 | Дискретная математика 2025/26 (КНАД)]]<br /> <br /> [[Программирование_на_Python_КНАД_25/26 | Программирование на Python 25/26 (КНАД)]]<br /> <br /> [[Алгоритмы и структуры данных - 1 2025/2026 2 модуль (КНАД)]]<br /> <br /> [[Линейная алгебра КНАД 25/26]]<br /> <br /> [[Математический Анализ КНАД 25/26]]<br /> <br /> ||<br /> [[Алгебра КНАД 2025/2026 | Алгебра]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_КНАД_25/26 | Алгоритмы и структуры данных-2]]<br /> <br /> [[Математический_анализ_2_КНАД_2025/26 | Математический анализ-2 2025/26 (КНАД)]]<br /> <br /> [[Теория_вероятностей_КНАД_2025/26 | Теория вероятностей 2025/26 (КНАД)]]<br /> <br /> [[ACOS_COMPDS_2025/26 | Архитектура Компьютера и Операционные Системы]]<br /> <br /> ||<br /> &amp;nbsp;<br /> <br /> ||<br /> &amp;nbsp;<br /> <br /> |-<br /> | colspan=&quot;4&quot; style=&quot;text-align: center;&quot; | '''&lt;span id=&quot;EDA&quot;&gt;ЭАД&lt;/span&gt;''' <br /> |-<br /> |<br /> [[Программирование на С++ ЭАД 25/26]]<br /> <br /> [[Язык программирования Python 2025/26 (ЭАД) ]]<br /> <br /> [[DM1EAD-2025-26 | Дискретная математика 2025/26 (ЭАД)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2025/2026_(основной_поток) | Линейная алгебра и геометрия]]<br /> <br /> [[Математический_анализ_1_2025/26_(основной_поток)_ЭАД | Математический анализ-1 (ЭАД)]]<br /> <br /> [[Алгоритмы и структуры данных-1 2025/2026 2 модуль (ЭАД)]]<br /> ||<br /> <br /> [[Алгоритмы и структуры данных 2 ЭАД 25/26 | Алгоритмы и структуры данных-2]]<br /> <br /> ||<br /> &amp;nbsp;<br /> <br /> ||<br /> &amp;nbsp;<br /> <br /> |-<br /> | colspan=&quot;4&quot; style=&quot;text-align: center;&quot; | '''&lt;span id=&quot;DRIP&quot;&gt;ДРИП&lt;/span&gt;''' <br /> |-<br /> |<br /> [[Алгоритмы и структуры данных-1 (ДРИП)]]<br /> <br /> [[Ddip2529 | Линейная алгебра и геометрия]]<br /> <br /> [[DM_DRIP-2025-26 | Дискретная математика 2025/26 (ДРИП)]]<br /> <br /> ||<br /> [[Теория_вероятностей_ДРИП_25/56 | Теория вероятностей 2025/26 (ДРИП)]]<br /> <br /> ||<br /> &amp;nbsp;<br /> <br /> ||<br /> &amp;nbsp;<br /> <br /> <br /> |}<br /> <br /> == &lt;span id=&quot;DataCulture&quot;&gt;Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]&lt;/span&gt; ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! Осенний семестр !! Весенний семестр<br /> |-<br /> | <br /> |<br /> |}<br /> <br /> == &lt;span id=&quot;masters&quot;&gt;Курсы магистратуры ФКН&lt;/span&gt; ==<br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! Ссылка !! Дисциплина !! Год обучения<br /> |-<br /> | [[ NIS-TCS-25-26 | НИС Теоретическая информатика ]] || НИС ТИ || СКН, 1-2 год<br /> |-<br /> | [[MOTV_2025 | Mathematical foundations of probability theory]] || Math of Machine Learning, MML || 1 year<br /> |-<br /> | [[MC_2025 | Markov Chains]] || Math of Machine Learning, MML || 1 year<br /> |}<br /> <br /> == &lt;span id=&quot;other&quot;&gt;Курсы других факультетов&lt;/span&gt; ==<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! Дисциплина !! Курс !! Период<br /> |-<br /> | [[icef-scalc-2025-fall|Stochastic Calculus Fall 2025]] ||icef, master 1 year || 2 module<br /> |-<br /> |}<br /> <br /> == Факультативы ==<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! Дисциплина !! Период<br /> |-<br /> | [[Аналитическая_теория_чисел:_приложения_комплексного_анализа_25/26 | Аналитическая теория чисел: приложения комплексного анализа 25/26]] || 1-2 модуль<br /> |-<br /> |}<br /> <br /> = Архив до 2024/25 учебного года включительно =<br /> [[Wiki ФКН/Архив]]</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=89093 2025-01-15T23:23:26Z

<p>Marina Ananyeva: /* Материалы курса */</p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1dY4PdGA69IADRcnhWvsWhxRFdHNGsWU_/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:center; width:30%; border:none; cellpadding=5px;&quot;<br /> |-<br /> | |<br /> | style=&quot;background:#eaecf0; border: 2px solid gray;&quot; colspan=&quot;5&quot; | '''Контакты'''<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Преподаватели<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ananyevame Марина Ананьева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/lashinin Олег Лашинин]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/deethereal Денис Красильников]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/pechatov Михаил Печатов]<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Ассистенты<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/Sllaavva Вячеслав Юсупов]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/amadare14 Мария Кокоева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/janinaal Яна Журович]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/Konstantinator Констатин Чайников]<br /> | style=&quot;border: 2px solid gray;&quot;| [https://t.me/ambdash Дарья Прудникова]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/13IqUHcFiQhee1CiFSZrfozbWc9r-mIDXfJKKTxKV5Nc/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.3 * Т) / 0.6'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.6 * Накоп + 0.4 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 5 домашних заданий. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе Kaggle. <br /> <br /> '''Т''' - средняя арифметическая оценка за 19 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Talk. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп &gt;= 8''' и '''Т &gt;= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [ по ссылке]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2025/week1 Лекция и семинар] || - || -<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> <br /> 1. Recommender Systems Handbook. Francesco Ricci et al, Springer, 2022 <br /> <br /> 2. Hands-On Recommendation Systems with Python. Rounak Banik, 2018<br /> <br /> 3. Building Recommendations Systems in Python and JAX. Brian Bischof et al, 2018<br /> <br /> 4. Practical Recommender Systems. Kim Falk, 2019<br /> <br /> 5. Session-Based Recommender Systems Using Deep Learning. Reza Ravanmehr et al. Springer, 2024<br /> <br /> 6. Designing Machine Learning Systems. Chip Huyen, 2022<br /> <br /> 7. Designing Data-Intensive Applications. Martin Kleppmann, 2017</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=89092 2025-01-15T23:19:26Z

<p>Marina Ananyeva: /* Список литературы */</p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1dY4PdGA69IADRcnhWvsWhxRFdHNGsWU_/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:center; width:30%; border:none; cellpadding=5px;&quot;<br /> |-<br /> | |<br /> | style=&quot;background:#eaecf0; border: 2px solid gray;&quot; colspan=&quot;5&quot; | '''Контакты'''<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Преподаватели<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ananyevame Марина Ананьева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/lashinin Олег Лашинин]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/deethereal Денис Красильников]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/pechatov Михаил Печатов]<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Ассистенты<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/Sllaavva Вячеслав Юсупов]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/amadare14 Мария Кокоева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/janinaal Яна Журович]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/Konstantinator Констатин Чайников]<br /> | style=&quot;border: 2px solid gray;&quot;| [https://t.me/ambdash Дарья Прудникова]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/13IqUHcFiQhee1CiFSZrfozbWc9r-mIDXfJKKTxKV5Nc/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.3 * Т) / 0.6'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.6 * Накоп + 0.4 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 5 домашних заданий. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе Kaggle. <br /> <br /> '''Т''' - средняя арифметическая оценка за 19 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Talk. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп &gt;= 8''' и '''Т &gt;= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [http://edu.tinkoff.ru/all-activities/courses/b4e80a4b-436d-413d-ae61-be88bcdcbb29 по ссылке]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Базовые подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week2/Lecture2.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week2/Seminar2.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Матричные факторизации || [https://github.com/anamarina/RecSys_course/blob/2024/week3/MF_full.ipynb Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Коллаборативная фильтрация || [https://github.com/anamarina/RecSys_course/blob/2024/week4/Lecture4.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week4/ALS_NeurMF.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Контентные и контекстные подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week5/Lecture5.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week5/Content_approaches.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || Гибридные подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Sequential-based подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week7/Lecture7.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week7/seq.ipynb Семинар] || [https://github.com/anamarina/RecSys_course/blob/2024/hw/HSE_RecSys_HW1.ipynb ДЗ1] || 24.03.24 23:59 MSK<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Next basket recommendations || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || LLM for RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Autoencoders &amp; VAE || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || Multi-task &amp; Cross-domain || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || Graph and KG-based подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || Интерпретируемость &amp; объяснения рекомендацй || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || RL в RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''15''' || A/B тестирование и мониторинг || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''16''' || Vanilla RecSys Service || to be added || - || -<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> <br /> 1. Recommender Systems Handbook. Francesco Ricci et al, Springer, 2022 <br /> <br /> 2. Hands-On Recommendation Systems with Python. Rounak Banik, 2018<br /> <br /> 3. Building Recommendations Systems in Python and JAX. Brian Bischof et al, 2018<br /> <br /> 4. Practical Recommender Systems. Kim Falk, 2019<br /> <br /> 5. Session-Based Recommender Systems Using Deep Learning. Reza Ravanmehr et al. Springer, 2024<br /> <br /> 6. Designing Machine Learning Systems. Chip Huyen, 2022<br /> <br /> 7. Designing Data-Intensive Applications. Martin Kleppmann, 2017</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=89091 2025-01-15T23:18:28Z

<p>Marina Ananyeva: /* Список литературы */</p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1dY4PdGA69IADRcnhWvsWhxRFdHNGsWU_/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:center; width:30%; border:none; cellpadding=5px;&quot;<br /> |-<br /> | |<br /> | style=&quot;background:#eaecf0; border: 2px solid gray;&quot; colspan=&quot;5&quot; | '''Контакты'''<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Преподаватели<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ananyevame Марина Ананьева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/lashinin Олег Лашинин]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/deethereal Денис Красильников]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/pechatov Михаил Печатов]<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Ассистенты<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/Sllaavva Вячеслав Юсупов]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/amadare14 Мария Кокоева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/janinaal Яна Журович]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/Konstantinator Констатин Чайников]<br /> | style=&quot;border: 2px solid gray;&quot;| [https://t.me/ambdash Дарья Прудникова]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/13IqUHcFiQhee1CiFSZrfozbWc9r-mIDXfJKKTxKV5Nc/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.3 * Т) / 0.6'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.6 * Накоп + 0.4 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 5 домашних заданий. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе Kaggle. <br /> <br /> '''Т''' - средняя арифметическая оценка за 19 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Talk. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп &gt;= 8''' и '''Т &gt;= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [http://edu.tinkoff.ru/all-activities/courses/b4e80a4b-436d-413d-ae61-be88bcdcbb29 по ссылке]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Базовые подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week2/Lecture2.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week2/Seminar2.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Матричные факторизации || [https://github.com/anamarina/RecSys_course/blob/2024/week3/MF_full.ipynb Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Коллаборативная фильтрация || [https://github.com/anamarina/RecSys_course/blob/2024/week4/Lecture4.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week4/ALS_NeurMF.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Контентные и контекстные подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week5/Lecture5.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week5/Content_approaches.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || Гибридные подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Sequential-based подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week7/Lecture7.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week7/seq.ipynb Семинар] || [https://github.com/anamarina/RecSys_course/blob/2024/hw/HSE_RecSys_HW1.ipynb ДЗ1] || 24.03.24 23:59 MSK<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Next basket recommendations || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || LLM for RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Autoencoders &amp; VAE || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || Multi-task &amp; Cross-domain || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || Graph and KG-based подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || Интерпретируемость &amp; объяснения рекомендацй || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || RL в RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''15''' || A/B тестирование и мониторинг || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''16''' || Vanilla RecSys Service || to be added || - || -<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Recommender Systems Handbook. Francesco Ricci et al, Springer, 2022<br /> 2. Hands-On Recommendation Systems with Python. Rounak Banik, 2018<br /> 3. Building Recommendations Systems in Python and JAX. Brian Bischof et al, 2018<br /> 4. Practical Recommender Systems. Kim Falk, 2019<br /> 5. Session-Based Recommender Systems Using Deep Learning. Reza Ravanmehr et<br /> al. Springer, 2024<br /> 6. Designing Machine Learning Systems. Chip Huyen, 2022<br /> 7. Designing Data-Intensive Applications. Martin Kleppmann, 2017</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=89090 2025-01-15T23:17:47Z

<p>Marina Ananyeva: /* Оценки */</p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1dY4PdGA69IADRcnhWvsWhxRFdHNGsWU_/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:center; width:30%; border:none; cellpadding=5px;&quot;<br /> |-<br /> | |<br /> | style=&quot;background:#eaecf0; border: 2px solid gray;&quot; colspan=&quot;5&quot; | '''Контакты'''<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Преподаватели<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ananyevame Марина Ананьева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/lashinin Олег Лашинин]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/deethereal Денис Красильников]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/pechatov Михаил Печатов]<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Ассистенты<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/Sllaavva Вячеслав Юсупов]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/amadare14 Мария Кокоева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/janinaal Яна Журович]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/Konstantinator Констатин Чайников]<br /> | style=&quot;border: 2px solid gray;&quot;| [https://t.me/ambdash Дарья Прудникова]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/13IqUHcFiQhee1CiFSZrfozbWc9r-mIDXfJKKTxKV5Nc/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.3 * Т) / 0.6'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.6 * Накоп + 0.4 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 5 домашних заданий. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе Kaggle. <br /> <br /> '''Т''' - средняя арифметическая оценка за 19 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Talk. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп &gt;= 8''' и '''Т &gt;= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [http://edu.tinkoff.ru/all-activities/courses/b4e80a4b-436d-413d-ae61-be88bcdcbb29 по ссылке]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Базовые подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week2/Lecture2.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week2/Seminar2.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Матричные факторизации || [https://github.com/anamarina/RecSys_course/blob/2024/week3/MF_full.ipynb Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Коллаборативная фильтрация || [https://github.com/anamarina/RecSys_course/blob/2024/week4/Lecture4.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week4/ALS_NeurMF.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Контентные и контекстные подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week5/Lecture5.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week5/Content_approaches.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || Гибридные подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Sequential-based подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week7/Lecture7.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week7/seq.ipynb Семинар] || [https://github.com/anamarina/RecSys_course/blob/2024/hw/HSE_RecSys_HW1.ipynb ДЗ1] || 24.03.24 23:59 MSK<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Next basket recommendations || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || LLM for RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Autoencoders &amp; VAE || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || Multi-task &amp; Cross-domain || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || Graph and KG-based подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || Интерпретируемость &amp; объяснения рекомендацй || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || RL в RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''15''' || A/B тестирование и мониторинг || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''16''' || Vanilla RecSys Service || to be added || - || -<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2022 – Режим доступа: https://link.springer.com/book/10.1007/978-1-0716-2197-4</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=89089 2025-01-15T23:16:09Z

<p>Marina Ananyeva: /* Контакты */</p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1dY4PdGA69IADRcnhWvsWhxRFdHNGsWU_/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:center; width:30%; border:none; cellpadding=5px;&quot;<br /> |-<br /> | |<br /> | style=&quot;background:#eaecf0; border: 2px solid gray;&quot; colspan=&quot;5&quot; | '''Контакты'''<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Преподаватели<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ananyevame Марина Ананьева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/lashinin Олег Лашинин]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/deethereal Денис Красильников]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/pechatov Михаил Печатов]<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Ассистенты<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/Sllaavva Вячеслав Юсупов]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/amadare14 Мария Кокоева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/janinaal Яна Журович]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/Konstantinator Констатин Чайников]<br /> | style=&quot;border: 2px solid gray;&quot;| [https://t.me/ambdash Дарья Прудникова]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.25 * Т + 0.15 * Р) / 0.7'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.7 * Накоп + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп &gt;= 8''' и '''Т &gt;= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [http://edu.tinkoff.ru/all-activities/courses/b4e80a4b-436d-413d-ae61-be88bcdcbb29 по ссылке]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Базовые подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week2/Lecture2.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week2/Seminar2.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Матричные факторизации || [https://github.com/anamarina/RecSys_course/blob/2024/week3/MF_full.ipynb Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Коллаборативная фильтрация || [https://github.com/anamarina/RecSys_course/blob/2024/week4/Lecture4.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week4/ALS_NeurMF.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Контентные и контекстные подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week5/Lecture5.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week5/Content_approaches.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || Гибридные подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Sequential-based подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week7/Lecture7.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week7/seq.ipynb Семинар] || [https://github.com/anamarina/RecSys_course/blob/2024/hw/HSE_RecSys_HW1.ipynb ДЗ1] || 24.03.24 23:59 MSK<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Next basket recommendations || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || LLM for RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Autoencoders &amp; VAE || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || Multi-task &amp; Cross-domain || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || Graph and KG-based подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || Интерпретируемость &amp; объяснения рекомендацй || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || RL в RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''15''' || A/B тестирование и мониторинг || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''16''' || Vanilla RecSys Service || to be added || - || -<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2022 – Режим доступа: https://link.springer.com/book/10.1007/978-1-0716-2197-4</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=89088 2025-01-15T23:06:51Z

<p>Marina Ananyeva: /* Контакты */</p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1dY4PdGA69IADRcnhWvsWhxRFdHNGsWU_/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> {| class=&quot;wikitable&quot; style=&quot;text-align:center; width:30%; border:none; cellpadding=5px;&quot;<br /> |-<br /> | |<br /> | style=&quot;background:#eaecf0; border: 2px solid gray;&quot; colspan=&quot;4&quot; | '''Контакты'''<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Преподаватели<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ananyevame Марина Ананьева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/lashinin Олег Лашинин]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/deethereal Денис Красильников]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/pechatov Михаил Печатов]<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Ассистенты<br /> | style=&quot;border: 2px solid gray;&quot; colspan=&quot;3&quot; | [https://t.me/mdeil007 Т]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.25 * Т + 0.15 * Р) / 0.7'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.7 * Накоп + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп &gt;= 8''' и '''Т &gt;= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [http://edu.tinkoff.ru/all-activities/courses/b4e80a4b-436d-413d-ae61-be88bcdcbb29 по ссылке]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Базовые подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week2/Lecture2.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week2/Seminar2.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Матричные факторизации || [https://github.com/anamarina/RecSys_course/blob/2024/week3/MF_full.ipynb Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Коллаборативная фильтрация || [https://github.com/anamarina/RecSys_course/blob/2024/week4/Lecture4.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week4/ALS_NeurMF.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Контентные и контекстные подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week5/Lecture5.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week5/Content_approaches.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || Гибридные подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Sequential-based подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week7/Lecture7.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week7/seq.ipynb Семинар] || [https://github.com/anamarina/RecSys_course/blob/2024/hw/HSE_RecSys_HW1.ipynb ДЗ1] || 24.03.24 23:59 MSK<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Next basket recommendations || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || LLM for RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Autoencoders &amp; VAE || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || Multi-task &amp; Cross-domain || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || Graph and KG-based подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || Интерпретируемость &amp; объяснения рекомендацй || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || RL в RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''15''' || A/B тестирование и мониторинг || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''16''' || Vanilla RecSys Service || to be added || - || -<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2022 – Режим доступа: https://link.springer.com/book/10.1007/978-1-0716-2197-4</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=89033 2025-01-14T13:10:12Z

<p>Marina Ananyeva: /* О курсе */</p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1dY4PdGA69IADRcnhWvsWhxRFdHNGsWU_/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram]<br /> {| class=&quot;wikitable&quot; style=&quot;text-align:center; width:30%; border:none; cellpadding=5px;&quot;<br /> |-<br /> | |<br /> | style=&quot;background:#eaecf0; border: 2px solid gray;&quot; colspan=&quot;3&quot; | '''Контакты'''<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Преподаватели<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ananyevame Марина Ананьева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/lashinin Олег Лашинин]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/deethereal Денис Красильников]<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Ассистент<br /> | style=&quot;border: 2px solid gray;&quot; colspan=&quot;3&quot; | [https://t.me/mdeil007 Данил Иванов]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.25 * Т + 0.15 * Р) / 0.7'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.7 * Накоп + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп &gt;= 8''' и '''Т &gt;= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [http://edu.tinkoff.ru/all-activities/courses/b4e80a4b-436d-413d-ae61-be88bcdcbb29 по ссылке]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Базовые подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week2/Lecture2.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week2/Seminar2.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Матричные факторизации || [https://github.com/anamarina/RecSys_course/blob/2024/week3/MF_full.ipynb Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Коллаборативная фильтрация || [https://github.com/anamarina/RecSys_course/blob/2024/week4/Lecture4.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week4/ALS_NeurMF.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Контентные и контекстные подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week5/Lecture5.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week5/Content_approaches.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || Гибридные подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Sequential-based подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week7/Lecture7.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week7/seq.ipynb Семинар] || [https://github.com/anamarina/RecSys_course/blob/2024/hw/HSE_RecSys_HW1.ipynb ДЗ1] || 24.03.24 23:59 MSK<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Next basket recommendations || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || LLM for RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Autoencoders &amp; VAE || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || Multi-task &amp; Cross-domain || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || Graph and KG-based подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || Интерпретируемость &amp; объяснения рекомендацй || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || RL в RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''15''' || A/B тестирование и мониторинг || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''16''' || Vanilla RecSys Service || to be added || - || -<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2022 – Режим доступа: https://link.springer.com/book/10.1007/978-1-0716-2197-4</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=84939 2024-05-06T14:11:52Z

<p>Marina Ananyeva: /* Контакты */</p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1LtN4PqIyNgdGd1WFGVpz31H5djEEcvEbHww-YhzPDc0/edit?usp=sharing ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram]<br /> {| class=&quot;wikitable&quot; style=&quot;text-align:center; width:30%; border:none; cellpadding=5px;&quot;<br /> |-<br /> | |<br /> | style=&quot;background:#eaecf0; border: 2px solid gray;&quot; colspan=&quot;3&quot; | '''Контакты'''<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Преподаватели<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ananyevame Марина Ананьева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/lashinin Олег Лашинин]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/deethereal Денис Красильников]<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Ассистент<br /> | style=&quot;border: 2px solid gray;&quot; colspan=&quot;3&quot; | [https://t.me/mdeil007 Данил Иванов]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.25 * Т + 0.15 * Р) / 0.7'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.7 * Накоп + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп &gt;= 8''' и '''Т &gt;= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [http://edu.tinkoff.ru/all-activities/courses/b4e80a4b-436d-413d-ae61-be88bcdcbb29 по ссылке]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Базовые подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week2/Lecture2.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week2/Seminar2.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Матричные факторизации || [https://github.com/anamarina/RecSys_course/blob/2024/week3/MF_full.ipynb Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Коллаборативная фильтрация || [https://github.com/anamarina/RecSys_course/blob/2024/week4/Lecture4.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week4/ALS_NeurMF.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Контентные и контекстные подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week5/Lecture5.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week5/Content_approaches.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || Гибридные подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Sequential-based подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week7/Lecture7.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week7/seq.ipynb Семинар] || [https://github.com/anamarina/RecSys_course/blob/2024/hw/HSE_RecSys_HW1.ipynb ДЗ1] || 24.03.24 23:59 MSK<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Next basket recommendations || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || LLM for RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Autoencoders &amp; VAE || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || Multi-task &amp; Cross-domain || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || Graph and KG-based подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || Интерпретируемость &amp; объяснения рекомендацй || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || RL в RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''15''' || A/B тестирование и мониторинг || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''16''' || Vanilla RecSys Service || to be added || - || -<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2022 – Режим доступа: https://link.springer.com/book/10.1007/978-1-0716-2197-4</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=84938 2024-05-06T14:11:33Z

<p>Marina Ananyeva: </p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1LtN4PqIyNgdGd1WFGVpz31H5djEEcvEbHww-YhzPDc0/edit?usp=sharing ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram]<br /> {| class=&quot;wikitable&quot; style=&quot;text-align:center; width:30%; border:none; cellpadding=5px;&quot;<br /> |-<br /> | |<br /> | style=&quot;background:#eaecf0; border: 2px solid gray;&quot; colspan=&quot;3&quot; | '''Контакты'''<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Преподаватель<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ananyevame Марина Ананьева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/lashinin Олег Лашинин]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/deethereal Денис Красильников]<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Ассистент<br /> | style=&quot;border: 2px solid gray;&quot; colspan=&quot;3&quot; | [https://t.me/mdeil007 Данил Иванов]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.25 * Т + 0.15 * Р) / 0.7'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.7 * Накоп + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп &gt;= 8''' и '''Т &gt;= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [http://edu.tinkoff.ru/all-activities/courses/b4e80a4b-436d-413d-ae61-be88bcdcbb29 по ссылке]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Базовые подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week2/Lecture2.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week2/Seminar2.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Матричные факторизации || [https://github.com/anamarina/RecSys_course/blob/2024/week3/MF_full.ipynb Лекция и семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Коллаборативная фильтрация || [https://github.com/anamarina/RecSys_course/blob/2024/week4/Lecture4.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week4/ALS_NeurMF.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Контентные и контекстные подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week5/Lecture5.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week5/Content_approaches.ipynb Семинар] || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || Гибридные подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Sequential-based подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week7/Lecture7.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week7/seq.ipynb Семинар] || [https://github.com/anamarina/RecSys_course/blob/2024/hw/HSE_RecSys_HW1.ipynb ДЗ1] || 24.03.24 23:59 MSK<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Next basket recommendations || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || LLM for RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Autoencoders &amp; VAE || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || Multi-task &amp; Cross-domain || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || Graph and KG-based подходы || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || Интерпретируемость &amp; объяснения рекомендацй || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || RL в RecSys || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''15''' || A/B тестирование и мониторинг || to be added || - || -<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''16''' || Vanilla RecSys Service || to be added || - || -<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2022 – Режим доступа: https://link.springer.com/book/10.1007/978-1-0716-2197-4</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=83371 2024-01-31T21:17:10Z

<p>Marina Ananyeva: </p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1LtN4PqIyNgdGd1WFGVpz31H5djEEcvEbHww-YhzPDc0/edit?usp=sharing ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram]<br /> {| class=&quot;wikitable&quot; style=&quot;text-align:center; width:30%; border:none; cellpadding=5px;&quot;<br /> |-<br /> | |<br /> | style=&quot;background:#eaecf0; border: 2px solid gray;&quot; colspan=&quot;3&quot; | '''Контакты'''<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Преподаватель<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/ananyevame Марина Ананьева]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/lashinin Олег Лашинин]<br /> | style=&quot;border: 2px solid gray;&quot; | [https://t.me/deethereal Денис Красильников]<br /> |- style=&quot;border: 2px solid gray;&quot;<br /> ! Ассистент<br /> | style=&quot;border: 2px solid gray;&quot; colspan=&quot;3&quot; | [https://t.me/mdeil007 Данил Иванов]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.25 * Т + 0.15 * Р) / 0.7'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.7 * Накоп + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп &gt;= 8''' и '''Т &gt;= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция] || - || - || -<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2022 – Режим доступа: https://link.springer.com/book/10.1007/978-1-0716-2197-4</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2023&diff=79829 2023-09-15T21:06:54Z

<p>Marina Ananyeva: </p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся правильной формализации задачи, выбору функций и метрик ранжирования, имплементации рекомендательных ML моделей на Python - от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> Курс в 2023/2024 академическому году читается на 2 курсе магистратуры ФТИАД ФКН, однако студенты других курсов и факультетов могут быть вольными слушателями по согласованию с преподавателем и учебным офисом. Курс рассчитан на 7 сдвоенных занятий (14 пар). <br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные типы рекомендательных систем и алгоритмические подходы к решению задач ранжирования и рекомендаций пользователям;<br /> * Уметь правильно формализовывать задачу, определять подходящее семейство алгоритмов, выбирать метрики оценки качества рекомендаций;<br /> * Разрабатывать ML рекомендательные системы разной сложности на языке программирования Python;<br /> * Владеть навыками использования линейной алгебры, теории вероятностей, математической статистики, теории оптимизации, дискретной математики и теории графов в практических приложения рекомендательных систем и поиска закономерностей данных<br /> * Интерпретировать предсказания на локальном и глобальном уровнях моделей и использовать их для отладки рекомендательной системы<br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+9MN5JL4xj5xjYTBi Telegram]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1YcIt-9AGwGhYj4vO6wnLUS5rZDrC83Wa/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true Таблица с оценками]<br /> <br /> Оценка ставится по формуле:<br /> <br /> '''Final grade = min(10, 0.3 * Home Assignment + 0.15 * Article Summary + 0.25 * Weekly Quizzes + 0.3 * Exam)''', где<br /> <br /> '''Home Assignment''' - 1 домашняя работа в Jupyter Notebook (max 10 баллов). <br /> <br /> '''Article Summary''' - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). <br /> <br /> '''Weekly Quizzes''' - 6 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). <br /> <br /> '''Exam''' - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов).<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2023/week1 Лекция] || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Item/user-based, MF, CF || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Content based, Hybrid methods || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Sequential, Context-aware methods|| || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || AE, VAE for RecSys || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || Graph-based approaches || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Your First RecSys Service || || || ||<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.9<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2022 – Режим доступа: https://link.springer.com/book/10.1007/978-1-0716-2197-4</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2023&diff=79386 2023-09-07T20:19:27Z

<p>Marina Ananyeva: </p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся правильной формализации задачи, выбору функций и метрик ранжирования, имплементации рекомендательных ML моделей на Python - от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> Курс в 2023/2024 академическому году читается на 2 курсе магистратуры ФТИАД ФКН, однако студенты других курсов и факультетов могут быть вольными слушателями по согласованию с преподавателем и учебным офисом. Курс рассчитан на 7 сдвоенных занятий (14 пар). <br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные типы рекомендательных систем и алгоритмические подходы к решению задач ранжирования и рекомендаций пользователям;<br /> * Уметь правильно формализовывать задачу, определять подходящее семейство алгоритмов, выбирать метрики оценки качества рекомендаций;<br /> * Разрабатывать ML рекомендательные системы разной сложности на языке программирования Python;<br /> * Владеть навыками использования линейной алгебры, теории вероятностей, математической статистики, теории оптимизации, дискретной математики и теории графов в практических приложения рекомендательных систем и поиска закономерностей данных<br /> * Интерпретировать предсказания на локальном и глобальном уровнях моделей и использовать их для отладки рекомендательной системы<br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+9MN5JL4xj5xjYTBi Telegram]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1YcIt-9AGwGhYj4vO6wnLUS5rZDrC83Wa/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true Таблица с оценками]<br /> <br /> Оценка ставится по формуле:<br /> <br /> '''Final grade = min(10, 0.3 * Home Assignment + 0.15 * Article Summary + 0.25 * Weekly Quizzes + 0.3 * Exam)''', где<br /> <br /> '''Home Assignment''' - 1 домашняя работа в Jupyter Notebook (max 10 баллов). <br /> <br /> '''Article Summary''' - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). <br /> <br /> '''Weekly Quizzes''' - 6 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). <br /> <br /> '''Exam''' - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов).<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Item/user-based, MF, CF || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Content based, Hybrid methods || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Sequential, Context-aware methods|| || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || AE, VAE for RecSys || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || Graph-based approaches || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Your First RecSys Service || || || ||<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.9<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2022 – Режим доступа: https://link.springer.com/book/10.1007/978-1-0716-2197-4</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2023&diff=79385 2023-09-07T20:10:13Z

<p>Marina Ananyeva: Добавление новой страницы и ПУДа для RecSys курса 2023</p> <hr /> <div>==О курсе==<br /> <br /> Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся правильной формализации задачи, выбору функций и метрик ранжирования, имплементации рекомендательных ML моделей на Python - от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> Курс в 2023/2024 академическому году читается на 2 курсе магистратуры ФТИАД ФКН, однако студенты других курсов и факультетов могут быть вольными слушателями по согласованию с преподавателем и учебным офисом. Курс рассчитан на 7 сдвоенных занятий (14 пар). <br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные типы рекомендательных систем и алгоритмические подходы к решению задач ранжирования и рекомендаций пользователям;<br /> * Уметь правильно формализовывать задачу, определять подходящее семейство алгоритмов, выбирать метрики оценки качества рекомендаций;<br /> * Разрабатывать ML рекомендательные системы разной сложности на языке программирования Python;<br /> * Владеть навыками использования линейной алгебры, теории вероятностей, математической статистики, теории оптимизации, дискретной математики и теории графов в практических приложения рекомендательных систем и поиска закономерностей данных<br /> * Интерпретировать предсказания на локальном и глобальном уровнях моделей и использовать их для отладки рекомендательной системы<br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+9MN5JL4xj5xjYTBi Telegram]<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1RvuhuC1euQw0rSNANKWvG7wWSjiAiuWd/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true Таблица с оценками]<br /> <br /> Оценка ставится по формуле:<br /> <br /> '''Final grade = min(10, 0.3 * Home Assignments + 0.15 * Article Summary + 0.15 * Weekly Quizzes + 0.4 * Exam)''', где<br /> <br /> '''Home Assignments''' - 3 домашних работы в Jupyter Notebook (max 10 баллов за каждую). <br /> <br /> '''Article Summary''' - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). <br /> <br /> '''Weekly Quizzes''' - 7 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). <br /> <br /> '''Exam''' - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов).<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашние задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Item/user-based, MF, CF || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Content based, Hybrid methods || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Sequential, Context-aware methods|| || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || AE, VAE for RecSys || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || Graph-based approaches || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Your First RecSys Service || || || ||<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.9<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2022 – Режим доступа: https://link.springer.com/book/10.1007/978-1-0716-2197-4</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=Wiki_%D0%A4%D0%9A%D0%9D&diff=79382 2023-09-07T19:36:59Z

<p>Marina Ananyeva: /* Курсы магистратуры ФКН */</p> <hr /> <div>__NOTOC__ <br /> <br /> = Учебные курсы факультета компьютерных наук =<br /> <br /> <br /> == Курсы за 2023/24 учебный год ==<br /> <br /> {| class=&quot;wikitable courses&quot;<br /> |-<br /> <br /> ! width=&quot;21%&quot; | 1 курс !! width=&quot;21%&quot; | 2 курс !! width=&quot;21%&quot; | 3 курс !! width=&quot;21%&quot; | 4 курс !! rowspan=&quot;2&quot; | майноры и факультативы<br /> |-<br /> | colspan=&quot;4&quot; style=&quot;text-align: center;&quot; | '''ПМИ''' <br /> |-<br /> |<br /> '''М+'''<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2023/2024_(пилотный_поток) | Линейная алгебра и геометрия (пилотный поток)]]<br /> <br /> [[Математический_анализ_1_2023/24_(пилотный_поток) | Математический анализ-1 (пилотный поток)]]<br /> <br /> [[Дискретная математика на ПМИ 2023/24 (пилотный поток) | Дискретная математика (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2023/2024_(пилотный_поток) | Алгебра (пилотный поток)]]<br /> <br /> [[Теория чисел (пилотный поток) 2023/24 | Теория чисел (пилотный поток)]]<br /> <br /> '''М'''<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2023/2024_(основной_поток) | Линейная алгебра и геометрия (основной поток)]]<br /> <br /> [[Математический_анализ_1_2023/24_(основной_поток) | Математический анализ-1 (основной поток)]]<br /> <br /> [[DM1PMIbase-2023-24 | Дискретная математика (ПМИ основной поток)]]<br /> <br /> [[DM1EAD-2023-24 | Дискретная математика (ЭАД)]]<br /> <br /> <br /> [[Алгебра_на_ПМИ_2023/2024_(основной_поток) | Алгебра (основной поток)]]<br /> <br /> [[Теория чисел (основной поток) 2023/24 | Теория чисел (основной поток)]]<br /> <br /> '''П+'''<br /> <br /> [[Алгоритмы_и_структуры_данных_пилотный_поток_2023/24 | Алгоритмы и структуры данных (пилотный поток)]]<br /> <br /> '''П'''<br /> <br /> [[Язык программирования Python 2023/24 (основной поток) ]]<br /> <br /> [[Алгоритмы и структуры данных 1 (основной поток) (4 модуль) 2023/2024]]<br /> <br /> ||<br /> '''М+'''<br /> <br /> [[Математическая_статистика_2023/24_(пилотный_поток)| Математическая статистика (пилотный поток)]]<br /> <br /> [[Теория_вероятностей_2023/24_(пилотный_поток)| Теория вероятностей (пилотный поток)]]<br /> <br /> [[Математический Анализ 2 на ПМИ 2023/24 (пилотный поток) | Математический анализ - 2 (пилотный поток)]]<br /> <br /> '''М'''<br /> <br /> [[Математическая_статистика_2023/24_(основной_поток)| Математическая статистика (основной поток)]]<br /> <br /> [[Теория_вероятностей_2023/24_(основной_поток)| Теория вероятностей (основной поток)]]<br /> <br /> [[Математический_анализ_-_2_(2023/24) | Математический анализ - 2 (основной поток)]]<br /> <br /> '''П+ и П'''<br /> <br /> [[CAOS-2023/24 | Архитектура компьютеров и операционные системы]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2023/24 | Алгоритмы и структуры данных - 2 ]]<br /> <br /> [[Инструменты_промышленной_разработки_2023/24 | Инструменты промышленной разработки 2022/2023 ]]<br /> <br /> '''1 из 3:'''<br /> <br /> [[Язык_программирования_C%2B%2B_(углубленный_курс)_2023/24 | Язык программирования C++ (углубленный курс)]]<br /> <br /> [[Продвинутый_Python_2023/24 | Продвинутый Python ]]<br /> <br /> [[Язык программирования Rust 2023/24]]<br /> <br /> '''2 из 5:'''<br /> <br /> [[Дискретная математика - 2 (ПМИ) 2023/24]]<br /> <br /> [[Дифференциальные уравнения (ПМИ) 2023/24]]<br /> <br /> [[Основы матричных вычислений 2023/24]]<br /> <br /> [[Комплексный анализ 2023/24]]<br /> <br /> [[Функциональный анализ 2023/24]]<br /> <br /> ||<br /> <br /> [[Машинное_обучение_1 | Машинное обучение 1]] &lt;!-- ссылка без года - верно, так и должно быть --&gt;<br /> <br /> [[Компьютерные сети 2023/24]]<br /> <br /> [[Operation Research and Game Theory]]<br /> <br /> [[ Statistical learning theory 2023/24 | Statistical Learning Theory]]<br /> <br /> [[ Функциональное_программирование_23-24 | Функциональное программирование ]]<br /> <br /> [[ Основы_тензорных_вычислений_(2023/24) | Основы тензорных вычислений ]]<br /> <br /> [[Глубинное обучение 1 23/24 | Введение в глубинное обучение 23/24]]<br /> <br /> [[Математическое моделирование 2023/24]]<br /> <br /> [[Моделирование временных рядов 2023/24]]<br /> <br /> [[Теория_чисел_и_криптография 2023/24 | Теория чисел и криптография]]<br /> <br /> [[Методы_оптимизации_23/24 | Методы оптимизации]]<br /> <br /> [[Уравнения с частными производными (2023-2024)]]<br /> <br /> '''ПМИ / МОП'''<br /> <br /> [[Машинное_обучение_2 | Машинное обучение 2]] &lt;!-- ссылка без года - верно, так и должно быть --&gt;<br /> <br /> [[Прикладная_статистика_в_машинном_обучении_23/24 | Прикладная статистика в машинном обучении 23/24]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_3_курс_2023/2024 | НИС Машинное обучение и приложения 3 курс]]<br /> <br /> [[Глубинное обучение 1 23/24]]<br /> <br /> [[Методы оптимизации в машинном обучении 2023/24]]<br /> <br /> '''ПМИ / РС'''<br /> <br /> [[Distributed_Systems_2023 | Распределенные системы]]<br /> <br /> [https://osukhoroslov-hse.notion.site/2da6d9d4dc5944e59414daea40376d96 НИС Распределенные системы]<br /> <br /> [[Database Systems 2023/24]]<br /> <br /> '''ПМИ / ТИ'''<br /> <br /> [[Theory of Computation 2023 | Theory of Computation]]<br /> <br /> [[ NIS-TCS-23-24 | НИС Теоретическая информатика ]]<br /> <br /> [[KKTI-23-24 | Комбинаторные конструкции в теоретической информатике]]<br /> <br /> ||<br /> <br /> [ ВКР]<br /> <br /> [[ Случайные_процессы_(зима_2024) | Случайные процессы (зима 2023)]]<br /> <br /> [[ Функциональное_программирование_23-24 | Функциональное программирование ]]<br /> <br /> [[ Haskell_23/24 | Промышленное программирование на Haskell ]]<br /> <br /> [[ Основы_тензорных_вычислений_(2023/2024) | Основы тензорных вычислений ]]<br /> <br /> [[ Глубинное_обучение_в_обработке_звука_23/24 | Глубинное обучение в обработке звука ]]<br /> <br /> [[ Глубинное обучение для текстовых данных 23/24 | Глубинное обучение для текстовых данных ]]<br /> <br /> [[ Методы_предобучения_без_учителя_23/24 | Методы предобучения без учителя ]]<br /> <br /> [[ Символьные_вычисления_23/24 | Символьные вычисления ]]<br /> <br /> [[Эффективные системы глубинного обучения 23/24|Эффективные системы глубинного обучения]]<br /> <br /> [[Теория_и_практика_онлайн-экспериментов_23/24 | Теория и практика онлайн-экспериментов]]<br /> <br /> [[Децентрализованные_системы 2023/24| Децентрализованные системы ]]<br /> <br /> [[Введение_в_дифференциальную_геометрию_23/24 | Введение в дифференциальную геометрию ]]<br /> <br /> '''ПМИ / МОП'''<br /> <br /> [[НИС_Машинное_обучение_и_приложения_4_курс_2023/24 | НИС Машинное обучение и приложения 4 курс]] <br /> <br /> [[Глубинное_обучение_2023/24 | Глубинное обучение]]<br /> <br /> [[Глубинное_обучение_в_анализе_графовых_данных_23/24 | Глубинное обучение в анализе графовых данных]]<br /> <br /> [[LSML_2023/2024 | Машинное обучение для больших данных]]<br /> <br /> '''ПМИ / РС'''<br /> <br /> [https://osukhoroslov-hse.notion.site/2-013e88a10c204059bff194f838de4ef5?pvs=4 НИС Распределенные системы 2]<br /> <br /> '''ПМИ / ТИ'''<br /> <br /> [[A_Theorist's_Toolkit_2023_2024 | A Theorist's Toolkit, AMI]]<br /> <br /> [[OWF2023 | Односторонние функции и их применения]]<br /> <br /> [[InfTheory2023 | Теория информации]]<br /> <br /> [[ NIS-TCS-23-24 | НИС Теоретическая информатика ]]<br /> <br /> | rowspan=&quot;7&quot; | <br /> &lt;!-- майноры и факультативы --&gt;<br /> <br /> [[Майнор_Биоинформатика_1_год_2023/24|Биоинформатика 1 год 2023/24]]<br /> <br /> [[Майнор_Биоинформатика_2_год_2023/24|Биоинформатика 2 год 2023/24]]<br /> <br /> |-<br /> | colspan=&quot;4&quot; style=&quot;text-align: center;&quot; | '''ПИ''' <br /> |-<br /> |<br /> <br /> [[Дискретная математика 2023-2024 | Дискретная математика ]]<br /> <br /> [[Алгебра ПИ 2023-2024 | Алгебра]]<br /> <br /> [[Математический анализ 2023-2024 | Математический анализ]]<br /> <br /> ||<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПИ_2023/2024 | Алгоритмы и структуры данных на ПИ]]<br /> <br /> [[Теория вероятностей и математическая статистика 2023-2024 | Теория вероятностей и математическая статистика]]<br /> <br /> [[НИС_Методы_и_алгоритмы_защиты_информации_2023/2024 | НИС Методы и алгоритмы защиты информации ]]<br /> <br /> ||<br /> <br /> [[ SPA_2023/24 |Принципы статического анализа исходного кода ]]<br /> <br /> |-<br /> | colspan=&quot;4&quot; style=&quot;text-align: center;&quot; | '''ПАД''' <br /> |-<br /> |<br /> <br /> [[DSBA_Algebra_2023_2024 | Algebra (DSBA)]]<br /> <br /> [[Calculus DSBA 2023/2024 | Calculus (DSBA)]]<br /> <br /> [[English_DSBA_2023/2024 | English (DSBA)]]<br /> <br /> [[LAaG DSBA 2023/2024 | LAaG (DSBA)]]<br /> <br /> [[Discrete Mathematics DSBA 2023/2024 | Discrete Mathematics (DSBA)]]<br /> <br /> [[Python Programming DSBA 2023/24 | Python Programming (DSBA)]]<br /> <br /> [[C++ Programming Language DSBA 2023/24 | C++ Programming Language (DSBA)]]<br /> <br /> [[Foundations_of_Law_DSBA_2023/24 | Foundations of Law (DSBA)]]<br /> <br /> [[Introduction to Economics DSBA 2023/24]]<br /> <br /> ||<br /> <br /> [[Discrete Mathematics 2 DSBA 2023/24 | Discrete Mathematics 2 (DSBA)]]<br /> <br /> [[Calculus-2 2023/24]]<br /> <br /> [[Algorithms and Data Structures DSBA 2023/24 | Algorithms and Data Structures]]<br /> <br /> [[Probability and Statistics (DSBA) 2023/24]]<br /> <br /> [[Introduction to Micro and Macroeconomics DSBA 2022/2023]]<br /> <br /> [[Differential Equations 2023/24]]<br /> <br /> [[ACOS_DSBA_2023/24 | Computer Architecture and Operating Systems]]<br /> <br /> ||<br /> <br /> [[tssp-2023-24 | Time series and stochastic processes 2023-24]]<br /> <br /> [ Elements of Econometrics]<br /> <br /> [[BAFE-2023-24 | Business Analytics and Financial Engineering 2023-2024]]<br /> <br /> [[Machine learning 1 DSBA 2023/2024]]<br /> <br /> [[Databases 2023/24]]<br /> <br /> [[Optimisation methods 2023/24]]<br /> <br /> [[ MACE1_DSBA_23-24 | Research Seminar &quot;Mathematical and Computational Engineering in Science and Business 1&quot;]]<br /> <br /> [[ DAF1_DSBA_23-24 | Research Seminar &quot;Data Analysis in Finance 1&quot;]]<br /> <br /> ||<br /> <br /> [[ Statistics4MR-2023-24 | Statistics for Market Research 2023-24]]<br /> <br /> [[ Strategy_23-24_DSBA | Decision Making Strategy 2023-2024]]<br /> <br /> [[ APFM_23-24 | Asset Pricing and Financial Markets 2023-2024]]<br /> <br /> [[ CMC_DSBA_23-24 | Core management concepts ]]<br /> <br /> [[Machine learning 2 DSBA 2023/2024]]<br /> <br /> [[ MACE2_DSBA_23-24 | Research Seminar &quot;Mathematical and Computational Engineering in Science and Business 2&quot;]]<br /> <br /> [[ DAF2_DSBA_23-24 | Research Seminar &quot;Data Analysis in Finance 2&quot;]]<br /> <br /> [[ DANS_DSBA_23-24 | Research Seminar &quot;Data Analysis in the Natural Sciences&quot; ]]<br /> <br /> [[Risk-Management_DSBA_23-24 | Research Seminar &quot;Risk-Management&quot; ]]<br /> <br /> [[Quantitative finance DSBA 2023/24]]<br /> <br /> <br /> |-<br /> | colspan=&quot;4&quot; style=&quot;text-align: center;&quot; | '''КНАД''' <br /> |-<br /> |<br /> <br /> [[Дискретная математика КНАД 23/24]]<br /> <br /> [[Математический анализ КНАД 23/24]]<br /> <br /> [[Линейная алгебра КНАД 23/24]]<br /> <br /> [[Программирование на Python КНАД 23/24]]<br /> <br /> [[Алгоритмы и структуры данных - 1 2023/2024 2 модуль (ЭАД КНАД ВСН)]]<br /> <br /> [[Алгоритмы и структуры данных - 1 2023/2024 4 модуль (ЭАД КНАД ВСН)]]<br /> <br /> [[Python для сбора и анализа данных КНАД 23/24]]<br /> <br /> [[Программирование на С++ КНАД 23/24]]<br /> <br /> [[ИПР_КНАД_23/24 | Инструменты промышленной разработки]]<br /> <br /> ||<br /> <br /> [[Алгебра КНАД 2023/2024 | Алгебра]]<br /> <br /> [[Математический_анализ -- 2 (2023/24) | Математический анализ -- 2]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_КНАД 23/24 | Алгоритмы и структуры данных 2]]<br /> <br /> [[Теория_вероятностей_КНАД 23/24 | Теория вероятностей ]]<br /> <br /> [[ACOS_COMPDS_2023/2024 | Архитектура Компьютера и Операционные Системы]]<br /> <br /> [[Математическая_статистика_КНАД_23/24 | Математическая статистика]]<br /> <br /> [[Численные_методы_КНАД_23/24 | Численные методы]]<br /> <br /> ||<br /> <br /> <br /> ||<br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! Осенний семестр !! Весенний семестр<br /> |-<br /> | <br /> [[Основы Python для юристов 2023-24|Основы Python для юристов 23/24]] (2 курс, 1 модуль)<br /> | <br /> |}<br /> <br /> == Курсы магистратуры ФКН ==<br /> {| class=&quot;wikitable&quot; <br /> |-<br /> | [[ NIS-TCS-23-24 | НИС Теоретическая информатика ]] || СКН<br /> |-<br /> | [[RecSys_2023 | Рекомендательные системы]] || ФТИАД || 2 year<br /> |-<br /> |}<br /> <br /> == Курсы других факультетов ==<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! Дисциплина !! Курс !! Период<br /> |-<br /> | [[econ_metrics_2023-24|Эконометрика ип 2023-24]] || фэн, 3 курс || 1-4 модуль<br /> |-<br /> | [[Econ_probability_2023-24|Теория вероятностей и математическая статистика 2023-24]] || фэн, 2 курс || 1-4 модуль<br /> |-<br /> | [[dse_2023-24|Data Science for Economists, fall 2023]] || icef, 3-4 year || 1-2 modules<br /> |-<br /> | <br /> |}<br /> <br /> = Архив =<br /> <br /> == Курсы за 2022/23 учебный год ==<br /> <br /> {| class=&quot;wikitable courses&quot;<br /> |-<br /> <br /> ! width=&quot;21%&quot; | 1 курс !! width=&quot;21%&quot; | 2 курс !! width=&quot;21%&quot; | 3 курс !! width=&quot;21%&quot; | 4 курс !! rowspan=&quot;2&quot; | майноры и факультативы<br /> |-<br /> | colspan=&quot;4&quot; style=&quot;text-align: center;&quot; | '''ПМИ''' <br /> |-<br /> |<br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2022/2023_(пилотный_поток) | Линейная алгебра и геометрия (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2022/2023_(основной_поток) | Линейная алгебра и геометрия (основной поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2022/2023_(пилотный_поток) | Алгебра (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2022/2023_(основной_поток) | Алгебра (основной поток)]]<br /> <br /> [[Математический_анализ_1_2022/2023_(основной_поток) | Математический анализ-1 (основной поток)]]<br /> <br /> [[Математический_анализ_1_2022/2023_(пилотный_поток) | Математический анализ-1 (пилотный поток)]]<br /> <br /> [[DM1base-2022-23 | Дискретная математика (ПМИ основной поток + ЭАД)]]<br /> <br /> [[Дискретная математика на ПМИ 2022/23 (пилотный поток)]]<br /> <br /> [[Язык программирования Python 2022/2023 (основной поток) ]]<br /> <br /> [[Алгоритмы_и_структуры_данных_пилотный_поток_2022/2023 | Алгоритмы и структуры данных (пилотный поток)]]<br /> <br /> [[Теория чисел (пилотный поток) 2022/23 | Теория чисел (пилотный поток)]]<br /> <br /> [[Теория чисел (основной поток) 2022/23 | Теория чисел (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_1_(основной_поток)_(4_модуль) | Алгоритмы и структуры данных 1 (основной поток) (4 модуль) 2022/2023]]<br /> <br /> ||<br /> <br /> [[Математическая_статистика_2022/2023_(пилотный_поток)| Математическая статистика (пилотный поток)]]<br /> <br /> [[Математическая_статистика_2022/2023_(основной_поток)| Математическая статистика (основной поток)]]<br /> <br /> [[Теория_вероятностей_2022/2023_(пилотный_поток)| Теория вероятностей (пилотный поток)]]<br /> <br /> [[Теория_вероятностей_2022/2023_(основной_поток)| Теория вероятностей (основной поток)]]<br /> <br /> [[Математический_Анализ_2_на_ПМИ_2022/2023_(пилотный_поток) | Математический анализ - 2 (пилотный поток)]]<br /> <br /> [[Математический_анализ_-_2_(2022/23) | Математический анализ - 2 (основной поток)]]<br /> <br /> [[Язык_программирования_C%2B%2B_(углубленный_курс)_2022 | Язык программирования C++ (углубленный курс)]]<br /> <br /> [[Математическая_логика_ПМИ_22/23 | Математическая логика ]]<br /> <br /> [[Продвинутый_Python_2022/2023 | Продвинутый Python ]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2022/2023 | Алгоритмы и структуры данных - 2 ]]<br /> <br /> [[Инструменты_промышленной_разработки_2022/2023 | Инструменты промышленной разработки 2022/2023 ]]<br /> <br /> [[CAOS-2022 | Архитектура компьютеров и операционные системы]]<br /> <br /> [[Дифференциальные уравнения (ПМИ) 2022/23]]<br /> <br /> [[Основы_матричных_вычислений_2022/2023 | Основы матричных вычислений ]]<br /> <br /> ||<br /> <br /> [[Машинное_обучение_1/2022_2023 | Машинное обучение 1]]<br /> <br /> [[Компьютерные_сети_2022/2023 | Компьютерные сети 2022/2023]]<br /> <br /> [[ Operation Research and Game Theory | Operation Research and Game Theory]]<br /> <br /> [[ Statistical learning theory 2022 | Statistical Learning Theory]]<br /> <br /> [[ Функциональное_программирование_22-23 | Функциональное программирование ]]<br /> <br /> [[ Основы_тензорных_вычислений_(2022/2023) | Основы тензорных вычислений ]]<br /> <br /> [[Глубинное обучение 1 22/23 | Введение в глубинное обучение 22/23]]<br /> <br /> [[Математическое_моделирование_2022 | Математическое моделирование 2022]]<br /> <br /> [[time_series_modelling_22_23 | Моделирование временных рядов 22/23]]<br /> <br /> [[Теория_чисел_и_криптография | Теория чисел и криптография]]<br /> <br /> [[Методы_оптимизации_22/23 | Методы оптимизации]]<br /> <br /> [[Уравнения с частными производными (2022-2023)|Уравнения с частными производными (2022-2023)]]<br /> <br /> '''ПМИ / МОП'''<br /> <br /> [[Машинное_обучение_2 | Машинное обучение 2]]<br /> <br /> [[Прикладная_статистика_в_машинном_обучении_22/23 | Прикладная статистика в машинном обучении 22/23]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_3_курс_2022/2023 | НИС Машинное обучение и приложения 3 курс]]<br /> <br /> [[Глубинное обучение 1 22/23 | Глубинное обучение 1 22/23]]<br /> <br /> [[Методы оптимизации в машинном обучении 2023]]<br /> <br /> '''ПМИ / РС'''<br /> <br /> [https://osukhoroslov-hse.notion.site/a35a6a40088b44a7a9e374727a0f2548 Распределенные системы]<br /> <br /> [https://osukhoroslov-hse.notion.site/dbce4f5101ed47dca0b363122f139aac НИС Распределенные системы]<br /> <br /> [[Database Systems 2023]]<br /> <br /> '''ПМИ / ТИ'''<br /> <br /> [[Theory of Computation 2022 | Theory of Computation]]<br /> <br /> [[ NIS-TCS-22-23 | НИС Теоретическая информатика ]]<br /> <br /> [[KKTI-22-23 | Комбинаторные конструкции в теоретической информатике]]<br /> <br /> ||<br /> <br /> [https://www.notion.so/2022-2023-12475421ada6400c8bd5bf24a2a30c01 ВКР]<br /> <br /> [[ Случайные_процессы_(зима_2023) | Случайные процессы (зима 2023)]]<br /> <br /> [[ Функциональное_программирование_22-23 | Функциональное программирование ]]<br /> <br /> [[ Haskell_23 | Промышленное программирование на Haskell ]]<br /> <br /> [[ Основы_тензорных_вычислений_(2022/2023) | Основы тензорных вычислений ]]<br /> <br /> [[ Глубинное_обучение_в_обработке_звука_22/23 | Глубинное обучение в обработке звука ]]<br /> <br /> [[ Методы_предобучения_без_учителя_22/23 | Методы предобучения без учителя ]]<br /> <br /> [[ Символьные_вычисления_22/23 | Символьные вычисления ]]<br /> <br /> [[Эффективные системы глубинного обучения 22/23|Эффективные системы глубинного обучения]]<br /> <br /> [[Теория_и_практика_онлайн-экспериментов_22/23 | Теория и практика онлайн-экспериментов]]<br /> <br /> [[Децентрализованные_системы | Децентрализованные системы ]]<br /> <br /> [[Введение_в_дифференциальную_геометрию_22/23 | Введение в дифференциальную геометрию ]]<br /> <br /> '''ПМИ / МОП'''<br /> <br /> [[НИС_Машинное_обучение_и_приложения_4_курс_2022/2023 | НИС Машинное обучение и приложения 4 курс]] <br /> <br /> [[Глубинное_обучение_2022 | Глубинное обучение]]<br /> <br /> [[Глубинное_обучение_в_анализе_графовых_данных_22/23 | Глубинное обучение в анализе графовых данных]]<br /> <br /> [[LSML_2022/2023 | Машинное обучение для больших данных]]<br /> <br /> '''ПМИ / РС'''<br /> <br /> [https://osukhoroslov-hse.notion.site/2-b1c2d4487ac8478f89cd4fa427da3e27 НИС Распределенные системы]<br /> <br /> '''ПМИ / ТИ'''<br /> <br /> [[A_Theorist's_Toolkit_2022_2023 | A Theorist's Toolkit, AMI]]<br /> <br /> [[OWF2022 | Односторонние функции и их применения]]<br /> <br /> [[InfTheory2022 | Теория информации]]<br /> <br /> [[ NIS-TCS-22-23 | НИС Теоретическая информатика ]]<br /> <br /> | rowspan=&quot;7&quot; | <br /> &lt;!-- майноры и факультативы --&gt;<br /> [[Дополнительные_главы_теории_чисел|Дополнительные главы теории чисел]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей_2023|ДГТВ]]<br /> <br /> [[Теория_вычислений_2023|Теория вычислений]]<br /> <br /> [[Случайные_графы_2022 | Случайные графы]]<br /> <br /> [[Майнор_Биоинформатика_1_год_2022/23 | Биоинформатика 1 год 2022/23]]<br /> <br /> [[Майнор Биоинформатика 2 год 2022/23 | Биоинформатика 2 год]]<br /> <br /> [[Основы_машинного_обучения | Основы машинного обучения (майнор ИАД)]]<br /> <br /> [[Основы_глубинного_обучения | Основы глубинного обучения (майнор ИАД)]]<br /> <br /> [[Прикладные_задачи_анализа_данных | Прикладные задачи анализа данных (майнор ИАД)]]<br /> <br /> [[Введение_в_программирование_22/23_(майнор_ИАД) | Введение в программирование 22/23 (майнор ИАД)]]<br /> <br /> [[Базы данных 22/23 (майнор ИАД)| Базы данных 22/23 (майнор ИАД)]]<br /> <br /> [[Adaptation course in Discrete Math (факультатив)]]<br /> <br /> [[Уравнения с частными производными (2022-2023)|Уравнения с частными производными (2022-2023)]]<br /> <br /> <br /> |-<br /> | colspan=&quot;4&quot; style=&quot;text-align: center;&quot; | '''ПИ''' <br /> |-<br /> |<br /> <br /> [[Дискретная математика 2022-2023 | Дискретная математика ]]<br /> <br /> [[Алгебра ПИ 2022-2023 | Алгебра]]<br /> <br /> [[Математический анализ 2022-2023 | Математический анализ]]<br /> <br /> ||<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПИ_2022/2023 | Алгоритмы и структуры данных на ПИ]]<br /> <br /> [[Теория вероятностей и математическая статистика 2022-2023 | Теория вероятностей и математическая статистика]]<br /> <br /> [[НИС_Методы_и_алгоритмы_защиты_информации_2022/2023 | НИС Методы и алгоритмы защиты информации ]]<br /> <br /> ||<br /> <br /> [[ SPA_2022 |Принципы статического анализа исходного кода ]]<br /> <br /> |-<br /> | colspan=&quot;4&quot; style=&quot;text-align: center;&quot; | '''ПАД''' <br /> |-<br /> |<br /> <br /> [[DSBA_Algebra_2022_2023 | Algebra (DSBA)]]<br /> <br /> [[Calculus DSBA 2022/2023 | Calculus (DSBA)]]<br /> <br /> [[English_DSBA_2022/2023 | English DSBA (DSBA)]]<br /> <br /> [[LAaG DSBA 2022/2023 | LAaG (DSBA)]]<br /> <br /> [[Discrete Mathematics DSBA 2022/2023 | Discrete Mathematics (DSBA)]]<br /> <br /> [[Introduction to Programming DSBA 2022/2023 | Introduction to Programming on Python (DSBA)]]<br /> <br /> [[Introduction to Programming 2 DSBA 2022/2023 | Introduction to Programming on C++ (DSBA)]]<br /> <br /> [[Foundations_of_Law_DSBA_2022/2023 | Foundations of Law (DSBA)]]<br /> <br /> [[Introduction to Economics DSBA 2022/2023]]<br /> <br /> ||<br /> <br /> [[Discrete Mathematics 2 DSBA 2022/2023 | Discrete Mathematics 2 (DSBA)]]<br /> <br /> [[Business_and_Management_in_Global_Context_22/23 | Business and Management in Global Context 22/23]]<br /> <br /> [[Calculus-2]]<br /> <br /> [[Algorithms and Data Structures DSBA 2022/2023 | Algorithms and Data Structures]]<br /> <br /> [[Probability and Statistics (DSBA)]]<br /> <br /> [[Introduction to Micro and Macroeconomics DSBA 2022/2023]]<br /> <br /> [[Differential_Equations_2023 | Differential Equations ]]<br /> <br /> [[ACOS_DSBA_2022/2023 | Computer Architecture and Operating Systems]]<br /> <br /> ||<br /> <br /> [[tssp-2022-23 | Time series and stochastic processes 2022-23]]<br /> <br /> [https://github.com/xenakas/dsba_ecm_2022 Elements of Econometrics]<br /> <br /> [[BAFE-2022-23 | Business Analytics and Financial Engineering 2022-2023]]<br /> <br /> [[Machine learning 1 DSBA 2022/2023]]<br /> <br /> [[Databases]]<br /> <br /> [[Optimisation methods]]<br /> <br /> [[ MACE1_DSBA_22-23 | Research Seminar &quot;Mathematical and Computational Engineering in Science and Business 1&quot;]]<br /> <br /> [[ DAF1_DSBA_22-23 | Research Seminar &quot;Data Analysis in Finance 1&quot;]]<br /> <br /> ||<br /> <br /> [[ Statistics4MR-2022-23 | Statistics for Market Research 2022-23]]<br /> <br /> [[ Strategy_22-23_DSBA | Decision Making Strategy 2022-2023]]<br /> <br /> [[ APFM_22-23 | Asset Pricing and Financial Markets 2022-2023]]<br /> <br /> [[ CMC_DSBA_22-23 | Core management concepts ]]<br /> <br /> [[Machine learning 2 DSBA 2022/2023]]<br /> <br /> [[ MACE2_DSBA_22-23 | Research Seminar &quot;Mathematical and Computational Engineering in Science and Business 2&quot;]]<br /> <br /> [[ DAF2_DSBA_22-23 | Research Seminar &quot;Data Analysis in Finance 2&quot;]]<br /> <br /> [[ DANS_DSBA_22-23 | Research Seminar &quot;Data Analysis in the Natural Sciences&quot; ]]<br /> <br /> [[Risk-Management_DSBA_22-23 | Research Seminar &quot;Risk-Management&quot; ]]<br /> <br /> [[Quantitative finance DSBA]]<br /> <br /> <br /> |-<br /> | colspan=&quot;4&quot; style=&quot;text-align: center;&quot; | '''КНАД''' <br /> |-<br /> |<br /> <br /> [[Дискретная_математика_КНАД 22/23| Дискретная математика (КНАД) ]]<br /> <br /> [[Математический_анализ_КНАД 22/23| Математический анализ (КНАД) ]]<br /> <br /> [[Линейная_алгебра_КНАД 22/23| Линейная алгебра (КНАД) ]]<br /> <br /> [[Программирование_на_Python_КНАД 22/23| Программирование на Python (КНАД) ]]<br /> <br /> [[Алгоритмы и структуры данных - 1 2022/2023 2 модуль (ЭАД КНАД ВСН) | Алгоритмы и структуры данных 2022/2023 2 модуль (ЭАД КНАД ВСН)]]<br /> <br /> [[Алгоритмы и структуры данных - 1 2022/2023 4 модуль (ЭАД КНАД ВСН) | Алгоритмы и структуры данных 2022/2023 4 модуль (ЭАД КНАД ВСН)]]<br /> <br /> [[Python_для_сбора_и_анализа_данных_КНАД_22/23 | Python для сбора и анализа данных (КНАД)]]<br /> <br /> [[Программирование_на_С++_КНАД_22/23 | Программирование на С++]]<br /> <br /> [[ИПР_КНАД_23 | Инструменты промышленной разработки]]<br /> <br /> ||<br /> <br /> [[Алгебра КНАД 2022/2023 | Алгебра]]<br /> <br /> [[Математический_анализ -- 2 (2022/23) | Математический анализ -- 2]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_КНАД 22/23 | Алгоритмы и структуры данных 2]]<br /> <br /> [[Теория_вероятностей_КНАД 22/23 | Теория вероятностей ]]<br /> <br /> [[ACOS_COMPDS_2022/2023 | Архитектура Компьютера и Операционные Системы]]<br /> <br /> [[Математическая_статистика_КНАД_22/23 | Математическая статистика]]<br /> <br /> [[Численные_методы_КНАД_22/23 | Численные методы]]<br /> <br /> ||<br /> <br /> <br /> ||<br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! Осенний семестр !! Весенний семестр<br /> <br /> |-<br /> | <br /> [[Цифровая грамотность для международных отношений 22/23]] (1 курс, 1-2 модуль)<br /> <br /> [[Основы анализа данных в международных отношениях 22/23]] (2 курс, 1-2 модуль)<br /> <br /> [[Основы программирования на Python осень 2022 матфак]] (2-4 курс бакалавриата или 1-2 курс магистратуры, 1-2 модуль) <br /> <br /> [[Анализ данных 2022 (ОП &quot;Журналистика&quot; и &quot;Медиакоммуникации&quot;) | Анализ данных]] (2 курс, 1-2 модуль)<br /> <br /> [[Машинное обучение (ФЭН) - 2022-2023]] (3,4 курс, 1-2 модули)<br /> | <br /> [[Прикладное программное обеспечение (основы Python) для социологии 2022/23]] (1 курс, 3 модуль)<br /> <br /> [[Программирование на языке Python для ГосМунУпр 2022/23 | Программирование на языке Python для гос. и муницип. управления 2022/23]] (1 курс, 3-4 модуль)<br /> <br /> [[Основы программирования в Python для политологии 2022/23]] (2 курс, 3-4 модули)<br /> <br /> [[Основы программирования в Python для школы дизайна 2022/23]] (2 курс, 3-4 модули)<br /> <br /> [[Основы программирования в Python для ВШБ 2022/23]] (2 курс, 3 модуль)<br /> <br /> [[Программирование на Python для МО 22/23]] (1 курс, 3 модуль)<br /> <br /> [[Машинное обучение 22/23 Матфак]] (3 курс, 3-4 модули)<br /> <br /> [[Анализ Данных 22/23 Политологи]] (3 курс, 3-4 модули)<br /> <br /> [[Введение в Data Science для ВШБ 2022/23]] (2 курс, 4 модуль)<br /> |}<br /> <br /> == Курсы магистратуры ФКН ==<br /> {| class=&quot;wikitable&quot; <br /> |-<br /> | [[Ликбез_разработчика_(2022) | Ликбез разработчика]] || Машинное обучение и высоконагруженные системы|| 1 year<br /> |-<br /> | [[RecSys_2022_2023 | Рекомендательные системы]] || ФТИАД || 2 year<br /> |-<br /> | [[Linear_Algebra_for_Data_Science_(2022) | Linear Algebra for Data Science]] || Data Science || 1 year<br /> |-<br /> | [[Ordered_Sets_in_Data_Analysis_(2022) | Ordered Sets in Data Analysis]] || Data Science || 1 year<br /> |-<br /> | [[ NIS-TCS-22-23 | НИС Теоретическая информатика ]] || Науки о данных, специализация ТИ || <br /> |-<br /> | [[Mathematical Foundations of Probability theory | Mathematical foundations of probability theory]] || Math of Machine Learning || 1 year <br /> |-<br /> | [[Markov Chains | Markov Chains]] || Math of Machine Learning || 1 year <br /> |-<br /> | [[Reinforcement_learning_2022_2023 | Математические основы обучения с подкреплением ]] || Math of Machine Learning || 2 year<br /> |-<br /> | [[Theoretical computer science spring 2023 | Theoretical computer science spring 2023]] || PhD || 1 year<br /> |}<br /> <br /> == Курсы других факультетов ==<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! Дисциплина !! Курс !! Период<br /> |-<br /> | [[econ_probability_2022-23|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 1-4 модуль<br /> |-<br /> | [[econ_metrics_2022-23|Эконометрика ип 2022-23]] || фэн, 3 курс || 1-4 модуль<br /> |-<br /> | [[econ_dynamic_opt_2022-23|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль<br /> |-<br /> | [[icef-dse-2022-23|Data Science for Economics 2022-23]] ||icef, 3-4 year || 1-2 module<br /> |-<br /> | [[Лицей ВШЭ. Практикум по программированию 10 класс 2022-23 | Лицей ВШЭ. Практикум по программированию 10 класс]] || Лицей ВШЭ || 10 класс<br /> |-<br /> | [[icef-scalc-2022-fall|Stochastic Calculus Fall 2022]] ||icef, master 1 year || 2 module<br /> |-<br /> | [[econ_metrics_smfe_2022-23|Эконометрика (продвинутый уровень) 2022-23]] || фэн, магистратура, 1 курс || 3-4 модуль<br /> |}<br /> <br /> = Архив до 2021/22 учебного года включительно =<br /> [[Wiki ФКН/Архив]]</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2022_2023&diff=73498 2022-10-21T16:54:16Z

<p>Marina Ananyeva: /* Материалы курса */</p> <hr /> <div>==О курсе==<br /> <br /> Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:&lt;br&gt;<br /> - Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;&lt;br&gt;<br /> - Методы проверки качества рекомендаций и достоверности выявленных закономерностей.<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+51dCYfNAXlZiMjYy Telegram]<br /> <br /> ==Контакты==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.9<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашние задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2022/week1 Семинары 1, 2] || [https://forms.gle/JzNPyHpFVbtMe2jp8 Quiz 1]|| - || 20.09.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Item/user-based, MF, CF || [https://github.com/anamarina/RecSys_course/tree/2022/week2 Семинары 3, 4]|| [https://docs.google.com/forms/d/e/1FAIpQLSd0OgSOY0Dm1bIKqgNqU2Rw0XEt2_76IVF_m3UAxBNiIgi_3g/viewform Quiz 2] || - || 05.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Content based, Hybrid methods || [https://github.com/anamarina/RecSys_course/tree/2022/week3 Семинары 5, 6] || [https://docs.google.com/forms/d/e/1FAIpQLSdZNFcu2CEWCh2m_-PJdeSYIIoWnYl-inKFKfXYKcipr7-OoQ/viewform Quiz 3]|| [https://github.com/anamarina/RecSys_course/tree/2022/hw/hw1 ДЗ 1]|| 10.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Sequential, Context-aware methods|| [https://github.com/anamarina/RecSys_course/tree/2022/week4 Семинары 7, 8] || [https://docs.google.com/forms/d/e/1FAIpQLSeIijcAbDHTKha6rncP3d_70lVwj2xq3OvrVQIoGE0tfb1yng/viewform Quiz 4] || || 27.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || AE, VAE for RecSys || || [https://docs.google.com/forms/d/e/1FAIpQLSftfE8Vs6ofNzT3wDMg9KfzarC_xPosmfElErrRHysT_VdMHg/viewform Quiz 5] || || 27.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || Graph-based approaches || || [https://docs.google.com/forms/d/e/1FAIpQLSf28ysBFvJAd08xwxUjPnMS09nWTpnhlcjK2jIWdUV4dtA1cw/viewform Quiz 6] || || 27.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Explainable RecSys|||| [https://docs.google.com/forms/d/e/1FAIpQLSctRzVAX4amCsSPaA0fGmizx7Yfj_wRH6htHrGDLOzeK9ZV6g/viewform Quiz 7] || || 27.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Your First RecSys Service || || || ||<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1RvuhuC1euQw0rSNANKWvG7wWSjiAiuWd/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true Таблица с оценками]<br /> <br /> Оценка ставится по формуле:<br /> <br /> '''Final grade = min(10, 0.3 * Home Assignments + 0.15 * Article Summary + 0.15 * Weekly Quizzes + 0.4 * Exam)''', где<br /> <br /> '''Home Assignments''' - 3 домашних работы в Jupyter Notebook (max 10 баллов за каждую). <br /> <br /> '''Article Summary''' - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). <br /> <br /> '''Weekly Quizzes''' - 7 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). <br /> <br /> '''Exam''' - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов).<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2022_2023&diff=73497 2022-10-21T16:18:26Z

<p>Marina Ananyeva: /* Материалы курса */</p> <hr /> <div>==О курсе==<br /> <br /> Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:&lt;br&gt;<br /> - Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;&lt;br&gt;<br /> - Методы проверки качества рекомендаций и достоверности выявленных закономерностей.<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+51dCYfNAXlZiMjYy Telegram]<br /> <br /> ==Контакты==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.9<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашние задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2022/week1 Семинары 1, 2] || [https://forms.gle/JzNPyHpFVbtMe2jp8 Quiz 1]|| - || 20.09.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Item/user-based, MF, CF || [https://github.com/anamarina/RecSys_course/tree/2022/week2 Семинары 3, 4]|| [https://docs.google.com/forms/d/e/1FAIpQLSd0OgSOY0Dm1bIKqgNqU2Rw0XEt2_76IVF_m3UAxBNiIgi_3g/viewform Quiz 2] || - || 05.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Content based, Hybrid methods || [https://github.com/anamarina/RecSys_course/tree/2022/week3 Семинары 5, 6] || [https://docs.google.com/forms/d/e/1FAIpQLSdZNFcu2CEWCh2m_-PJdeSYIIoWnYl-inKFKfXYKcipr7-OoQ/viewform Quiz 3]|| [https://github.com/anamarina/RecSys_course/tree/2022/hw/hw1 ДЗ 1]|| 10.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Sequential, Context-aware methods|| [https://github.com/anamarina/RecSys_course/tree/2022/week4 Семинары 7, 8] || [https://docs.google.com/forms/d/e/1FAIpQLSeIijcAbDHTKha6rncP3d_70lVwj2xq3OvrVQIoGE0tfb1yng/viewform Quiz 4] || || 27.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || AE, VAE for RecSys || || [https://docs.google.com/forms/d/e/1FAIpQLSftfE8Vs6ofNzT3wDMg9KfzarC_xPosmfElErrRHysT_VdMHg/viewform Quiz 5] || || 27.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || Graph-based approaches || || [https://docs.google.com/forms/d/e/1FAIpQLSf28ysBFvJAd08xwxUjPnMS09nWTpnhlcjK2jIWdUV4dtA1cw/viewform Quiz 6] || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Explainable RecSys|||| || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Your First RecSys Service || || || ||<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1RvuhuC1euQw0rSNANKWvG7wWSjiAiuWd/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true Таблица с оценками]<br /> <br /> Оценка ставится по формуле:<br /> <br /> '''Final grade = min(10, 0.3 * Home Assignments + 0.15 * Article Summary + 0.15 * Weekly Quizzes + 0.4 * Exam)''', где<br /> <br /> '''Home Assignments''' - 3 домашних работы в Jupyter Notebook (max 10 баллов за каждую). <br /> <br /> '''Article Summary''' - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). <br /> <br /> '''Weekly Quizzes''' - 7 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). <br /> <br /> '''Exam''' - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов).<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2022_2023&diff=73495 2022-10-21T15:19:42Z

<p>Marina Ananyeva: /* Материалы курса */</p> <hr /> <div>==О курсе==<br /> <br /> Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:&lt;br&gt;<br /> - Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;&lt;br&gt;<br /> - Методы проверки качества рекомендаций и достоверности выявленных закономерностей.<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+51dCYfNAXlZiMjYy Telegram]<br /> <br /> ==Контакты==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.9<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашние задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2022/week1 Семинары 1, 2] || [https://forms.gle/JzNPyHpFVbtMe2jp8 Quiz 1]|| - || 20.09.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Item/user-based, MF, CF || [https://github.com/anamarina/RecSys_course/tree/2022/week2 Семинары 3, 4]|| [https://docs.google.com/forms/d/e/1FAIpQLSd0OgSOY0Dm1bIKqgNqU2Rw0XEt2_76IVF_m3UAxBNiIgi_3g/viewform Quiz 2] || - || 05.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Content based, Hybrid methods || [https://github.com/anamarina/RecSys_course/tree/2022/week3 Семинары 5, 6] || [https://docs.google.com/forms/d/e/1FAIpQLSdZNFcu2CEWCh2m_-PJdeSYIIoWnYl-inKFKfXYKcipr7-OoQ/viewform Quiz 3]|| [https://github.com/anamarina/RecSys_course/tree/2022/hw/hw1 ДЗ 1]|| 10.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Sequential, Context-aware methods|| [https://github.com/anamarina/RecSys_course/tree/2022/week4 Семинары 7, 8] || [https://docs.google.com/forms/d/e/1FAIpQLSeIijcAbDHTKha6rncP3d_70lVwj2xq3OvrVQIoGE0tfb1yng/viewform Quiz 4] || || 27.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || AE, VAE for RecSys || || [https://docs.google.com/forms/d/e/1FAIpQLSftfE8Vs6ofNzT3wDMg9KfzarC_xPosmfElErrRHysT_VdMHg/viewform Quiz 5] || || 27.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || Graph-based approaches || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Explainable RecSys|||| || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Your First RecSys Service || || || ||<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1RvuhuC1euQw0rSNANKWvG7wWSjiAiuWd/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true Таблица с оценками]<br /> <br /> Оценка ставится по формуле:<br /> <br /> '''Final grade = min(10, 0.3 * Home Assignments + 0.15 * Article Summary + 0.15 * Weekly Quizzes + 0.4 * Exam)''', где<br /> <br /> '''Home Assignments''' - 3 домашних работы в Jupyter Notebook (max 10 баллов за каждую). <br /> <br /> '''Article Summary''' - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). <br /> <br /> '''Weekly Quizzes''' - 7 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). <br /> <br /> '''Exam''' - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов).<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2022_2023&diff=73494 2022-10-21T15:17:59Z

<p>Marina Ananyeva: /* Материалы курса */</p> <hr /> <div>==О курсе==<br /> <br /> Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:&lt;br&gt;<br /> - Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;&lt;br&gt;<br /> - Методы проверки качества рекомендаций и достоверности выявленных закономерностей.<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+51dCYfNAXlZiMjYy Telegram]<br /> <br /> ==Контакты==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.9<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашние задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2022/week1 Семинары 1, 2] || [https://forms.gle/JzNPyHpFVbtMe2jp8 Quiz 1]|| - || 20.09.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Item/user-based, MF, CF || [https://github.com/anamarina/RecSys_course/tree/2022/week2 Семинары 3, 4]|| [https://docs.google.com/forms/d/e/1FAIpQLSd0OgSOY0Dm1bIKqgNqU2Rw0XEt2_76IVF_m3UAxBNiIgi_3g/viewform Quiz 2] || - || 05.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Content based, Hybrid methods || [https://github.com/anamarina/RecSys_course/tree/2022/week3 Семинары 5, 6] || [https://docs.google.com/forms/d/e/1FAIpQLSdZNFcu2CEWCh2m_-PJdeSYIIoWnYl-inKFKfXYKcipr7-OoQ/viewform Quiz 3]|| [https://github.com/anamarina/RecSys_course/tree/2022/hw/hw1 ДЗ 1]|| 10.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Sequential, Context-aware methods|| [https://github.com/anamarina/RecSys_course/tree/2022/week4 Семинары 7, 8] || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || AE, VAE for RecSys || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || Graph-based approaches || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Explainable RecSys|||| || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Your First RecSys Service || || || ||<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1RvuhuC1euQw0rSNANKWvG7wWSjiAiuWd/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true Таблица с оценками]<br /> <br /> Оценка ставится по формуле:<br /> <br /> '''Final grade = min(10, 0.3 * Home Assignments + 0.15 * Article Summary + 0.15 * Weekly Quizzes + 0.4 * Exam)''', где<br /> <br /> '''Home Assignments''' - 3 домашних работы в Jupyter Notebook (max 10 баллов за каждую). <br /> <br /> '''Article Summary''' - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). <br /> <br /> '''Weekly Quizzes''' - 7 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). <br /> <br /> '''Exam''' - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов).<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2022_2023&diff=73213 2022-10-11T18:54:32Z

<p>Marina Ananyeva: /* Программное обеспечение */</p> <hr /> <div>==О курсе==<br /> <br /> Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:&lt;br&gt;<br /> - Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;&lt;br&gt;<br /> - Методы проверки качества рекомендаций и достоверности выявленных закономерностей.<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+51dCYfNAXlZiMjYy Telegram]<br /> <br /> ==Контакты==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.9<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашние задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2022/week1 Семинары 1, 2] || [https://forms.gle/JzNPyHpFVbtMe2jp8 Quiz 1]|| - || 20.09.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Item/user-based, MF, CF || [https://github.com/anamarina/RecSys_course/tree/2022/week2 Семинары 3, 4]|| [https://docs.google.com/forms/d/e/1FAIpQLSd0OgSOY0Dm1bIKqgNqU2Rw0XEt2_76IVF_m3UAxBNiIgi_3g/viewform Quiz 2] || - || 05.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Content based, Hybrid methods || [https://github.com/anamarina/RecSys_course/tree/2022/week3 Семинары 5, 6] || [https://docs.google.com/forms/d/e/1FAIpQLSdZNFcu2CEWCh2m_-PJdeSYIIoWnYl-inKFKfXYKcipr7-OoQ/viewform Quiz 3]|| [https://github.com/anamarina/RecSys_course/tree/2022/hw/hw1 ДЗ 1]|| 10.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Sequential, Context-aware methods|| [https://github.com/anamarina/RecSys_course/tree/2022/week4 Семинары 7, 8] || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' |||| || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || |||| || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' |||| || || ||<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1RvuhuC1euQw0rSNANKWvG7wWSjiAiuWd/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true Таблица с оценками]<br /> <br /> Оценка ставится по формуле:<br /> <br /> '''Final grade = min(10, 0.3 * Home Assignments + 0.15 * Article Summary + 0.15 * Weekly Quizzes + 0.4 * Exam)''', где<br /> <br /> '''Home Assignments''' - 3 домашних работы в Jupyter Notebook (max 10 баллов за каждую). <br /> <br /> '''Article Summary''' - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). <br /> <br /> '''Weekly Quizzes''' - 7 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). <br /> <br /> '''Exam''' - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов).<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2022_2023&diff=73212 2022-10-11T18:54:18Z

<p>Marina Ananyeva: /* Материалы курса */</p> <hr /> <div>==О курсе==<br /> <br /> Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:&lt;br&gt;<br /> - Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;&lt;br&gt;<br /> - Методы проверки качества рекомендаций и достоверности выявленных закономерностей.<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+51dCYfNAXlZiMjYy Telegram]<br /> <br /> ==Контакты==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.8<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашние задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2022/week1 Семинары 1, 2] || [https://forms.gle/JzNPyHpFVbtMe2jp8 Quiz 1]|| - || 20.09.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Item/user-based, MF, CF || [https://github.com/anamarina/RecSys_course/tree/2022/week2 Семинары 3, 4]|| [https://docs.google.com/forms/d/e/1FAIpQLSd0OgSOY0Dm1bIKqgNqU2Rw0XEt2_76IVF_m3UAxBNiIgi_3g/viewform Quiz 2] || - || 05.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Content based, Hybrid methods || [https://github.com/anamarina/RecSys_course/tree/2022/week3 Семинары 5, 6] || [https://docs.google.com/forms/d/e/1FAIpQLSdZNFcu2CEWCh2m_-PJdeSYIIoWnYl-inKFKfXYKcipr7-OoQ/viewform Quiz 3]|| [https://github.com/anamarina/RecSys_course/tree/2022/hw/hw1 ДЗ 1]|| 10.10.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Sequential, Context-aware methods|| [https://github.com/anamarina/RecSys_course/tree/2022/week4 Семинары 7, 8] || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' |||| || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || |||| || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' |||| || || ||<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1RvuhuC1euQw0rSNANKWvG7wWSjiAiuWd/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true Таблица с оценками]<br /> <br /> Оценка ставится по формуле:<br /> <br /> '''Final grade = min(10, 0.3 * Home Assignments + 0.15 * Article Summary + 0.15 * Weekly Quizzes + 0.4 * Exam)''', где<br /> <br /> '''Home Assignments''' - 3 домашних работы в Jupyter Notebook (max 10 баллов за каждую). <br /> <br /> '''Article Summary''' - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). <br /> <br /> '''Weekly Quizzes''' - 7 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). <br /> <br /> '''Exam''' - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов).<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2022_2023&diff=72508 2022-09-19T11:30:02Z

<p>Marina Ananyeva: /* Материалы курса */</p> <hr /> <div>==О курсе==<br /> <br /> Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:&lt;br&gt;<br /> - Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;&lt;br&gt;<br /> - Методы проверки качества рекомендаций и достоверности выявленных закономерностей.<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+51dCYfNAXlZiMjYy Telegram]<br /> <br /> ==Контакты==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.8<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашние задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2022/week1 Семинары 1, 2] || [https://forms.gle/JzNPyHpFVbtMe2jp8 Quiz 1]|| - || 20.09.22 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' |||| || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || |||| || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' |||| || || ||<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1RvuhuC1euQw0rSNANKWvG7wWSjiAiuWd/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true Таблица с оценками]<br /> <br /> Оценка ставится по формуле:<br /> <br /> '''Final grade = min(10, 0.3 * Home Assignments + 0.15 * Article Summary + 0.15 * Weekly Quizzes + 0.4 * Exam)''', где<br /> <br /> '''Home Assignments''' - 3 домашних работы в Jupyter Notebook (max 10 баллов за каждую). <br /> <br /> '''Article Summary''' - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). <br /> <br /> '''Weekly Quizzes''' - 7 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). <br /> <br /> '''Exam''' - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов).<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2022_2023&diff=72223 2022-09-13T09:23:00Z

<p>Marina Ananyeva: /* Оценки */</p> <hr /> <div>==О курсе==<br /> <br /> Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:&lt;br&gt;<br /> - Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;&lt;br&gt;<br /> - Методы проверки качества рекомендаций и достоверности выявленных закономерностей.<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+51dCYfNAXlZiMjYy Telegram]<br /> <br /> ==Контакты==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.8<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашние задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2022/week1 Семинары 1, 2] |||| || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' |||| || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || |||| || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' |||| || || ||<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1RvuhuC1euQw0rSNANKWvG7wWSjiAiuWd/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true Таблица с оценками]<br /> <br /> Оценка ставится по формуле:<br /> <br /> '''Final grade = min(10, 0.3 * Home Assignments + 0.15 * Article Summary + 0.15 * Weekly Quizzes + 0.4 * Exam)''', где<br /> <br /> '''Home Assignments''' - 3 домашних работы в Jupyter Notebook (max 10 баллов за каждую). <br /> <br /> '''Article Summary''' - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). <br /> <br /> '''Weekly Quizzes''' - 7 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). <br /> <br /> '''Exam''' - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов).<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2022_2023&diff=72222 2022-09-13T09:22:01Z

<p>Marina Ananyeva: /* Материалы курса */</p> <hr /> <div>==О курсе==<br /> <br /> Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:&lt;br&gt;<br /> - Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;&lt;br&gt;<br /> - Методы проверки качества рекомендаций и достоверности выявленных закономерностей.<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+51dCYfNAXlZiMjYy Telegram]<br /> <br /> ==Контакты==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.8<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашние задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2022/week1 Семинары 1, 2] |||| || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' |||| || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || |||| || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' |||| || || ||<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1RvuhuC1euQw0rSNANKWvG7wWSjiAiuWd/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true Таблица с оценками]<br /> <br /> Оценка ставится по формуле:<br /> <br /> 0.3 * Home Assignments + 0.15 * Article Summary + 0.15 * Weekly Quizzes + 0.4 * Exam, гду<br /> <br /> Home Assignments - 3 домашних работы в Jupyter Notebook (max 10 баллов за каждую). <br /> <br /> Article Summary - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). <br /> <br /> Weekly Quizzes - 7 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). <br /> <br /> Exam - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов). <br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2022_2023&diff=72015 2022-09-09T10:42:30Z

<p>Marina Ananyeva: Новая страница: «==О курсе== Целями освоения дисциплины «Рекомендательные системы» являются овладение ст…»</p> <hr /> <div>==О курсе==<br /> <br /> Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:&lt;br&gt;<br /> - Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;&lt;br&gt;<br /> - Методы проверки качества рекомендаций и достоверности выявленных закономерностей.<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+51dCYfNAXlZiMjYy Telegram]<br /> <br /> ==Контакты==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.8<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашние задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || || || ||<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1RvuhuC1euQw0rSNANKWvG7wWSjiAiuWd/edit?usp=sharing&amp;ouid=104963596150558587903&amp;rtpof=true&amp;sd=true Таблица с оценками]<br /> <br /> Оценка ставится по формуле:<br /> <br /> 0.3 * Home Assignments + 0.15 * Article Summary + 0.15 * Weekly Quizzes + 0.4 * Exam, гду<br /> <br /> Home Assignments - 3 домашних работы в Jupyter Notebook (max 10 баллов за каждую). <br /> <br /> Article Summary - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). <br /> <br /> Weekly Quizzes - 7 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). <br /> <br /> Exam - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов). <br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=Wiki_%D0%A4%D0%9A%D0%9D&diff=72013 2022-09-09T10:37:40Z

<p>Marina Ananyeva: </p> <hr /> <div>__NOTOC__ <br /> <br /> = Учебные курсы факультета компьютерных наук =<br /> <br /> == Курсы за 2022/23 учебный год ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> <br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> '''ПМИ'''<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2022/2023_(пилотный_поток) | Линейная алгебра и геометрия (пилотный_поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2022/2023_(основной_поток) | Линейная алгебра и геометрия (основной поток)]]<br /> <br /> [[Математический_анализ_1_2022/2023_(основной_поток) | Математический анализ-1 (основной поток)]]<br /> <br /> [[Математический_анализ_1_2022/2023_(пилотный_поток) | Математический анализ-1 (пилотный поток)]]<br /> <br /> [[DM1base-2022-23 | Дискретная математика (ПМИ основной поток + ЭАД)]]<br /> <br /> [[Дискретная_математика_(пилотный_поток) | Дискретная математика (пилотный поток)]]<br /> <br /> [http://wiki.cs.hse.ru/Язык_программирования_Python_2022/2023_(основной_поток) Язык программирования Python 2022/2023 (основной_поток)]<br /> <br /> '''ПИ'''<br /> <br /> [[Дискретная математика 2022-2023 | Дискретная математика ]]<br /> <br /> '''ПАД'''<br /> <br /> [[LAaG DSBA 2022/2023 | LAaG (DSBA)]]<br /> <br /> [[Discrete Mathematics DSBA 2022/2023 | Discrete Mathematics ]]<br /> <br /> [[Introduction to Programming DSBA 2022/2023 | Introduction to Progarmming (DSBA)]]<br /> <br /> '''КНАД'''<br /> <br /> [[Дискретная_математика_КНАД 22/23| Дискретная математика (КНАД) ]]<br /> <br /> [[Математический_анализ_КНАД 22/23| Математический анализ (КНАД) ]]<br /> <br /> [[Линейная_алгебра_КНАД 22/23| Линейная алгебра (КНАД) ]]<br /> <br /> [[Программирование_на_Python_КНАД 22/23| Программирование на Python (КНАД) ]]<br /> ||<br /> <br /> '''ПМИ'''<br /> <br /> [[Теория_вероятностей_2022/2023_(пилотный_поток)| Теория вероятностей (пилотный поток)]]<br /> <br /> [[Теория_вероятностей_2022/2023_(основной_поток)| Теория вероятностей (основной поток)]]<br /> <br /> [[Математический_Анализ_2_на_ПМИ_2022/2023_(пилотный_поток) | Математический анализ - 2 (пилотный поток)]]<br /> <br /> [[Математический_анализ_-_2_(2022/23) | Математический анализ - 2 (основной поток)]]<br /> <br /> [[Язык_программирования_C%2B%2B_(углубленный_курс)_2022 | Язык программирования C++ (углубленный курс)]]<br /> <br /> [[Математическая_логика_ПМИ_22/23 | Математическая логика ]]<br /> <br /> [[Продвинутый_Python_2022/2023 | Продвинутый Python ]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2022/2023 | Алгоритмы и структуры данных - 2 ]]<br /> <br /> [[Язык_программирования_Rust | Язык программирования Rust ]]<br /> <br /> <br /> '''ПИ'''<br /> <br /> '''ПАД'''<br /> <br /> [[Discrete Mathematics 2 DSBA 2022/2023 | Discrete Mathematics 2 (DSBA)]]<br /> <br /> [[Business_and_Management_in_Global_Context_22/23 | Business and Management in Global Context 22/23]]<br /> <br /> '''КНАД'''<br /> <br /> [[Алгебра КНАД 2022/2023 | Алгебра]]<br /> <br /> [[Математический_анализ -- 2 (2022/23) | Математический анализ -- 2]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_КНАД 22/23 | Алгоритмы и структуры данных 2]]<br /> <br /> [[Теория_вероятностей_КНАД 22/23 | Теория вероятностей ]]<br /> ||<br /> <br /> '''ПМИ'''<br /> <br /> [[Машинное_обучение_1 | Машинное обучение 1]]<br /> <br /> [[Theory of Computation 2022 | Theory of Computation]]<br /> <br /> [[ Operation Research and Game Theory | Operation Research and Game Theory]]<br /> <br /> [[ Statistical learning theory 2022 | Statistical Learning Theory]]<br /> <br /> [[ Функциональное_программирование_22-23 | Функциональное программирование ]]<br /> <br /> [[ Основы_тензорных_вычислений_(2022/2023) | Основы тензорных вычислений ]]<br /> <br /> '''ПМИ / МОП'''<br /> <br /> [[Прикладная_статистика_в_машинном_обучении_22/23 | Прикладная статистика в машинном обучении 22/23]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_3_курс_2022/2023 | НИС Машинное обучение и приложения 3 курс]]<br /> <br /> '''ПМИ / РС'''<br /> <br /> [https://osukhoroslov-hse.notion.site/a35a6a40088b44a7a9e374727a0f2548 Распределенные системы]<br /> <br /> [https://osukhoroslov-hse.notion.site/dbce4f5101ed47dca0b363122f139aac НИС Распределенные системы]<br /> <br /> '''ПИ'''<br /> <br /> '''ПАД'''<br /> <br /> [[tssp-2022-23 | Time series and stochastic processes 2022-23]]<br /> <br /> [https://github.com/xenakas/dsba_ecm_2022 Elements of Econometrics]<br /> <br /> ||<br /> <br /> '''ПМИ'''<br /> <br /> [[OWF2022 | Односторонние функции и их применения]]<br /> <br /> [[InfTheory2022 | Теория информации]]<br /> <br /> [[ Функциональное_программирование_22-23 | Функциональное программирование ]]<br /> <br /> [[ Основы_тензорных_вычислений_(2022/2023) | Основы тензорных вычислений ]]<br /> <br /> '''ПМИ / МОП'''<br /> <br /> [[НИС_Машинное_обучение_и_приложения_4_курс_2022/2023 | НИС Машинное обучение и приложения 4 курс]] <br /> <br /> [[Глубинное_обучение_2022 | Глубинное обучение]]<br /> <br /> [[Глубинное_обучение_в_анализе_графовых_данных_22/23 | Глубинное обучение в анализе графовых данных]]<br /> <br /> '''ПИ'''<br /> <br /> '''ПАД'''<br /> <br /> [[ Statistics4MR-2022-23 | Statistics for Market Research 2022-23]]<br /> <br /> ||<br /> <br /> [[Майнор_Биоинформатика_1_год_2022/23 | Биоинформатика 1 год 2022/23]]<br /> <br /> [[Майнор Биоинформатика 2 год 2022/23 | Биоинформатика 2 год]]<br /> <br /> [[Основы_глубинного_обучения | Основы глубинного обучения (майнор ИАД)]]<br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> <br /> === 1 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> |-<br /> | [[Цифровая грамотность для международных отношений 22/23 | Цифровая грамотность для международных отношений 22/23]]&lt;br /&gt; || || ||<br /> <br /> |-<br /> | [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] || || ||<br /> <br /> |-<br /> | [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] || || ||<br /> <br /> |-<br /> | [[ ссылка | Анализ данных]] || Медиакоммуникации, Журналистика || 2 курс || 1-2 модуль<br /> |}<br /> <br /> == Курсы магистратуры ФКН ==<br /> {| class=&quot;wikitable&quot; <br /> |-<br /> | [[Ликбез_разработчика_(2022) | Ликбез разработчика]] || Машинное обучение и высоконагруженные системы|| 1 year<br /> |-<br /> | [[RecSys_2022_2023 | Рекомендательные системы]] || ФТИАД || 2 year<br /> |-<br /> |}<br /> <br /> == Курсы других факультетов ==<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! Дисциплина !! Курс !! Период<br /> |-<br /> | [[econ_probability_2022-23|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 1-4 модуль<br /> |-<br /> | [[econ_dynamic_opt_2022-23|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль<br /> |-<br /> | [[icef-dse-2022-23|Data Science for Economics 2022-23]] ||icef, 3-4 year || 1-2 module<br /> |-<br /> | [[Лицей ВШЭ. Практикум по программированию 10 класс 2022-23 | Лицей ВШЭ. Практикум по программированию 10 класс]] || Лицей ВШЭ || 10 класс<br /> |-<br /> |}<br /> <br /> = Архив =<br /> <br /> == Курсы за 2021/22 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> <br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> '''ПМИ'''<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2021/2022_(пилотный_поток) | Линейная алгебра и геометрия (пилотный_поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2021/2022_(основной_поток) | Линейная алгебра и геометрия (основной поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2021/2022_(пилотный_поток) | Алгебра (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2021/2022_(основной_поток) | Алгебра (основной поток)]]<br /> <br /> [[Математический_Анализ_1_на_ПМИ_2021/2022_(пилотный_поток) | Математический анализ 1 (пилотный поток)]]<br /> <br /> [[Математический_анализ_1_2021/2022_(основной_поток) | Математический анализ-1 (основной поток)]]<br /> <br /> [[DM1-2021-22 | Дискретная математика]]<br /> <br /> [http://wiki.cs.hse.ru/Основы_и_методология_программирования_на_ПМИ_2021/2022_(основной_поток) Основы и методология программирования 2021/2022 (основной поток)]<br /> <br /> [[Алгоритмы и структуры данных пилотный поток 2021/2022 | Алгоритмы и структуры данных пилотный поток 2021/2022]]<br /> <br /> [[Алгоритмы и структуры данных 1 основной поток 2021/2022 (4 модуль) | Алгоритмы и структуры данных 1 основной поток 2021/2022 (4 модуль)]]<br /> <br /> '''ПИ'''<br /> <br /> [[DM1-SE-2021-22 | Дискретная математика-1 ПИ]]<br /> <br /> [http://hsealgebra22.wikidot.com/ Алгебра 2021/2022 ПИ wikidot]<br /> <br /> [[Алгебра 2021/2022 ПИ | Алгебра 2021/2022 ПИ]]<br /> <br /> '''ПАД'''<br /> <br /> [[Algebra_DSBA_2021/2022 | Algebra DSBA]]<br /> <br /> [[Discrete Mathematics DSBA 2021/2022 | Discrete Mathematics (DSBA)]]<br /> <br /> [[LAaG DSBA 2021/2022 | LAaG (DSBA)]]<br /> <br /> [[Calculus DSBA 2021/2022 | Calculus (DSBA)]]<br /> <br /> [[Introduction to Programming DSBA 2021/2022 | Introduction to Programming (DSBA)]]<br /> <br /> '''КНАД'''<br /> <br /> [[Математический_анализ_(КНАД) | Математический анализ (КНАД)]]<br /> <br /> [[Линейная алгебра_(КНАД) | Линейная алгебра (КНАД)]]<br /> <br /> [[Программирование_на_Python | Программирование на Python (КНАД)]]<br /> <br /> [[Дискретная_математика_КНАД | Дискретная математика (КНАД)]]<br /> <br /> [[Алгоритмы и структуры данных-1 2021/2022 4 модуль (КНАД) | Алгоритмы и структуры данных (КНАД)]]<br /> <br /> [[Программирование_на_С++_КНАД | Программирование на С++ (КНАД)]]<br /> <br /> [[Python_для_сбора_и_анализа_данных_КНАД | Python для сбора и анализа данных (КНАД)]]<br /> <br /> [[ИПР_КНАД_22 | Инструменты промышленной разработки (КНАД)]]<br /> <br /> ||<br /> <br /> '''ПМИ'''<br /> <br /> [[Теория_вероятностей_и_математическая_статистика_2021/2022_(пилотный_поток)| ТВиМС (пилотный поток)]]<br /> <br /> [[Теория_вероятностей_2021/2022_(основной_поток)| ТВиМС (основной поток)]]<br /> <br /> [[Математический анализ 2021/2022 (пилотный поток) | Математический анализ - 2 (пилотный поток)]]<br /> <br /> [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)]<br /> <br /> [[Математический_анализ_-_2.2_(2021/22) | Математический анализ - 2.2 (основной поток)]]<br /> <br /> [[MissingSemester2021/2022 | Инструменты промышленной разработки (The Missing Semester of your CS education)]]<br /> <br /> [[Язык программирования C++ (углубленный курс) | Язык программирования C++ (углубленный курс)]]<br /> <br /> [[Математическая логика | Математическая логика]]<br /> <br /> [[Дифференциальные уравнения (ПМИ)]]<br /> <br /> [[Алгоритмы и структуры данных 2 2021 | Алгоритмы и структуры данных 2]]<br /> <br /> [[Алгоритмы_и_структуры_данных_пилотный_поток_2020/2021 | Алгоритмы и структуры данных – 2 на ПМИ (пилотный поток)]]<br /> <br /> [[CAOS-2021 | Архитектура компьютеров и операционные системы]]<br /> <br /> [[Основы_матричных_вычислений_2021/2022| Основы матричных вычислений 2021/2022]]<br /> <br /> <br /> '''ПИ'''<br /> <br /> [[Алгоритмы и структуры данных на ПИ 2021/2022 | Алгоритмы и структуры данных на ПИ]]<br /> <br /> [[Теория вероятностей и математическая статистика 2021-2022 | Теория вероятностей и математическая статистика]]<br /> <br /> [[НИС Методы и алгоритмы защиты информации | НИС Методы и алгоритмы защиты информации]]<br /> <br /> '''ПАД'''<br /> <br /> [[Discrete Mathematics 2 DSBA 2021/2022 | Discrete Mathematics 2 (DSBA)]]<br /> <br /> [[Business_and_Management_in_Global_Context_2021/22 | Business and Management in Global Context (DSBA)]]<br /> <br /> [[Statistics_DSBA_2021/2022 | Probability and Statistics (DSBA)]]<br /> <br /> [[Differential_Equations_2021 | Differential Equations ]]<br /> <br /> [[ACOS_DSBA_2021/2022 | Computer Architecture and Operating Systems (DSBA)]]<br /> <br /> ||<br /> <br /> [https://www.notion.so/2021-2022-7374a6eeced2434288226a339bd5037f Курсовая работа]<br /> <br /> '''ПМИ'''<br /> <br /> [[Intro_to_DL_21/22 | Introduction to Deep Learning 21/22 ]]<br /> <br /> [[Безопасность_компьютерных_систем_21/22 | Безопасность компьютерных систем 21/22]]<br /> <br /> [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)]<br /> <br /> [[Методы_оптимизации_21/22 | Методы оптимизации 21/22]]<br /> <br /> [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]<br /> <br /> [http://wiki.cs.hse.ru/NIS-TCS-20-21 НИС Теоретическая информатика]<br /> <br /> [[time_series_modelling_21_22 | Моделирование временных рядов 21/22]]<br /> <br /> [[Анализ данных в бизнесе (Кафедра SAS) 21/22 | Анализ данных в бизнесе (Кафедра SAS) 21/22]]<br /> <br /> [[Comb2021_2022 | Комбинаторные конструкции в теоретической информатике]]<br /> <br /> [[Машинное_обучение_1/2021_2022 | Машинное обучение 1]]<br /> <br /> [[Theory of Computation 2021 | Theory of Computation]]<br /> <br /> [http://math-info.hse.ru/s21/8 Прикладные дифференциальные уравнения]<br /> <br /> [[Сбор_и_разметка_данных_для_машинного_обучения_21/22 | Сбор и разметка данных для машинного обучения 21/22]]<br /> <br /> [[Промышленное_программирование_на_языке_Java/2022 | Промышленное программирование на языке Java]]<br /> <br /> '''ПМИ / PC'''<br /> <br /> [https://osukhoroslov-hse.notion.site/5ca71a3b2b17452599f169468df43408 НИС Распределенные системы]<br /> <br /> [[Database_Systems_2022 | Database Systems 2022]]<br /> <br /> [https://osukhoroslov-hse.notion.site/082aef7073a844afa4c1bf718a773d77 Распределенные системы]<br /> <br /> [https://naorlov.notion.site/naorlov/Nets-2021-51931594039e40aeb9102b784d7a8e70 Компьютерные сети]<br /> <br /> '''ПМИ / МОП'''<br /> <br /> [[Машинное_обучение_2 | Машинное обучение 2]]<br /> <br /> [[Методы оптимизации в машинном обучении 2022| Методы оптимизации в машинном обучении 2022]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_3_курс_2021/2022 | НИС Машинное обучение и приложения 3 курс]]<br /> <br /> [http://wiki.cs.hse.ru/Psmo_21_22 Прикладная статистика в машинном обучении 21/22]<br /> <br /> [[Statistical_learning_theory_2021 | Statistical learning theory]]<br /> <br /> '''ПИ'''<br /> <br /> [[ML4SE_1 | НИС Машинное обучение для программной инженерии]]<br /> <br /> [[Технологии прикладного анализа данных SAS | Технологии прикладного анализа данных SAS]]<br /> <br /> '''ПАД'''<br /> <br /> [http://wiki.cs.hse.ru/Time_Series_and_Stochastic_Processes_ada_21_22 Time series and stochastic processes 2021-22]<br /> <br /> [https://github.com/xenakas/dsba_ecm_2021 Elements of Econometrics ]<br /> <br /> [[Data Science Case Studies (JD SAS) 21/22 | Data Science Case Studies (JD SAS) 21/22]]<br /> <br /> [[SAS Technologies for Data Mining | SAS Technologies for Data Mining]]<br /> [[Optimization_Methods_2022 | Optimization Methods]]<br /> <br /> ||<br /> <br /> [[Введение_в_дифференциальную_геометрию_2022 | Введение в дифференциальную геометрию 2022]]<br /> <br /> [[Символьные_вычисления_21/22 | Символьные вычисления 21/22]]<br /> <br /> [[Случайные_процессы_(зима_2022) | Случайные процессы (зима 2022) ]]<br /> <br /> [[Методы_сжатия_и_передачи_медиаданных_21/22 | Методы сжатия и передачи медиаданных 21/22]]<br /> <br /> [[Теория_и_практика_онлайн-экспериментов_21/22 | Теория и практика онлайн-экспериментов 21/22]]<br /> <br /> [[Безопасность_компьютерных_систем_21/22 | Безопасность компьютерных систем 21/22]]<br /> <br /> [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]<br /> <br /> [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]<br /> <br /> [[Сбор_и_разметка_данных_для_машинного_обучения_21/22 | Сбор и разметка данных для машинного обучения 21/22]]<br /> <br /> [[Байесовские_методы_машинного_обучения_2021 | Байесовские методы машинного обучения]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_4_курс_2021/2022 | НИС Машинное обучение и приложения 4 курс]]<br /> <br /> [https://artemova.notion.site/artemova/c88a68750cff4b509699fa127be11801 Глубинное обучение для текстовых данных 2021/2022]<br /> <br /> [http://wiki.cs.hse.ru/LSML_2021/2022 Машинное обучение для больших данных 21/22]<br /> <br /> [[Эффективные системы глубинного обучения 21/22|Эффективные системы глубинного обучения]]<br /> <br /> <br /> '''ПМИ / РС'''<br /> <br /> [https://osukhoroslov-hse.notion.site/2-0cd36b67b9f64182bfeabcda9ede647a НИС Распределенные системы 2]<br /> <br /> [[msbdp_21 | Методы и системы обработки больших данных]]<br /> <br /> [https://osukhoroslov-hse.notion.site/cee4a50ac8cf4e328cefbd35cf822fa5 Облачные вычисления]<br /> <br /> '''ПМИ / ТИ'''<br /> <br /> [[InfTheory2021 | Теория информации]]<br /> <br /> [[OWF2021 | Односторонние функции и их применения]]<br /> <br /> [[ConvAppr22 | Выпуклое программирование и аппроксимационные алгоритмы ]]<br /> <br /> '''ПАД'''<br /> <br /> [[Statistics 4mr 2021-22 | Statistical Methods for Market Research (DSBA)]]<br /> <br /> [[Decision Making Strategy]]<br /> <br /> ||<br /> <br /> [[Дополнительные_главы_теории_вероятностей_2022|ДГТВ]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей-2_2021/2022|ДГТВ-2]]<br /> <br /> [[Теория_вычислений_2022|Теория вычислений]]<br /> <br /> [[NonClassicalLogics|Факультатив &quot;Неклассические логики&quot; (3 модуль)]]<br /> <br /> [[Криптография_на_решётках_21/22| Криптография на решётках]]<br /> <br /> [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]<br /> <br /> [[Майнор_Биоинформатика_2_год_2021/22|Майнор Биоинформатика 2 год 2021/22]]<br /> <br /> [[Введение_в_программирование_21/22_(майнор_ИАД) | Введение в программирование 21/22 (майнор ИАД)]]<br /> <br /> [[Основы_машинного_обучения | Основы машинного обучения (майнор ИАД)]]<br /> <br /> [[Основы_глубинного_обучения/2021_2022 | Основы глубинного обучения (майнор ИАД)]]<br /> <br /> [[Прикладные_задачи_анализа_данных | Прикладные задачи анализа данных (майнор ИАД)]]<br /> <br /> [[Функциональное_программирование_2019 | Функциональное программирование 2021]]<br /> <br /> [[KotlinElective|Факультатив &quot;Язык Kotlin&quot; (ноя-дек 2021)]]<br /> <br /> [[Dopglavy_DM_2022| Дополнительные главы дискретной математики]]<br /> <br /> [[Факультатив_Data_Science_в_игровой_индустрии_(SAS) | Факультатив Data Science в игровой индустрии (SAS)]]<br /> <br /> [[Факультатив_Анализ_данных_на_платформе_SAS | Факультатив Анализ данных на платформе SAS]]<br /> <br /> [https://rroll.to/2D8yXl Основы и методология пикапа на ПМИ 2021/2022]<br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> <br /> === 2 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> |-<br /> | [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<br /> |-<br /> | [http://wiki.cs.hse.ru/Программирование_на_Python_деп_медиа_2022 Программирование на языке Python] || Журналистика и Медиакоммуникации || 1 курс || 3 модуль<br /> |-<br /> | [http://wiki.cs.hse.ru/Python_для_ОП_%22Психология%22_2021/2022 Программирование на языке Python] ||Психология || 1 курс || 3-4 модуль<br /> |-<br /> | [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<br /> |-<br /> | [[Культура работы с данными]] ||Иностранные языки и межкультурная коммуникация || 1 курс || 3-4 модуль<br /> |-<br /> | [[Машинное обучение на матфаке 2022|Машинное обучение]] || Математика || 3-4 модули || 3-4 модули <br /> |-<br /> | [[Введение_в_МО_БИ_21/22| Введение в машинное обучение]] || Бизнес-информатика || 3 курс || 3-4 модули <br /> |-<br /> | [[Excel для анализа данных 21-22]] || Иностранные языки и межкультурная коммуникация || 4 курс || 3 модуль<br /> |-<br /> | [[Введение в Data Science 21-22]] || УБ и МиРА || 2 курс || 4 модуль<br /> |-<br /> | [[Основы программирования в Python (Мирэк) 2022 | Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модуль<br /> |-<br /> |[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<br /> |-<br /> | [http://wiki.cs.hse.ru/Цифровая_грамотность_Городское_планирование_2021-2022 Цифровая грамотность] || Городское планирование || 1 курс || 4 модуль<br /> |}<br /> <br /> === 1 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> |-<br /> | [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<br /> |-<br /> | [[Цифровая грамотность, Востоковедение 2021/2022| Цифровая грамотность]] || Востоковедение || 1 курс || 1-2 модули<br /> |-<br /> |[[Цифровая Грамотность ИКВиА 2021/2022 | Цифровая грамотность]] || ИКВиА || 1 курс || 1-2 модули<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [http://wiki.cs.hse.ru/Цифровая_грамотность_Филология_2021/2022 Цифровая грамотность] || Филология || 1 курс || 1-2 модули<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [http://wiki.cs.hse.ru/Цифровая_грамотность_Философия_2021/2022 Цифровая грамотность] || Философия || 1 курс || 1-2 модуль<br /> |-<br /> | [http://wiki.cs.hse.ru/Основы_программирования_на_Python_осень_2021_матфак Основы программирования на Python] || Математика || 3 курс || 1-2 модули<br /> |-<br /> | [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<br /> |- <br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [[Программирование_ЭкСтат_ГП | Программирование на языке Python ]] || Городское планирование, Экономика и статистика || 3 курс || 1-2 модули<br /> |-<br /> | [[Основы анализа данных в международных отношениях 2021/2022 | Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | <br /> || Бакалавриат НИУ ВШЭ и Лондонского университета || 3 курс || 1-2 модули<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [https://github.com/daria-sa/NNmethods_ba_hse21-22/ Нейросетевые методы в обработке текстов] || Фундаментальная и компьютерная лингвистика || 4 курс || 1, 2, 3 модули<br /> |-<br /> <br /> <br /> |}<br /> <br /> == Курсы магистратуры ФКН ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | [[Modern_Data_Analysis_2021_2022 | Modern Data Analysis]] || Data Science (Науки о данных) || 2 year<br /> |-<br /> | [[Project_Seminar_2021_2022 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 year<br /> |-<br /> | [[Theory of Computation 2021 | Theory of Computation]] || Науки о данных, специализация ТИ || 1 year<br /> |-<br /> | [[ConvAppr22 | Выпуклое программирование и аппроксимационные алгоритмы ]] || Науки о данных, специализация ТИ || 1 year<br /> |-<br /> | [[RecSys_2021_2022 | Рекомендательные системы]] || ФТИАД || 2 year<br /> |-<br /> | [[Stochastic_analysis_2021_2022 | Стохастический анализ 2021-2022]] || Math of Machine Learning || 1 year<br /> |-<br /> | [[Reinforcement_learning_2021_2022 | Математические основы обучения с подкреплением 2021-2022]] || Math of Machine Learning || 2 year<br /> |-<br /> | [[Theoretical_Computer_Science_2022 | Theoretical computer science 2021-2022]] || Theoretical computer science || PhD<br /> |-<br /> | [[Машинное_обучение_(современные_методы)-МОиВС-2021-2022 | Машинное обучение (современные методы)]] || Машинное обучение и высоконагруженные системы|| 1 year<br /> |-<br /> | [[Алгоритмы_и_структуры_данных-МОиВС-2021-2022 | Алгоритмы и структуры данных]] || Машинное обучение и высоконагруженные системы|| 1 year<br /> |-<br /> | [[Основы_промышленной_разработки-МОиВС-2021-2022 | Основы промышленной разработки]] || Машинное обучение и высоконагруженные системы|| 1 year<br /> |-<br /> | [[Глубинное обучение-МОиВС-2022-2023 | Глубинное обучение]] || Машинное обучение и высоконагруженные системы|| 1 year<br /> |-<br /> |}<br /> <br /> == Курсы других факультетов ==<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! Дисциплина !! Курс !! Период<br /> |-<br /> | [http://wiki.cs.hse.ru/Econ_probability_2021-22 Теория вероятностей и математическая статистика] || фэн, 2 курс || 1-4 модуль<br /> |-<br /> | [[Динамическая оптимизация в экономике и финансах, фэн, 2021/22|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль<br /> |-<br /> |}<br /> <br /> = Архив до 2020/21 учебного года включительно =<br /> [[Wiki ФКН/Архив]]</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%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&diff=61213 2021-11-10T08:43:56Z

<p>Marina Ananyeva: /* Ссылки на видеозаписи занятий */</p> <hr /> <div>== О курсе ==<br /> <br /> '''Преподаватели:'''<br /> <br /> Лекции - Кантонистова Елена Олеговна<br /> <br /> Семинары - Кантонистова Елена Олеговна, Ананьева Марина Евгеньевна, Липатов Иван Константинович<br /> <br /> === Лекции и семинары ===<br /> Канал курса: https://t.me/ml_econom<br /> <br /> Лекции проводятся в Zoom по вторникам в 13:00: [https://zoom.us/j/98602374366?pwd=RTZmTnJOYTV2OEpPVitQNTRPR0FwQT09 Zoom]<br /> <br /> Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_Econom_2021-2022<br /> <br /> === Ссылки на видеозаписи занятий ===<br /> Записи лекций и семинаров: https://www.youtube.com/playlist?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db &lt;br&gt;<br /> <br /> === Как связаться с преподавателями и куда сдавать домашки ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br /> |-<br /> | Понедельник 9:30 || offline in R612 || [https://telegram.me/vgodie Иван Липатов] || [https://t.me/Savely_Prokhorov Савелий Прохоров] || ra2bp0A || [https://t.me/joinchat/9CNMwhLK8xk1Nzky Чат МО ФЭН1]<br /> |-<br /> | Вторник 14:40 || [https://zoom.us/j/96213248808?pwd=SGIyQ1VYVnUwdFlQNjRUSTVBMW41Zz09 Zoom] || [https://telegram.me/murr4a Елена Кантонистова] || [https://t.me/NikPatov Никита Патов], [https://t.me/JYakhina Юлия Яхина] || bOfb5f1 || [https://t.me/joinchat/Q7VxeQYxw1c5YWUy Чат МО ФЭН2]<br /> |-<br /> | Среда 9:30 || [https://zoom.us/j/97313453096?pwd=ZHhNaTdLTDIwM3BkVklNRk5Rb0ZMdz09 Zoom] || [https://telegram.me/ananyevame Марина Ананьева] || [https://telegram.me/masstermax Максим Гудзикевич] || WssQgOY || <br /> [https://t.me/joinchat/ugMZ2TOgix1jOGJi Чат МО ФЭН3]<br /> |}<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> <br /> * самостоятельные работы на семинарах (пятиминутки);<br /> <br /> * коллоквиум в сессию первого модуля (письменный);<br /> <br /> * домашние задания (в том числе соревнование на Kaggle);<br /> <br /> * экзамен в сессию второго модуля (письменный).<br /> <br /> Все работы оцениваются в 10 баллов. <br /> <br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> '''0.3 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.3 * Экзамен'''<br /> <br /> <br /> * Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br /> <br /> * 20% слушателей с наибольшим накопленным баллом получают автоматом 10 баллов за курс.<br /> <br /> == Коллоквиум ==<br /> Коллоквиум будет проходить в сессию первого модуля 22.10.2021 (Пт) на первой паре в 9:30.&lt;br /&gt;<br /> Онлайн (в зуме), в письменной форме (на листочке). <br /> <br /> Общая информация:<br /> * Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на загрузку решения в Anytask. <br /> * Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br /> * Если мы заподозрим, что вы списали, то и вы, и человек, поделившийся решением, получаете 0 баллов. В случае, если вы не согласны с обвинениями в списывании, вы можете защитить работу устно: в этом случае мы спросим решение абсолютно любого задания из вашей работы, а также можем попросить решить похожее задание не из варианта коллоквиума.<br /> <br /> Описание заданий:<br /> * В заданиях 1 и 2 (''с выбором вариантов ответа'') необходимо указать варианты ответов, которые считаете верными, а также кратко обосновать, почему указанные варианты ответов верные, а остальные - нет. <br /> * В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br /> * В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br /> * В задании 5 (''задание на написание кода'') старайтесь писать понятный код с интерпретируемыми обозначениями и названиями. Код пишется на листочке с комментариями. За ошибки в синтаксисе баллы '''НЕ''' снижаем.<br /> <br /> Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br /> <br /> Запись консультации здесь: [https://youtu.be/4Dr2VaGIphI?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db YouTube]<br /> <br /> == Экзамен ==<br /> <br /> Экзамен будет проходить в сессию второго модуля. Экзамен проходит в письменном виде.<br /> <br /> Подробности будут объявлены позже.<br /> <br /> == Лекции ==<br /> Материалы лекций: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Лекции<br /> <br /> Плейлист с лекциями и семинарами: https://youtube.com/playlist?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db<br /> <br /> <br /> <br /> '''[https://youtu.be/Q8erA797Cj4?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 1].''' ''(03.09.2021)'' Введение в машинное обучение. | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_1.pdf Lecture1.pdf]<br /> <br /> '''[https://youtu.be/gOV84c2xJ54?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 2].''' ''(07.09.2021)'' Линейная регрессия, градиентный спуск. | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_2.pdf Lecture2.pdf] <br /> <br /> '''[https://youtu.be/mc-Kx2BpZ9A?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 3].''' ''(14.09.2021)'' Метрики качества регрессии. | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_3.pdf Lecture3.pdf]<br /> <br /> '''[https://youtu.be/awIum_AOtss?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 4].''' ''(21.09.2021)'' Линейные классификаторы (1). | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_4.pdf Lecture4.pdf]<br /> <br /> '''[https://youtu.be/hM64I2xcirM?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 5].''' ''(28.09.2021)'' Линейные классификаторы (2). | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_5.pdf Lecture5.pdf]<br /> <br /> '''[https://youtu.be/dznJjpgJk1M?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 6].''' ''(05.10.2021)'' Многоклассовая классификация. Нелинейные модели. Калибровка вероятностей. | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_6.pdf Lecture6.pdf]<br /> <br /> '''[https://youtu.be/Amm-LR9OkL0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 7].''' ''(12.10.2021)'' Снижение размерности | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_7.pdf Lecture7.pdf]<br /> <br /> '''[https://youtu.be/vyIdAjcOFrE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 8].''' ''(26.10.2021)'' kNN, Решающие деревья | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_8.pdf Lecture8.pdf]<br /> <br /> '''[https://youtu.be/X4arg_OLxUk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 9].''' ''(02.11.2021)'' Композиции моделей. Разложение ошибки. Бэггинг. Случайный лес | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_9.pdf Lecture9.pdf]<br /> <br /> '''Лекция 10.''' Бэггинг<br /> <br /> '''Лекция 11.''' Бустинг<br /> <br /> '''Лекция 12.''' Временные ряды.<br /> <br /> '''Лекция 13.''' Кластеризация и визуализация данных.<br /> <br /> '''Лекция 14.''' Введение в нейронные сети.<br /> <br /> == Семинары ==<br /> Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары<br /> <br /> Общий плейлист видео с семинаров и лекций: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db YouTube]<br /> <br /> <br /> '''Семинар 1.''' Основы линейной алгебры и матричного дифференцирования | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%201 GitHub]<br /> * [https://youtu.be/u39ejhACAZ4?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 07.09.2021)]<br /> * [https://youtu.be/p1SMO3CvZVY?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 08.09.2021)]<br /> <br /> '''Семинар 2.''' Одномерная регрессия ручками, градиентный спуск | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%202 GitHub]<br /> * [https://youtu.be/nGAQ0EpYehg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 13.09.2021)]<br /> * [https://youtu.be/S_fT6bFqqlg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 14.09.2021)]<br /> * [https://youtu.be/LXoZIWqpHlI?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 15.09.2021)]<br /> <br /> '''Семинар 3.''' Вывод оптимальных констант некоторых функций потерь. Обсуждение предобработки данных | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Семинары/Семинар%203/Seminar_3.ipynb GitHub]<br /> * [https://youtu.be/99eArGD_dsA?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 20.09.2021)]<br /> * [https://youtu.be/IVD1m1o7Nqc?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 21.09.2021)]<br /> * [https://youtu.be/lMv5Ge3yiO8?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 22.09.2021)]<br /> <br /> '''Семинар 4.''' Задача бинарной классификации, Подготовка данных. | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%204 GitHub]<br /> * [https://youtu.be/C1eGH3VYKRA?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 27.09.2021)]<br /> * [https://youtu.be/QUidNWC4e9U?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 28.09.2021)]<br /> * [https://youtu.be/-1TC5mjn7uk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 29.09.2021)]<br /> <br /> '''Семинар 5.''' Теоретические задачи на персептрон и логистическую регрессию | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%205 GitHub]<br /> * [https://youtu.be/W8d-h2yco4E?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 04.10.2021)]<br /> * [https://youtu.be/QlyJUvEtslg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 05.10.2021)]<br /> * [https://youtu.be/KwLCh6tM9XI?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Пт, 08.10.2021)]<br /> <br /> '''Семинар 6.''' Решение теоретико-практических задач | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%206 GitHub]<br /> * [https://youtu.be/y_44m-JoWQ0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 11.10.2021)]<br /> * [https://youtu.be/X7_Cegs_5x0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 12.10.2021)]<br /> * [https://youtu.be/8WV9TYO-5HU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 13.10.2021)]<br /> <br /> '''Семинар 7.''' Обсуждение feature extraction и feature selection | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%207 GitHub]<br /> * [https://youtu.be/kVUmTAAHFpE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 25.10.2021)]<br /> * [https://youtu.be/84HwYIJ8aDU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 26.10.2021)]<br /> * [https://youtu.be/PnOBx0xABS0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 27.10.2021)]<br /> <br /> '''Семинар 8.''' Решающие деревья | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Семинары/Семинар%208/Seminar8.ipynb GitHub]<br /> * [https://youtu.be/JPv1IVmJlNk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 01.11.2021)]<br /> * [https://youtu.be/OyJcXAyoz6k?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 02.11.2021)]<br /> * [https://youtu.be/y6SwYYKFlrg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 03.11.2021)]<br /> <br /> '''Семинар 9.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 10.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 11.''' Бустинг и его имплементации<br /> <br /> '''Семинар 12.''' Catboost<br /> <br /> '''Семинар 13.''' Временные ряды<br /> <br /> '''Семинар 14.''' Кластеризация<br /> <br /> == Домашние задания ==<br /> На курсе планируется 7 домашних заданий. Формула вычисления итоговой оценки: взвешенное среднее из 6 домашних заданий с максимальными баллами.<br /> <br /> Каждое домашнее задание имеет индивидуальный вес, который будет появляться одновременно с появлением очередного домашнего задания.<br /> <br /> Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/ Anytask]. <br /> <br /> '''Домашняя работа 1.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/%D0%94%D0%BE%D0%BC%D0%B0%D1%88%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B4%D0%B0%D0%BD%D0%B8%D1%8F/Homework_1.ipynb Линейная регрессия и векторное дифференцирование] | Дедлайн - ''29 сентября в 23:59''<br /> <br /> '''Домашняя работа 2.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Домашние%20задания/HW2/homework2.ipynb ML Pipeline] | Дедлайн - ''13 октября в 23:59''<br /> <br /> '''Домашняя работа 3.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW3 Модели классификации и оценка их качества] | Дедлайн - ''&lt;s&gt;31 октября в 23:59&lt;/s&gt;'' ''7 ноября в 23:59''<br /> <br /> '''Домашняя работа 4.'''<br /> <br /> '''Домашняя работа 5.'''<br /> <br /> '''Домашняя работа 6.'''<br /> <br /> '''Домашняя работа 7.'''<br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br /> * Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=Wiki_%D0%A4%D0%9A%D0%9D&diff=61212 2021-11-10T08:43:25Z

<p>Marina Ananyeva: /* 1 семестр */</p> <hr /> <div>__NOTOC__ <br /> <br /> = Учебные курсы факультета компьютерных наук =<br /> <br /> <br /> == Курсы за 2021/22 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> '''ПМИ'''<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2021/2022_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный_поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2021/2022_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Математический_Анализ_1_на_ПМИ_2021/2022_(пилотный_поток) | Математический анализ 1 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_1_2021/2022_(основной_поток) | Математический анализ-1 на ПМИ (основной поток)]]<br /> <br /> [[DM1-2021-22 | Дискретная математика на ПМИ]]<br /> <br /> [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)]<br /> <br /> [[Алгоритмы и структуры данных пилотный поток 2021/2022 | Алгоритмы и структуры данных пилотный поток 2021/2022]]<br /> <br /> [[Алгоритмы и структуры данных 1 основной поток 2021/2022 | Алгоритмы и структуры данных 1 основной поток 2021/2022]]<br /> <br /> [[Основы_и_методология_пикапа_на_ПМИ_2021/2022 | Основы и методология пикапа на ПМИ 2021/2022]]<br /> <br /> '''ПИ'''<br /> <br /> [[DM1-SE-2021-22 | Дискретная математика-1 ПИ]]<br /> <br /> [http://hsealgebra22.wikidot.com/ Алгебра 2021/2022 ПИ]<br /> <br /> '''ПАД'''<br /> <br /> [[Discrete Mathematics DSBA 2021/2022 | Discrete Mathematics (DSBA)]]<br /> <br /> [[LAaG DSBA 2021/2022 | LAaG (DSBA)]]<br /> <br /> [[Calculus DSBA 2021/2022 | Calculus (DSBA)]]<br /> <br /> [[Introduction to Programming DSBA 2021/2022 | Introduction to Programming (DSBA)]]<br /> <br /> '''КНАД'''<br /> <br /> [[Математический_анализ_(КНАД) | Математический анализ (КНАД)]]<br /> <br /> [[Линейная алгебра_(КНАД) | Линейная алгебра (КНАД)]]<br /> <br /> [[Программирование_на_Python | Программирование на Python (КНАД)]]<br /> <br /> [[Дискретная_математика_КНАД | Дискретная математика (КНАД)]]<br /> <br /> [[Алгоритмы и структуры данных 1 основной поток 2021/2022 | Алгоритмы и структуры данных (КНАД)]]<br /> <br /> ||<br /> <br /> '''ПМИ'''<br /> <br /> [[Теория_вероятностей_и_математическая_статистика_2021/2022_(пилотный_поток)| ТВиМС (пилотный поток)]]<br /> <br /> [[Теория_вероятностей_2021/2022_(основной_поток)| ТВиМС (основной поток)]]<br /> <br /> [[Математический анализ 2021/2022 (пилотный поток) | Математический анализ - 2 (пилотный поток)]]<br /> <br /> [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 (основной поток)]<br /> <br /> [[MissingSemester2021/2022 | Инструменты промышленной разработки (The Missing Semester of your CS education)]]<br /> <br /> [[Язык программирования C++ (углубленный курс) | Язык программирования C++ (углубленный курс)]]<br /> <br /> [[Математическая логика | Математическая логика]]<br /> <br /> [[Алгоритмы и структуры данных 2 2021 | Алгоритмы и структуры данных 2]]<br /> <br /> [[Алгоритмы_и_структуры_данных_пилотный_поток_2020/2021 | Алгоритмы и структуры данных – 2 на ПМИ (пилотный поток)]]<br /> <br /> [[CAOS-2021 | Архитектура компьютеров и операционные системы]]<br /> <br /> '''ПИ'''<br /> <br /> [[Алгоритмы и структуры данных на ПИ 2021/2022 | Алгоритмы и структуры данных на ПИ]]<br /> <br /> [[Теория вероятностей и математическая статистика 2021-2022 | Теория вероятностей и математическая статистика]]<br /> <br /> [[НИС Методы и алгоритмы защиты информации | НИС Методы и алгоритмы защиты информации]]<br /> <br /> '''ПАД'''<br /> <br /> [[Discrete Mathematics 2 DSBA 2021/2022 | Discrete Mathematics 2 (DSBA)]]<br /> <br /> [[Business_and_Management_in_Global_Context_2021/22 | Business and Management in Global Context (DSBA)]]<br /> <br /> [[Statistics_DSBA_2021/2022 | Probability and Statistics (DSBA)]]<br /> <br /> ||<br /> <br /> [[Безопасность_компьютерных_систем_21/22 | Безопасность компьютерных систем 21/22]]<br /> <br /> [https://www.notion.so/2021-2022-7374a6eeced2434288226a339bd5037f Курсовая работа]<br /> <br /> '''ПМИ'''<br /> <br /> [[Машинное_обучение_1 | Машинное обучение 1]]<br /> <br /> [[Theory of Computation 2021 | Theory of Computation]]<br /> <br /> [https://osukhoroslov-hse.notion.site/082aef7073a844afa4c1bf718a773d77 Распределенные системы]<br /> <br /> [https://naorlov.notion.site/naorlov/Nets-2021-51931594039e40aeb9102b784d7a8e70 Компьютерные сети]<br /> <br /> [http://math-info.hse.ru/s21/8 Прикладные дифференциальные уравнения]<br /> <br /> [https://osukhoroslov-hse.notion.site/5ca71a3b2b17452599f169468df43408 НИС Распределенные системы]<br /> <br /> [http://wiki.cs.hse.ru/NIS-TCS-20-21 НИС Теоретическая информатика]<br /> <br /> [[Сбор_и_разметка_данных_для_машинного_обучения_21/22 | Сбор и разметка данных для машинного обучения 21/22]]<br /> <br /> [[time_series_modelling_21_22 | Моделирование временных рядов 21/22]]<br /> <br /> '''ПМИ / МОП'''<br /> <br /> [http://wiki.cs.hse.ru/Psmo_21_22 Прикладная статистика в машинном обучении 21/22]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_3_курс_2021/2022 | НИС Машинное обучение и приложения 3 курс]]<br /> <br /> [[Statistical_learning_theory_2021 | Statistical learning theory]]<br /> <br /> '''ПИ'''<br /> <br /> [[ML4SE_1 | НИС Машинное обучение для программной инженерии]]<br /> <br /> '''ПАД'''<br /> <br /> [http://wiki.cs.hse.ru/Time_Series_and_Stochastic_Processes_ada_21_22 Time series and stochastic processes 2021-22]<br /> <br /> ||<br /> <br /> [[Безопасность_компьютерных_систем_21/22 | Безопасность компьютерных систем 21/22]]<br /> <br /> [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]<br /> <br /> [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]<br /> <br /> [[Сбор_и_разметка_данных_для_машинного_обучения_21/22 | Сбор и разметка данных для машинного обучения 21/22]]<br /> <br /> [[Байесовские_методы_машинного_обучения_2021 | Байесовские методы машинного обучения]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_4_курс_2021/2022 | НИС Машинное обучение и приложения 4 курс]]<br /> <br /> [https://artemova.notion.site/artemova/c88a68750cff4b509699fa127be11801 Глубинное обучение для текстовых данных 2021/2022]<br /> <br /> <br /> '''ПМИ / РС'''<br /> <br /> [https://osukhoroslov-hse.notion.site/2-0cd36b67b9f64182bfeabcda9ede647a НИС Распределенные системы 2]<br /> <br /> [[msbdp_21 | Методы и системы обработки больших данных]]<br /> <br /> '''ПМИ / ТИ'''<br /> <br /> [[InfTheory2021 | Теория информации]]<br /> <br /> [[OWF2021 | Односторонние функции и их применения]]<br /> <br /> '''ПАД'''<br /> <br /> [[Statistics 4mr 2021-22 | Statistical Methods for Market Research (DSBA)]]<br /> <br /> [[Decision Making Strategy]]<br /> <br /> ||<br /> [[Дополнительные_главы_теории_вероятностей-2_2021/2022|ДГТВ-2]]<br /> <br /> [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]<br /> <br /> [[Введение_в_программирование_21/22_(майнор_ИАД) | Введение в программирование 21/22 (майнор ИАД)]]<br /> <br /> [[Основы_глубинного_обучения | Основы глубинного обучения (майнор ИАД)]]<br /> <br /> [[Функциональное_программирование_2019 | Функциональное программирование 2021]]<br /> <br /> [[KotlinElective|Факультатив &quot;Язык Kotlin&quot; (ноя-дек 2021)]]<br /> <br /> [[Dopglavy_DM_2022| Дополнительные главы дискретной математики]]<br /> <br /> [[Факультатив_Data_Science_в_игровой_индустрии_(SAS) | Факультатив Data Science в игровой индустрии (SAS)]]<br /> <br /> [[Факультатив_Анализ_данных_на_платформе_SAS | Факультатив Анализ данных на платформе SAS]]<br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 1 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> |-<br /> | [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<br /> |-<br /> | [[Цифровая грамотность, Востоковедение 2021/2022| Цифровая грамотность]] || Востоковедение || 1 курс || 1-2 модули<br /> |-<br /> |[[Цифровая Грамотность ИКВиА 2021/2022 | Цифровая грамотность]] || ИКВиА || 1 курс || 1-2 модули<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [http://wiki.cs.hse.ru/Цифровая_грамотность_Филология_2021/2022 Цифровая грамотность] || Филология || 1 курс || 1-2 модули<br /> |-<br /> | [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<br /> |-<br /> | [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_2019-2020_(%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] || Медиакоммуникации || 1 курс || 1-2 модули<br /> |-<br /> | [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_2019-2020(%D1%84%D0%B8%D0%BB%D0%BE%D1%81%D0%BE%D1%84%D0%B8%D1%8F) Цифровая грамотность] || Философия || 1 курс || 1-2 модуль<br /> |-<br /> | [http://wiki.cs.hse.ru/Основы_программирования_на_Python_осень_2021_матфак Основы программирования на Python] || Математика || 3 курс || 1-2 модули<br /> |-<br /> | [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<br /> |- <br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [[Программирование_ЭкСтат_ГП | Программирование на языке Python ]] || Городское планирование, Экономика и статистика || 3 курс || 1-2 модули<br /> |-<br /> | [[Основы анализа данных в международных отношениях 2021/2022 | Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | <br /> || Бакалавриат НИУ ВШЭ и Лондонского университета || 3 курс || 1-2 модули<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> <br /> |}<br /> <br /> == Курсы магистратуры ФКН ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | [[Modern_Data_Analysis_2021_2022 | Modern Data Analysis]] || Data Science (Науки о данных) || 2 year<br /> |-<br /> | [[Project_Seminar_2021_2022 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 year<br /> |-<br /> | [[Theory of Computation 2021 | Theory of Computation]] || Науки о данных, специализация ТИ || 1 year<br /> |-<br /> | [[RecSys_2021_2022 | Рекомендательные системы]] || ФТИАД || 2 year<br /> |-<br /> | [[Stochastic_analysis_2021_2022 | Стохастический анализ 2021-2022]] || Math of Machine Learning || 1 year<br /> |-<br /> | [[Reinforcement_learning_2021_2022 | Математические основы обучения с подкреплением 2021-2022]] || Math of Machine Learning || 2 year<br /> |-<br /> |}<br /> <br /> == Курсы других факультетов ==<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! Дисциплина !! Курс !! Период<br /> |-<br /> | [http://wiki.cs.hse.ru/Econ_probability_2021-22 Теория вероятностей и математическая статистика] || фэн, 2 курс || 1-4 модуль<br /> |-<br /> | [[Динамическая оптимизация в экономике и финансах, фэн, 2021/22|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль<br /> |-<br /> |}<br /> <br /> = Архив = <br /> <br /> == Курсы за 2020/21 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> '''ПМИ'''<br /> <br /> [[Математический_анализ_1_2020/2021_(пилотный_поток) | Математический анализ-1 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_1_2020/2021_(основной_поток) | Математический анализ-1 на ПМИ (основной поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2020/2021_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2020/2021_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2020/2021_(пилотный_поток) | Алгебра (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2020/2021_(основной_поток) | Алгебра (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2020/2021_(пилотный_поток) | Основы и методология программирования на ПМИ 2020/2021 (пилотный поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2020/2021_(основной_поток)_3_модуль | Основы и методология программирования на ПМИ 2020/2021 (основной поток, III модуль)]]<br /> <br /> [[DM1-2020-21 | Дискретная математика-1 ПМИ]]<br /> <br /> [[Алгоритмы_и_структуры_данных_1_2020/2021_(4_модуль) | Алгоритмы и структуры данных – 1 (4 модуль) на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_пилотный_поток_2020/2021 | Алгоритмы и структуры данных – 1 на ПМИ (пилотный поток)]]<br /> <br /> '''ПИ'''<br /> <br /> [[DM1-SE-2020-21 | Дискретная математика-1 ПИ]]<br /> <br /> [http://hsealgebra21.wikidot.com/ Алгебра ПИ]<br /> <br /> '''ПАД'''<br /> <br /> [[Discrete_Mathematics_DSBA2020/2021 | Discrete Mathematics (DSBA) ]]<br /> <br /> [[LAaG_DSBA_2020/2021 | Linear Algebra and Geometry (DSBA)]]<br /> <br /> [[English_DSBA_2020/2021 | English DSBA (DSBA)]]<br /> <br /> [[Introduction_to_programming_DSBA_2020/2021 | Introduction to Programming (DSBA)]]<br /> <br /> [[ Calculus_2020/21 | Calculus (DSBA) ]]<br /> <br /> [[Algebra_DSBA_2020/2021 | Algebra DSBA]]<br /> <br /> [[Introduction_to_Economics_2020/21 | Introduction to Economics ]]<br /> <br /> ||<br /> '''ПМИ'''<br /> <br /> [[Теория_вероятностей_и_математическая_статистика_2020/2021_(пилотный_поток)| ТВиМС (пилотный поток)]]<br /> <br /> [[Теория_вероятностей_2020/2021_(основной_поток)| Теория вероятностей (основной поток)]]<br /> <br /> [[Математический_анализ_2020/2021_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_-_2_(основной_поток) | Математический анализ - 2 на ПМИ (основной поток)]]<br /> <br /> [[MissingSemester2020/2021 | Инструменты промышленной разработки (The Missing Semester of your CS education)]]<br /> <br /> [[АКОС ПМИ 2020/2021 | Архитектура компьютеров и операционные системы]]<br /> <br /> [[Основы матричных вычислений 2020/2021]]<br /> <br /> [[Дифференциальные уравнения (ПМИ)]]<br /> <br /> [[DM2-pilot2020/2021 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[DM2-base2020/2021 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_пилотный_поток_2019/2020 | Алгоритмы и структуры данных - 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2020/2021 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> '''ПАД'''<br /> <br /> [[Calculus-2_DSBA_2020_(ПАД) | Calculus-2 (DSBA) ]]<br /> <br /> [[Discrete_Mathematics_-_2_DSBA2020/2021 | Discrete Mathematics - 2 (DSBA)]]<br /> <br /> [[Business_and_Management_in_Global_Context_2020/21 | Business and Management in Global Context (DSBA)]]<br /> <br /> [[Principles_of_micro_and_macro-economics_2020/21 | Principles of micro and macro-economics (DSBA)]]<br /> <br /> [[Algorithms_and_data_structures_2_2020/21 | Algorithms and data structures 2 (DSBA)]]<br /> <br /> [[Statistics_DSBA_2020/2021 | Probability and Statistics (DSBA)]]<br /> <br /> [[ACOS_DSBA_2020/2021 | Computer Architecture and Operating Systems (DSBA)]]<br /> <br /> [[Differential_Equations_2021 | Differential Equations ]]<br /> <br /> ||<br /> <br /> '''ПМИ'''<br /> <br /> [[Машинное_обучение_1/2020_2021 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Прикладная статистика в машинном обучении 20/21]]<br /> <br /> [[Безопасность компьютерных систем 20/21]]<br /> <br /> [[Theory of computing, AMI]]<br /> <br /> [[Матричные вычисления 20/21]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2020/2021|НИС Машинное обучение и приложения]]<br /> <br /> [[Методы оптимизации в машинном обучении|Методы оптимизации в машинном обучении]]<br /> <br /> [[Моделирование временных рядов 20/21]]<br /> <br /> [[Высокопроизводительные вычисления 20/21]]<br /> <br /> [[ Сбор и обработка данных с помощью краудсорсинга 20/21 ]]<br /> <br /> [[ Распределённые системы ]]<br /> <br /> [[ Компьютерные сети 2021 ]]<br /> <br /> [[НИС_РС|НИС Распределенные системы]]<br /> <br /> [[Анализ данных в бизнесе (Кафедра SAS)]]<br /> <br /> [[Дополнительные главы прикладной статистики (2020/21)]]<br /> <br /> [[Comb2020_2021 | Комбинаторные конструкции в теоретической информатике]]<br /> <br /> [[Численные Методы 2021]]<br /> <br /> [[Методы оптимизации 20/21]]<br /> <br /> [[Математическое моделирование]]<br /> <br /> <br /> '''ПАД'''<br /> <br /> [[ MachineLearning1_DSBA2020 | Machine Learning 1 (DSBA)]]<br /> <br /> [[ Time_Series_and_Stochastic_Processes_ada_20_21 | Time Series and Stochastic Processes (DSBA) ]]<br /> <br /> [[ST2187 Business analytics, applied modelling and prediction | Business analytics, applied modelling and prediction (DSBA)]]<br /> <br /> [[Data_Base_2020/2021_DSBA | Data Base (DSBA)]]<br /> <br /> [[Social_History_of_Science_2020/21 | Social History of Science (DSBA)]]<br /> <br /> [[Elements_of_Econometrics_2020/21 | Elements of Econometrics (DSBA)]]<br /> <br /> [[Data Science Case Studies / Анализ данных в бизнесе (Кафедра SAS)]]<br /> <br /> [[ Optimization_methods | Optimizaton Methods (DSBA) ]]<br /> <br /> ||<br /> <br /> [[Философия_науки_2020 | Философия науки]]<br /> <br /> [[Символьные вычисления]]<br /> <br /> '''ПМИ / МОП'''<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2020/2021 | НИС Машинное обучение и приложения]]<br /> <br /> [[Глубинное обучение в обработке звука 20/21]]<br /> <br /> [[Байесовские методы машинного обучения 2020 | Байесовские методы машинного обучения]]<br /> <br /> [[Машинное обучение на больших данных 2021]]<br /> <br /> <br /> [[Генеративные модели в машинном обучении 2021 | Генеративные модели в машинном обучении 2021]]<br /> <br /> '''ПМИ / РС'''<br /> <br /> [[НИС_РС_2 | НИС Распределенные системы]]<br /> <br /> [[msbdp_20 | Методы и системы обработки больших данных]]<br /> <br /> [[ Облачные вычисления]]<br /> <br /> '''ПМИ / ТИ'''<br /> <br /> [[Statistical_learning_theory_2020 | Statistical learning theory]]<br /> <br /> [[InfTheo2020-2021|Теория информации]]<br /> <br /> [[A_Theorist's_Toolkit_2020_2021 | A Theorist's Toolkit, AMI]]<br /> <br /> ||<br /> <br /> [[ Майнор Биоинформатика 1 год ]]<br /> <br /> [[ Майнор Биоинформатика 2 год ]]<br /> <br /> <br /> [[ Введение в программирование (майнор ИАД) ]]<br /> <br /> [[Введение в анализ данных (майнор ИАД)]]<br /> <br /> [[Современные_методы_машинного_обучения|Современные методы машинного обучения (майнор ИАД)]]<br /> <br /> [[Прикладные_задачи_анализа_данных|Прикладные задачи анализа данных (майнор ИАД)]]<br /> <br /> <br /> [[ ОУФ Машинное Обучение в Питоне ]]<br /> <br /> [[ Факультатив &quot;Теория вычислений и логика&quot; (Осень 2020)]]<br /> <br /> [[dopglavy_DM_2021|Допглавы дискретной математики]]<br /> <br /> [[Adaptation_DM_20-21 |Adaptation course in DM]]<br /> <br /> [[Функциональный анализ (осень 2020)]]<br /> <br /> [[KotlinElective|Факультатив &quot;Язык Kotlin&quot; (2-3 модули)]]<br /> <br /> [[ Факультатив &quot;Теория вычислений и логика&quot; | Факультатив &quot;Теория вычислений&quot; (Весна 2021)]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей_2021 | ДГТВ]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей-3_2019/2020 | ДГТВ-3]]<br /> <br /> <br /> |}<br /> <br /> == Курсы магистратуры ФКН ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс<br /> |-<br /> | [[Stochastic_analysis_2020_2021 | Stochastic Analysis ]] || Statistical Learning Theory || 1 year<br /> |-<br /> | [[Econometrics_fall_2020 | Эконометрика ]] || ФТИАД || 1 year<br /> |-<br /> | [[Recsys_2020_2021 | Рекомендательные системы]] || ФТИАД|| 2 year<br /> |-<br /> | [[Into_to_DataMining_and_Machine_Learning_2020_2021 | Introduction to Data Mining and Machine Learning]] || Data Science (Науки о данных) || 2 year<br /> |-<br /> | [[Project_Seminar_2020_2021 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 year<br /> |-<br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 2 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> |-<br /> | [[Цифровая грамотность ИЯиМК 2020-2021|Цифровая грамотность ИЯиМК 2020-2021]] || ИЯиМК || 1 курс || 3-4 модули<br /> |-<br /> | [[Data Analysis in Python 2020-2021|Data Analysis in Python]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 2 курс || 3-4 модули<br /> |-<br /> | [[Машинное обучение на матфаке 2021 |Машинное обучение]] || Математика || 1-4 курс || 3-4 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/Анализ_данных_на_python,_фэн,_2020_spring Анализ данных на python] || Факультет экономических наук || 1 курс || 3-4 модули<br /> |-<br /> | [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 3-4 модули<br /> |-<br /> | [[Python для ОП &quot;Психология&quot; |Python для ОП &quot;Психология&quot; ]] ||Психология || 1 курс || 3-4 модули<br /> |-<br /> | [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<br /> |-<br /> | [[Цифровая грамотность История искусств 2020-2021]] || История искусств || 1 курс || 3-4 модули<br /> |-<br /> | [[Excel для анализа данных , 20-21|Excel для анализа данных , 20-21]] || ИЯиМК || 4 курс || 3 модуль<br /> |-<br /> | [[ СДиА_Матфак_1_курс_2020/2021 | Структуры данных и алгоритмы ]] || Математика || 3-4 курс || 3-4 модуль<br /> |-<br /> | [[ Python для ГМУ, 20-21 | Python для ГМУ, 2020-2021 ]] || Государственное и муниципальное управление || 1 курс || 4 модуль<br /> |-<br /> | [[ Python для ИЯиМК, 2020-2021 | Python для ИЯиМК, 2020-2021 ]] || ИЯиМК || 2 курс || 4 модуль<br /> |- <br /> | [[ Информационные технологии (факультет химии) | Информационные технологии. Data Culture ]] || Химия || 2 курс || 4 модуль<br /> |-<br /> | [[ Введение_в_анализ_данных_2021_МирЭк | Введение в анализ данных ]] || МирЭк || 1 курс || 4 модуль<br /> |-<br /> | [[ Python для анализа данных (МирЭк) 2020-2021 | Python для анализа данных ]] || МирЭк || 2 курс || 3-4 модуль<br /> |-<br /> <br /> |}<br /> <br /> === 1 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> |-<br /> | [[Основы программирования на Python осень 2020 матфак|Основы программирования на Python-1]] || Математика || 3 курс || 1-2 модули<br /> |-<br /> | [[Анализ_данных_в_Python_2020-2021|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули<br /> |-<br /> | [[Основы_анализа_и_визуализация_данных_для_медиа_2020/2021|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль<br /> |-<br /> | [[Компьютерная лингвистика и информационные технологии 2020|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули<br /> |-<br /> | [[Проектный семинар медиаком 2020|Проектный семинар]] || Медиакоммуникации || 3 курс || 1 модуль<br /> |-<br /> | [[Основы анализа и визуализации данных ДИЯ 2020-2021|Основы анализа и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 1-2 модули<br /> |-<br /> | [[Основы программирования в Python (Политология 2020)|Основы программирования в Python]] || Политология || 3 курс || 1-2 модули<br /> |-<br /> | [[Data Analysis in Journalism and Political Science 2020-2021|Data Analysis in Journalism &amp; Political Science]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 3 курс || 1 модуль<br /> |-<br /> | [[Data Analysis in Economics and Finance 2020-2021|Data Analysis in Economics &amp; Finance]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 3 курс || 1 модуль<br /> |-<br /> | [[Прикладные исследования в культурологии 2020 1модуль|Прикладные исследования в культурологии]] || Прикладная культурология || 1 курс || 1 модуль<br /> |-<br /> | [[Основы анализа данных в международных отношениях 20/21|Основы анализа данных в международных отношениях 20/21]] || Международные отношения || 2 курс || 1-2 модуль<br /> |-<br /> | [[Анализ данных в R, Социология|Анализ данных в R]] || Социология || 4 курс || 1-2 модуль<br /> |-<br /> | [[Анализ данных на python, фэн, 2020 fall|Анализ данных на Python]] || Факультет экономических наук || 2 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая грамотность, ЭиАМ|Цифровая грамотность, ЭиАМ]] || Эфиопия и арабский мир || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая грамотность, Античность|Цифровая грамотность, Античность]] || Античность || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая грамотность, ТиТМ|Цифровая грамотность, ТиТМ]] || Турция и Тюркский мир || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая грамотность История 2020/2021|Цифровая грамотность, История]] || История || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая_грамотность_2020_(Востоковедение)|Цифровая грамотность, Востоковедение]] || Востоковедение || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая_грамотность_География_2020/21|Цифровая грамотность, География]] || География || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая_грамотность_(филология)_2020|Цифровая грамотность, Филология]] || Филология|| 1 курс || 1-2 модуль<br /> |-<br /> | [[Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020)|Машинное обучение]] || Совместная программа по экономике НИУ ВШЭ и РЭШ || 3 курс || 1-2 модуль<br /> |-<br /> | [[Машинное_обучение_(ФЭН)_-_2020|Машинное обучение]] || Экономика || 3-4 курс || 1-2 модуль<br /> |-<br /> | [[Python: работа с данными и текстом|Python: работа с данными и текстом]] || Медиакоммуникации || 2-3 курс || 1-2 модуль<br /> |-<br /> | [[Phyton_для_извлечения_и_обработки_данных|Phyton для извлечения и обработки данных]] || Молекулярная и клеточная биотехнология || 1 курс || 1-2 модуль<br /> |-<br /> | [[ПМСАР-2_2020| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули<br /> |-<br /> | [[Основы_программирования_на_Python2020/2021|Основы программирования на Python]] || Экономика и статистика || 2-3 курс || 1-2 модули<br /> |-<br /> | [[Извлечение и анализ интернет-данных (2020)|Извлечение и анализ интернет-данных]] || Экономика и статистика || 2-4 курс || 2 модуль<br /> <br /> |}<br /> <br /> == Курсы других факультетов ==<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! Дисциплина !! Курс !! Период<br /> |-<br /> | [[Теория вероятностей и математическая статистика, фэн, 2020-2021|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 1-4 модуль<br /> |-<br /> | [[Эконометрика, фэн, 2020-2021|Эконометрика]] || фэн, 3 курс || 1-4 модуль <br /> |-<br /> | [[Динамическая оптимизация в экономике и финансах, фэн, 2020-2021|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль <br /> |-<br /> |}<br /> <br /> =Архив=<br /> <br /> == Курсы за 2019/20 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_1_2019/2020 | Математический анализ-1 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2019/2020_(основной_поток,_2_семестр) | Математический анализ на ПМИ (основной поток, 2 семестр)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2019/2020_(основной_поток) | Математический анализ на ПМИ (основной поток)]]<br /> <br /> [[Дискретная_математика_1_2019/2020 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2019/2020_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2019/2020_(основной_поток) | Алгебра на ПМИ (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_2019/2020 | Основы и методология программирования на ПМИ (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_1_2019/2020_(пилотный_поток) | Основы и методология программирования-1 на ПМИ (пилотный поток)]]<br /> <br /> [[Discrete_Mathematics_DSBA2019/2020 | Discrete Mathematics DSBA (ПАД)]]<br /> <br /> [[Calculus_DSBA2019/2020 | Calculus DSBA (ПАД) 1st module]]<br /> <br /> [[Calculus_DSBA2020 | Calculus DSBA (ПАД) 2nd module]]<br /> <br /> [[LAaG_DSBA_2019/2020 | Linear Algebra and Geometry (ПАД)]]<br /> <br /> [[Introduction_to_programming_DSBA_2019/2020 | Introduction to Programming (ПАД)]]<br /> <br /> [[English_DSBA_2019/2020 | English DSBA (ПАД)]]<br /> <br /> [[Algorithms_and_Data_Structures_DSBA_2020 | Algorithms and Data Structures DSBA ]]<br /> <br /> [[Algebra_DSBA_2019/2020 | Algebra DSBA]]<br /> <br /> [[Алгоритмы_и_структуры_данных_1_основной_поток_2019/202 | Алгоритмы и структуры данных-1 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_пилотный_поток_2019/2020 | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> <br /> ||<br /> <br /> <br /> <br /> [[DM2-basic2019/2020 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[DM2-pilot2019/2020 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[Теория_вероятностей_2019/2020_(основной_поток)| Теория_вероятностей_2019/2020 на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_и_математическая_статистика_2019/2020_(пилотный_поток)| ТВиМС (пилотный поток)]]<br /> <br /> [[Математический_анализ_2019/2020_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_2_2019/2020_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2019/2020 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> [[Calculus_2_2019 | Calculus-2 DBSA (ПАД)]]<br /> <br /> [[Statistics_DSBA_2019/2020 | Statistics DSBA (ПАД)]]<br /> <br /> [[DM2 | Дискретная Математика-2 (ПАД)]]<br /> <br /> [[ADS2 | Алгоритмы и Структуры Данных-2 (ПАД)]]<br /> <br /> [[Introduction_to_Economics | Introduction to Economics DSBA ]]<br /> <br /> [[Business_and_Management_in_Global_Context_2019-2020| Business and Management in Global Context DSBA ]]<br /> <br /> [[ACOS_DSBA_2019/2020 | Computer Architecture and Operating Systems (ПАД)]]<br /> <br /> [[Differential_Equations_2020 | Differential Equations DSBA ]]<br /> <br /> [[Факультатив Теория вычислений_2020 | Факультатив Теория вычислений]]<br /> <br /> [[Дифференциальные_уравнения_2020 | Дифференциальные уравнения 2020 ]]<br /> <br /> ||<br /> <br /> [[Машинное_обучение_1/2019_2020 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2/2019_2020 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Численные_Методы_2020 | Численные методы]]<br /> <br /> [[Прикладная_статистика_в_машинном_обучении(2019)|Прикладная статистика в машинном обучении]]<br /> <br /> [[Theory_of_Computing_2019_2020 | Theory of Computing, AMI]]<br /> <br /> [[Компьютерные_Сети | Компьютерные сети]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]<br /> <br /> [[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]<br /> <br /> [[Непрерывная_оптимизация_(МОП)/2020| Непрерывная оптимизация (МОП)]]<br /> <br /> [[%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) ]] <br /> <br /> [[Data_analysis_(Software_Engineering)_2020|Data Analysis]]<br /> <br /> [[Промышленное_программирование_на_языке_Java| Промышленное программирование на языке Java]]<br /> <br /> [[CCTI_2020|Сложность вычислений и логика в теоретической информатике]]<br /> <br /> ||<br /> <br /> [[InfTheo2019-2020|Теория информации]]<br /> <br /> [[Байесовские_методы_машинного_обучения_2019|Байесовские методы машинного обучения]]<br /> <br /> [[НИС Науки о данных]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]<br /> <br /> [[Философия_науки_2019|Философия науки]]<br /> <br /> [[Глубинное обучение|Глубинное обучение]]<br /> <br /> [[NLP 2019|NLP Анализ данных]]<br /> <br /> [[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]<br /> <br /> [[Генеративные_модели_в_машинном_обучении_2020|Генеративные модели в машинном обучении]]<br /> <br /> [[Компьютерные Сети 4 курс| Компьютерные сети]]<br /> <br /> [[Промышленное_программирование_на_языке_Java| Промышленное программирование на языке Java]]<br /> <br /> [[Машинное_обучение_на_больших_данных_2020|Машинное обучение на больших данных]]<br /> <br /> [[Основы_обработки_больших_данных_2020|Основы обработки больших данных]]<br /> <br /> ||<br /> [[MinorBioinformatics|Биоинформатика]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Современные_методы_машинного_обучения | Современные методы машинного обучения (ИАД)]]<br /> <br /> [[KotlinElective|Факультатив &quot;Язык Kotlin&quot; (2-3 модули)]]<br /> <br /> [[ISDElective|Факультатив &quot;Методы разработки программного обеспечения&quot; (1-2 модули)]]<br /> <br /> [[Введение в программирование (курс майнора)]]<br /> <br /> [[dopglavy_DM_1920|Допглавы дискретной математики]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей-2_2019/2020|ДГТВ-2]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей_2020|ДГТВ]]<br /> <br /> [[Введение_в_анализ_данных_(майнор_ИАД)_2019/2020|Введение в анализ данных (майнор ИАД)]]<br /> <br /> [[Прикладные_задачи_анализа_данных_(майнор_ИАД)|Прикладные задачи анализа данных (майнор ИАД)]]<br /> <br /> [[NonClassicalLogics|Факультатив &quot;Неклассические логики&quot; (3 модуль)]]<br /> <br /> |}<br /> <br /> == Курсы магистратуры ФКН ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс<br /> <br /> |-<br /> | [[Theory_of_Computing_2019_2020 | Theory of Computing]] || Науки о данных, специализация ТИ || 1 курс<br /> |-<br /> | [[Project_Seminar_2019_2020 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 курс<br /> |-<br /> | [[Stochastic_analysis_2019_2020 | Stochastic Calculus ]] || Statistical Learning Theory || 1 year<br /> |-<br /> | [[A_Theorist's_Toolkit_2019_2020 | A Theorist's Toolkit, AMI]] || Науки о данных, специализация ТИ || 1 курс<br /> |-<br /> | [[Neurobayesian_models_2020 | Neurobayesian models ]] || Statistical Learning Theory || 2 year<br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 2 семестр ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- 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<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> |-<br /> | [[Введение в анализ данных 2020 МирЭк| Введение в анализ данных]] || Мировая экономика || 1 курс || 3-4 модуль<br /> |-<br /> |[[ Основы программирования в Python (Мирэк) | Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модуль<br /> |-<br /> | [[ Цифровая грамотность, ИЯиМК| Цифровая грамотность ]] || Иностранные языки и межкультурная коммуникация || 1 курс || 3-4 модуль<br /> |-<br /> | [[ Цифровая_грамотность_(филология)_2020| Цифровая грамотность ]] || Филология || 1 курс || 3-4 модуль<br /> |-<br /> | [[Цифровая_грамотность_(ФиКЛ)_2020| Цифровая грамотность ]] || Фундаментальная и компьютерная лингвистика || 1 курс || 4 модуль<br /> |-<br /> | [[ Цифровая грамотность 2019-2020 (История искусств)| Цифровая грамотность ]] || История искусств || 1 курс || 3-4 модуль<br /> |-<br /> | [[ Цифровая грамотность 2019-2020 (Культурология)| Цифровая грамотность ]] || Культурология || 1 курс || 3-4 модуль<br /> |-<br /> | [[ Цифровая грамотность, ЯиЛ_ЮВА| Цифровая грамотность ]] || Языки и литература Юго-Восточной Азии || 1 курс || 3-4 модуль<br /> |-<br /> | [[ Цифровая грамотность, ЯиЛЯ| Цифровая грамотность ]] || Языки и литература Японии || 1 курс || 3-4 модуль<br /> |-<br /> | [[ ППО Социология 1 курс 2019/2020| ППО (Python для извлечения и обработки данных) ]] || Социология || 1 курс || 3 модуль<br /> |-<br /> |[[ Машинное обучение на матфаке 2020 | Машинное обучение]] || Математика || 2-4 курс || 3-4 модуль <br /> |-<br /> |[[ Excel для анализа данных | Excel для анализа данных]] || ИЯиМК || 4 курс || 3 модуль <br /> |-<br /> | [[ Python для извлечения и обработки данных Медиаком 2 курс 2019/2020| Python для извлечения и обработки данных ]] || Медиакоммуникации || 2 курс || 3 модуль<br /> |-<br /> | [[ Python для извлечения и обработки данных Медиаком 1 курс 2019/2020| Python для извлечения и обработки данных ]] || Медиакоммуникации || 1 курс || 4 модуль<br /> |-<br /> | [[ СДиА Матфак 1 курс 2019/2020| Структуры данных и алгоритмы ]] || Математика || 3-4 курс || 3-4 модуль<br /> |-<br /> | [[Методы_машинного_обучения_(Прикладная_политология)|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |-<br /> | [[Наука о данных (Экономика)|Наука о данных]] || Экономика || 2 курс || 3-4 модули<br /> |-<br /> | [[Основы программирования на Python весна 2021 матфак|Основы программирования на Python, 2 часть]] || Математика || 2-4 курс || 3-4 модули<br /> |-<br /> | [[Культура работы с данными, КМБТ|Культура работы с данными, КМБТ]] || Клеточная и молекулярная биотехнология || 1 курс || 3-4 модули<br /> |-<br /> | [[Natural_Language_Processing_Blended_2020_module4 | Natural Language Processing (blended)]] || Прикладная политология || 1 г.о. || 4 модуль<br /> |-<br /> | [[ПМСАР-1 2019/2020|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 1 г.о. || 3-4 модули<br /> |-<br /> | [[Введение в Data Science]] || Экономика впечатлений: менеджмент в индустрии гостеприимства и туризме || 1 г.о. || 3 модуль<br /> |-<br /> | [[Принципы построения математических моделей]] || МИЭМ || 1 г.о. || 4 модуль<br /> |-<br /> | [[Python для извлечения и обработки данных Психология 1 курс 2019/2020]] || Психология || 1 г.о. || 4 модуль<br /> |-<br /> | [[Технологии анализа больших данных ГМУ 1 курс 2019/2020]] || ГМУ || 1 г.о. || 4 модуль<br /> |-<br /> | [[Городское планирование | Цифровая грамотность]] || Городское планирование || 1 г.о. || 4 модуль<br /> |}<br /> <br /> === 1 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> |-<br /> | [[ Основы анализа и визуализация данных для медиа 2019/2020 | Основы анализа и визуализации данных для медиа ]] || Журналистика || 4 курс || 1 модуль<br /> |-<br /> | [[ Анализ данных в Python 2019-2020 | Анализ данных в Python ]] || Политология || 4 курс || 1-2 модули<br /> |-<br /> | [[Introduction to Data Culture 2019-2020 | Introduction to Data Culture ]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 1 курс || 2 модуль<br /> |-<br /> | [[ Основы анализа данных в международных отношениях | Основы анализа данных в международных отношениях ]] || Международные отношения || 2 курс || 1-2 модуль<br /> |-<br /> | [[Основы программирования в Python (Политология)|Основы программирования в Python]] || Политология || 3 курс || 1-2 модули<br /> |-<br /> | [[Основы программирования на Python осень 2019 матфак|Основы программирования на Python-1]] || Математика || 1-4 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая грамотность (История 2019) | Цифровая грамотность ]] || История || 1 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая грамотность (Востоковедение 2019) | Цифровая грамотность ]] || Востоковедение|| 1 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая_грамотность_2019-2020(философия) | Цифровая грамотность ]] || Философия || 1 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая грамотность (ассириология и античность 2019) | Цифровая грамотность ]] || Ассириология и античность|| 1 курс || 1-2 модули<br /> |-<br /> | [[ПМСАР-2_2019| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули<br /> |-<br /> | [[Работа с данными]] || Медиакоммуникации || 4 курс || 1 модуль<br /> |-<br /> | [[Машинное обучение (фэн 2019)]] || ФЭН || 3 курс || 1-2 модули<br /> |-<br /> | [[Natural_Language_Processing_Blended_2019_module1 | Natural Language Processing (blended)]] || Прикладная политология || 2 г.о. || 1 модуль<br /> |-<br /> | [[ ML_HSE_NES_2019 | Машинное обучение (ВШЭ-РЭШ)]] || Совместный бакалавриат ВШЭ-РЭШ || 3-4 курс || 1-2 модули<br /> |-<br /> | [[ Основы_анализа_и_визуализации_данных_ДИЯ_2019/2020 | Основы анализа и визуализации данных ]] || ДИЯ || 2 курс || 1,2 модуль<br /> |-<br /> | [[Методы_машинного_обучения_(Прикладная_политология)|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |-<br /> | [[Основы_программирования_на_Python2019/2020|Основы программирования на Python]] || Экономика и статистика || 2-4 курс || 2 модуль<br /> |}<br /> <br /> == Курсы других факультетов ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Курс !! Период<br /> |-<br /> | [[Теория вероятностей и математическая статистика, фэн, 2019-2020|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 3-4 модуль<br /> |-<br /> | [[Микроэконометрика качественных данных, фэн, 2020|Микроэконометрика качественных данных 2020]] || фэн, 4 курс || 1-2 модуль<br /> |}<br /> <br /> == Курсы за 2018/19 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_на_ПМИ_2018/2019_(пилотный_поток) | Математический анализ на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2018/2019_(основной_поток) | Математический анализ на ПМИ (основной поток)]]<br /> <br /> [[Calculus_DSBA_2018/2019 | Calculus I DSBA (ПАД)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2018/2019_(пилотный_поток) | Основы и методология программирования на ПМИ (пилотный поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2019_(С%2B%2B,_основной_поток) | Основы и методология программирования на ПМИ (С++, основной поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[LAaG_DSBA_2018/2019 | LAaG DSBA]]<br /> <br /> [[Дискретная_математика_1_2018/2019 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Discrete_Mathematics_DSBA2018/2019 |Discrete Mathematics DSBA (ПАД)]]<br /> <br /> [[Introduction_to_programming | Introduction to programming DSBA (ПАД)]]<br /> <br /> [[Introduction_to_programming_2 | Introduction to programming 2 DSBA (ПАД)]]<br /> <br /> [[Алгебра_на_ПМИ_2018/2019_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2018/2019_(основной_поток) | Алгебра на ПМИ (основной поток)]]<br /> <br /> [[Algebra_DSBA_2018/2019 | Algebra DSBA]]<br /> <br /> [http://hsealgebra19.wikidot.com Алгебра на ПИ]<br /> <br /> [[Алгоритмы_и_структуры_данных_2018/2019 | Алгоритмы и структуры данных на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> ||<br /> <br /> [http://math-info.hse.ru/2018-19/Дифференциальные_уравнения_(ФКН) Дифференциальные уравнения]<br /> <br /> [[Теория_вероятностей_2018/2019_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2018/2019_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_2018/2019_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_2018/2019_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]<br /> <br /> [[DM2-pilot2018/2019 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[DM2-basic2018/2019 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2018/2019 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Факультатив Теория вычислений]]<br /> <br /> ||<br /> <br /> [[Машинное_обучение_1/2018_2019 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Численные_Методы_2018 | Численные методы ]]<br /> <br /> [[PDC | Параллельные и распределенные вычисления]]<br /> <br /> [[Theory_of_Computing_2018_2019 | Theory of Computing, AMI]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]<br /> <br /> [[Прикладная_статистика_в_машинном_обучении(2018)|Прикладная статистика в машинном обучении]]<br /> <br /> [[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]<br /> <br /> [[Основные методы анализа данных]]<br /> <br /> [[Теория баз данных]]<br /> <br /> [[Непрерывная оптимизация/2019|Непрерывная оптимизация (161-162)]]<br /> <br /> [[Непрерывная оптимизация (163-167)]]<br /> <br /> [[Сложность вычислений и логика в теоретической информатике]]<br /> <br /> [[Data analysis (Software Engineering) 2019|Data analysis]]<br /> <br /> [[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]<br /> <br /> [[Intro to DL Blended | Intro to DL Blended]]<br /> <br /> [[Дискретная оптимизация 2019 | Дискретная оптимизация 2019]]<br /> <br /> ||<br /> <br /> [[Statistical_learning_theory_2018_2019 | Introduction to statistical learning theory]]<br /> <br /> [[Анализ_неструктурированных_данных-2018 |Анализ неструктурированных данных ]]<br /> <br /> [[Байесовские_методы_машинного_обучения_2018|Байесовские методы машинного обучения]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]<br /> <br /> [[НИС_Науки_о_данных_2018/2019|НИС Науки о данных]]<br /> <br /> [[НИС_Распределенные_системы_(4_курс,_2018)|НИС Распределенные системы]]<br /> <br /> [[Теория_Информации_2018/2019|Теория информации]]<br /> <br /> [[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]<br /> <br /> [[Методы_и_системы_обработки_больших_данных_(осень_2018)|Методы и системы обработки больших данных]]<br /> <br /> [[Философия_науки_2018|Философия науки]]<br /> <br /> [[Теория баз данных]]<br /> <br /> [[ConvAppr19 | Выпуклое программирование и аппроксимационные алгоритмы (ТИ)]]<br /> <br /> [[Функциональное программирование 2019 | Функциональное программирование]]<br /> <br /> [[A_Theorist's_Toolkit_2018_2019 | A Theorist's Toolkit, AMI]]<br /> <br /> [[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]<br /> <br /> ||<br /> [[Дополнительные главы теории вероятностей 2019 | Дополнительные главы теории вероятностей 2019]]<br /> <br /> [[Дополнительные главы математической статистики 2019 | Дополнительные главы математической статистики 2019]]<br /> <br /> [[Введение в программирование (курс майнора) 2018/2019]]<br /> <br /> [[dopglavy_DM_1819|Допглавы дискретной математики]]<br /> <br /> [[Современные_методы_машинного_обучения_(курс_майнора)_2018/2019 | Современные методы машинного обучения (курс майнора) 2018/2019]]<br /> <br /> [[Прикладные_задачи_анализа_данных_(майнор_-_весна_2019) | Прикладные задачи анализа данных (майнор - весна 2019)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Функциональный анализ (весна_2019) | Функциональный анализ (весна_2019)]]<br /> <br /> [[KotlinElective| Язык Kotlin (3 и 4 модули 2018-2019)]]<br /> <br /> <br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 2 семестр ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> <br /> |-<br /> | [[Основы программирования на Python весна 2020 матфак|Основы программирования на Python-2]] || Математика || 2-4 курс || 3-4 модули<br /> |-<br /> | [[Цифровая_грамотность_(филология)|Цифровая грамотность]] || Филология || 1 курс || 3-4 модули<br /> |-<br /> | [[Цифровая_грамотность_(ИИ_и_культурология)|Цифровая грамотность]] || История искусств и Культурология || 1 курс || 3-4 модули<br /> |-<br /> | [[Цифровая_грамотность_(ИЯМК_2019)|Цифровая грамотность]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 1 курс || 3-4 модули<br /> |-<br /> | [[Основы_анализа_и_визуализации_данных_ДИЯ_2019|Анализ и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 3-4 модули<br /> |-<br /> | [[Научно-исследовательский_семинар_2019| Научно-исследовательский семинар]] || Политология || 1 курс || 3 модуль<br /> |-<br /> | [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |-<br /> | [[Основы_программирования_в_Python_2019|Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модули<br /> |-<br /> | [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули<br /> |-<br /> | [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули<br /> |-<br /> | [[ПМСАР-1|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 1 г.о. || 3-4 модули<br /> |-<br /> | [[Искусственный интеллект и большие данные_(2019)|Искусственный интеллект и большие данные]] || Дизайн, Мода, Современное искусство || 1 курс || 3-4 модули<br /> |-<br /> | [[Информационный менеджмент: Введение в Data Science|Информационный менеджмент: Введение в Data Science]] || Управление бизнесом &lt;br&gt; Маркетинг и рыночная аналитика || 1 курс || 4 модуль<br /> |-<br /> | [[Технологии анализа больших данных|Технологии анализа больших данных]] || ГМУ || 1 курс || 4 модуль<br /> |-<br /> | [[Основы программирования на Python (Прикладное программное обеспечение)|Основы программирования на Python (Прикладное программное обеспечение)]] || Социология || 1 курс || 4 модуль<br /> |-<br /> | [[Основы работы с данными|Основы работы с данными]] || Медиакоммуникации || 2 курс || 4 модуль<br /> |-<br /> | [[Введение_в_data_science_Социология_1_курс|Профориентационный семинар (Data Culture)]] || Социология || 1 курс || 4 модуль<br /> |-<br /> | [[Введение_в_анализ_данных_МирЭк_2019|Введение в анализ данных]] || Мировая экономика || 1 курс || 4 модуль<br /> <br /> |}<br /> <br /> === 1 семестр ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> |-<br /> | [[Основы анализа данных в международных отношениях 2018/2019|Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули<br /> |-<br /> | [[Introduction_to_Data_Culture_2018-2019|Introduction to Data Culture]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 1 курс || 2 модуль<br /> |-<br /> | [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули<br /> |-<br /> | [[Цифровая грамотность(востоковедение)|Цифровая грамотность]] || Востоковедение || 1 курс || 1 модуль<br /> |-<br /> | [[Разработка управленческих решений в маркетинге | Разработка управленческих решений в маркетинге]] || Маркетинг и рыночная аналитика || 2 курс || 1-2 модули<br /> |-<br /> | [[Информационные технологии в деятельности юриста_2018-2019| Информационные технологии в деятельности юриста]] || Юриспруденция || 1 курс || 2 модуль<br /> |-<br /> | [[Машинное обучение на матфаке 2018/2019| Машинное обучение]] || Факультет математики || 2-4 курсы || 1-2 модули<br /> |-<br /> | [[ПМСАР-2| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули<br /> |-<br /> | [[Анализ данных в Python (Политологи 1 семестр 1-2 модули)|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули<br /> |-<br /> | [[Основы анализа и визуализации данных для медиа (Журналисты 1 семестр 1 модуль)|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль<br /> |-<br /> | [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули<br /> |-<br /> | [[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<br /> |-<br /> | [[Машинное обучение (ФЭН)]] || Факультет экономических наук || 3-4 курсы || 1-2 модули<br /> |-<br /> | [[Программирование_(python)_для_экономистов|Программирование (Python) для экономистов]] || Факультет экономических наук || 2 курс || 1-2 модули<br /> |-<br /> | [[Цифровая грамотность(философия)|Цифровая грамотность]] || Философия || 1 курс || 1-2 модули<br /> |-<br /> | [[Цифровая_грамотность_(историки)|Цифровая грамотность]] || История || 1 курс || 1-2 модули<br /> |-<br /> | [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 1-2 модули<br /> |-<br /> | [[Статистический анализ в среде R (Социологи 1 семестр 2 модуль)|Статистический анализ в среде R ]] || Социология || 4 курс || 2 модуль<br /> |-<br /> | [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |}<br /> <br /> ==Courses of the Statistical Learning Theory program==<br /> [[Neurobayesian_models_2019|Neurobayesian models]]<br /> <br /> == Курсы за 2017/18 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_на_ПМИ_2017/2018_(пилотный_поток) | Математический анализ на ПМИ 2017/2018 (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2017/2018_(основной_поток) | Математический анализ на ПМИ 2017/2018 (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(пилотный_поток,_1_модуль) | Основы и методология программирования на ПМИ 2017/2018 (пилотный поток, 1 модуль)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_2_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 2 модуль)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_3_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 3 модуль)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_2017/2018_(основной_поток) | Алгоритмы и структуры данных на ПМИ 2017/2018 (основной поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Дискретная_математика_1_2017/2018 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Алгоритмы и структуры данных 1 | Алгоритмы и структуры данных – 1 (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]<br /> <br /> [http://hsealgebra18.wikidot.com Алгебра на ПИ]<br /> <br /> ||<br /> [[Теория_вероятностей_2017/2018_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2017/2018_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Математический анализ-3 на ПМИ_2017/2018_(основной_поток) | Математический анализ-2 на ПМИ (основной поток)]]<br /> <br /> [[Математический анализ на ПМИ_2017/2018 | Математический анализ-3 на ПМИ (пилотный поток)]]<br /> <br /> [[DM2-pilot2017/2018 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[DM_2_2017_2018 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы и структуры данных_2_2017/2018 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Дифференциальные уравнения (2 курс, 2017/2018)| Дифференциальные уравнения]]<br /> <br /> ||<br /> [[Машинное_обучение_1/2017_2018 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2/2017_2018 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Численные_методы_2017 | Численные методы]]<br /> <br /> [[Statistics of Stochastic Processes|Статистика случайных процессов 2018]] <br /> <br /> [[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]<br /> <br /> [[Theory_of_Computing | Theory of Computing, AMI]]<br /> <br /> [[Statistical_learning_theory | Introduction to statistical learning theory]]<br /> <br /> [[Основные_методы_анализа_данных_(специализация_АДИС) | Основные методы анализа данных на ПМИ]]<br /> <br /> [[Анализ неструктурированных данных]]<br /> <br /> [[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]<br /> <br /> [[НИС_Распределенные_системы_(3_курс,_2017) | НИС Распределенные системы]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]<br /> <br /> [[Непрерывная_оптимизация | Непрерывная оптимизация]]<br /> <br /> [[ Сложность_и_логика| Сложность вычислений и логика в теоретической информатике]]<br /> <br /> [[Data_analysis_(Software_Engineering)_2018 | Data Analysis на ПИ]]<br /> <br /> [http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]<br /> <br /> [http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных Машинное обучение на больших данных]<br /> <br /> [[Дискретная_оптимизация | Дискретная оптимизация]]<br /> <br /> ||<br /> <br /> [[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]<br /> <br /> [[Философия_науки_2017 | Философия науки]]<br /> <br /> [[НИС_Распределенные_системы_(4_курс,_2017) | НИС Распределенные системы]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]<br /> <br /> [[Анализ неструктурированных данных]]<br /> <br /> [[Байесовские методы машинного обучения 2017 | Байесовские методы машинного обучения]]<br /> <br /> [[Функциональное программирование 2018 | Функциональное программирование]]<br /> <br /> [http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]<br /> <br /> ||<br /> <br /> [[Современные методы машинного обучения (курс майнора) 2017/2018]]<br /> <br /> [[Введение в программирование (курс майнора) 2017/2018]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2017-2018 | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Прикладные задачи анализа данных (майнор - весна 2018)]]<br /> <br /> [[Маго-лего &quot;Линейная алгебра в приложениях&quot; весна 2018 | Линейная алгебра в приложениях (маго-лего)]]<br /> <br /> [[Функциональный анализ 2017/18 | Функциональный анализ на ПМИ (факультатив)]]<br /> <br /> [[Дополнительные главы теории вероятностей и математической статистики (факультативы) | Дополнительные главы теории вероятностей и математической статистики (факультативы)]]<br /> <br /> [[Дополнительные главы дискретной математики 2017/18 | Дополнительные главы дискретной математики (факультатив)]]<br /> <br /> [[Цифровые технологии в гуманитарных науках]]<br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> <br /> === 2 семестр ===<br /> <br /> [[Цифровая_грамотность_2018_(2_семестр)|Цифровая грамотность (факультет гуманитарных наук — 2 семестр: ИЯМК, Филология, История искусств, Культурология, 1 курс)]]&lt;br /&gt;<br /> [[Научно-исследовательский семинар (ФСН) |Научно-исследовательский семинар (ОП &quot;Политология&quot;, 1 курс)]]&lt;br /&gt;<br /> [[Introduction_to_Data_Culture|Introduction to Data Culture (HSE and University of London Parallel Degree Programme in International Relations, 1 year)]]&lt;br /&gt;<br /> [[ИИ_и_БД|Искусственный интеллект и большие данные (ОП &quot;Дизайн&quot;, &quot;Мода&quot;, 1 курс)]]&lt;br /&gt;<br /> [[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП &quot;Фундаментальная и компьютерная лингвистика&quot;, 4 курс, 2 семестр)]]&lt;br /&gt;<br /> [[Основы анализа данных в международных отношениях|Основы анализа данных в международных отношениях (ОП &quot;Международные отношения&quot;, 2 курс, 4 модуль)]]&lt;br /&gt;<br /> [[Введение в data science (2_семестр)|Профориентационный семинар (блок по введению в data scicence) (Факультет социальных наук — 2 семестр: Социология, 1 курс)]]&lt;br /&gt;<br /> [[Введение в Data Science| Введение в Data Science (ФБиМ, 4 модуль)]]&lt;br /&gt;<br /> <br /> === 1 семестр ===<br /> <br /> [[Цифровая_грамотность|Цифровая грамотность (факультет гуманитарных наук — 1 семестр: История, Философия, 1 курс)]]&lt;br /&gt;<br /> [[Машинное обучение (факультет экономических наук)|Машинное обучение (факультет экономических наук)]] &lt;br /&gt;<br /> [[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП &quot;Фундаментальная и компьютерная лингвистика&quot;, 4 курс, 1 семестр)]]&lt;br /&gt;<br /> [[Извлечение и анализ интернет-данных | Извлечение и анализ интернет-данных (факультет экономических наук)]]&lt;br /&gt;<br /> [[Анализ больших данных в социальных науках (ФСН, 2017) | Анализ больших данных в социальных науках (ФСН, 2017)]]&lt;br /&gt;<br /> [[Информационные_технологии_в_деятельности_юриста|Информационные технологии в деятельности юриста (Факультет права)]] &lt;br /&gt;<br /> [[Машинное_обучение_для_лингвистов|Машинное обучение (магистратура Школы лингвистики)]] &lt;br /&gt;<br /> <br /> == Курсы магистратуры Финансовые технологии и анализ данных ==<br /> <br /> [[Вероятностные_модели_и_прикладная_статистика_в_финансовой_математике|Вероятностные модели и прикладная статистика в финансовой математике]] <br /> <br /> <br /> [[Рекомендательные системы и поиск закономерностей в данных|Рекомендательные системы и поиск закономерностей в данных]]<br /> <br /> <br /> == Courses of Data Science master program/Курсы магистерской программы &quot;Науки о данных&quot; ==<br /> <br /> [[Introduction to Machine Learning and Data Mining |Introduction to Machine Learning and Data Mining 2019]]<br /> <br /> [[Introduction to Machine Learning and Data Mining 2020 |Introduction to Machine Learning and Data Mining 2020]]<br /> <br /> == Курсы за 2016/17 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3-4 курс !! майноры<br /> |-<br /> |<br /> <br /> [[Математический анализ на ПМИ_2016/2017 | Математический анализ на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная алгебра и геометрия_2016/2017 | Линейная алгебра и геометрия на ПМИ]]<br /> <br /> [[Дискретная_математика_1_2016/2017 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Основы и методология программирования_2016/2017_пилотный_поток | Основы и методология программирования на ПМИ (пилотный поток)]]<br /> <br /> [[Основы и методология программирования_2016/2017 | Основы и методология программирования на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_(пилотный_поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_(основной_поток) | Алгоритмы и структуры данных на ПМИ (основной поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]<br /> <br /> [http://hsealgebra17.wikidot.com/ Алгебра на ПИ]<br /> <br /> || <br /> <br /> [[Математический анализ_2016/2017 | Математический анализ-3 на ПМИ (основной поток)]]<br /> <br /> [[Математически_анализ_3_на_ПМИ_(пилотный_поток) | Математический анализ-3 на ПМИ (пилотный поток)]]<br /> <br /> [[DM_2_2016_2017 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Дискретная математика_2_2016/2017 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[Алгоритмы и структуры данных_2_2016/2017 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Теория вероятностей_2016/2017 | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2016/2017_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы]]<br /> <br /> [[Факультатив_теория_вычислений_2016/2017 | Факультатив теория вычислений на ПМИ]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей_(факультатив,_2017) | Дополнительные главы теории вероятностей (факультатив)]]<br /> <br /> [[Дифференциальные_уравнения_(2_курс,_2016/2017) | Дифференциальные уравнения]]<br /> <br /> [[Математическая_статистика_2016/2017_(пилотный_поток) | Математическая статистика на ПМИ (пилотный поток)]]<br /> <br /> [[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы ]]<br /> <br /> || <br /> <br /> [[НИС_Машинное_обучение_и_приложения_2016/2017 | НИС Машинное обучение и приложения на ПМИ]]<br /> <br /> [[Машинное_обучение_1/2016_2017 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2/2016_2017 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Прикладной_статистический_анализ_данных | Прикладной статистический анализ данных на ПМИ]]<br /> <br /> [[Численные_методы_в_анализе_данных | Численные методы в анализе данных на ПМИ]]<br /> <br /> [http://www.machinelearning.ru/wiki/index.php?title=Статистика_случайных_процессов_(курс_лекций,_ФКН_ВШЭ) Вероятностные модели и статистика случайных процессов на ПМИ]<br /> <br /> [http://www.machinelearning.ru/wiki/index.php?title=Opt Методы оптимизации на ПМИ (специализации МОП и РС)]<br /> <br /> [[Методы_оптимизации_(весна_2017)|Методы оптимизации 2 (дискретная оптимизация)]]<br /> <br /> [[НИС_Распределенные_системы_(осень_2016) | НИС Распределенные системы]]<br /> <br /> [[Анализ и верификация алгоритмов биржевой торговли | Анализ и верификация алгоритмов для систем биржевой торговли ]]<br /> <br /> [[Программирование_на_графических_процессорах | Программирование на графических процессорах]]<br /> <br /> [[ЯРПО | Языки разработки ПО (курс по выбору) на ПМИ]]<br /> <br /> [[Data analysis (Software Engineering) 2017 | Data analysis на ПИ]]<br /> <br /> [[Базы данных 2 | Базы данных 2 ]]<br /> <br /> [[Компьютерные сети 2 | Компьютерные сети 2]]<br /> <br /> [[Машинное_обучение_на_больших_данных | Машинное обучение на больших данных на ПМИ]]<br /> <br /> ||<br /> <br /> [[Современные_методы_машинного_обучения_(курс_майнора) | Современные методы машинного обучения (курс майнора)]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_программирование_2016/2017 | Введение в программирование (курс майнора)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2016-2017 | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Прикладные задачи анализа данных| Прикладные задачи анализа данных (курс майнора)]]<br /> <br /> |}<br /> <br /> {|width=100%<br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Первая колонка --&gt;<br /> <br /> === Курсы за 2015/16 учебный год ===<br /> {|<br /> |-<br /> | [[Технологии программирования|Технологии программирования на ПМИ]]<br /> |-<br /> |[[ОиМП-2015|Основы и методология программирования на ПМИ]]<br /> |-<br /> |[[Алгоритмы и структуры данных 2016]]<br /> |-<br /> |[[Линейная алгебра и геометрия_2015/2016 | Линейная алгебра и геометрия на ПМИ]]<br /> |-<br /> |[[Алгебра_2015/2016 | Алгебра на ПМИ]]<br /> |-<br /> |[http://hsealgebra.wikidot.com/ Алгебра на ПИ]<br /> |-<br /> |[[Компьютерные системы]]<br /> |-<br /> |[[Математический анализ на ПМИ_2015/2016 | Математический анализ на ПМИ]]<br /> |-<br /> |[[Факультатив_Матпрактикум | Матпрактикум (факультатив) на ПМИ]]<br /> |-<br /> |[[Data analysis (Software Engineering)]]&lt;br /&gt;<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора) на ПМИ]]<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2015-2016|Введение в анализ данных (курс майнора) на ПМИ]]<br /> |-<br /> |[[НИС Машинное обучение и приложения|НИС Машинное обучение и приложения на ПМИ]]<br /> |-<br /> |[[Архитектура компьютеров и системное программирование (ПМИ_4, 2015/2016)|Архитектура компьютеров и системное программирование (4 курс)]]<br /> |-<br /> |[[Дифференциальные уравнения (2 курс, 2015/2016)| Дифференциальные уравнения]]<br /> |-<br /> |[[Введение в VBA|Введение в VBA]]<br /> |}<br /> <br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Вторая колонка --&gt;<br /> <br /> === Курсы за 2014/15 учебный год ===<br /> {|<br /> |-<br /> |[[Основы и методологии программирования]]&lt;br /&gt;<br /> |-<br /> |[[Алгоритмы и структуры данных 2015 | Алгоритмы и структуры данных]]&lt;br /&gt;<br /> |-<br /> |[[Анализ данных (Программная инженерия)]]&lt;br /&gt;<br /> |-<br /> |[[Алгебра_2014/2015 | Алгебра]]&lt;br /&gt;<br /> |-<br /> |[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]<br /> |}<br /> <br /> ==== Проектная работа ====<br /> {|<br /> |-<br /> |[[Проектная работа]] &lt;br /&gt;<br /> |-<br /> |[[Учебная практика 1 курс (2016)]]<br /> |-<br /> |[[Проектная работа 2 курс (2016)]]<br /> |}<br /> <br /> &lt;!-- Завершение двухколоночной таблицы --&gt;<br /> |}<br /> <br /> == Мероприятия факультета компьютерных наук ==<br /> === Summer School 2015 ===<br /> [[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]<br /> #[[Lecture 1. Introduction|Introduction]]<br /> #[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]<br /> #[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]<br /> #[[Lecture 4. Parsing|Parsing]]<br /> #[[Lecture 5. Language sources|Language sources]]<br /> #[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]<br /> #[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]<br /> #[[NLP References|References]]<br /> <br /> == Архив ==<br /> * [[Учебная практика 1 курс (2015)]]</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2021_2022&diff=59280 2021-10-01T18:14:09Z

<p>Marina Ananyeva: /* Материалы курса */</p> <hr /> <div>==О курсе==<br /> <br /> Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:&lt;br&gt;<br /> - Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;&lt;br&gt;<br /> - Методы проверки качества рекомендаций и достоверности выявленных закономерностей.<br /> <br /> Программа курса: [ ПУД]<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course github]<br /> <br /> ==Контакты==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.7<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашние задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || https://github.com/anamarina/RecSys_course/blob/main/week1/RecSys.Week1.pdf || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Бейзлайны MF. ALS || https://github.com/anamarina/RecSys_course/tree/main/week2|| https://github.com/anamarina/RecSys_course/tree/main/hw || 18 октября 2021, 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Контентные &amp; гибридные модели ||https://github.com/anamarina/RecSys_course/tree/main/week3 || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Data mining для RecSys. FP дерево || https://www.dropbox.com/s/q3v478dtbz7huno/PatternMiningIntro_2020.pdf?dl=0 || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || || || ||<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2021_2022&diff=59279 2021-10-01T18:12:38Z

<p>Marina Ananyeva: /* Материалы курса */</p> <hr /> <div>==О курсе==<br /> <br /> Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:&lt;br&gt;<br /> - Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;&lt;br&gt;<br /> - Методы проверки качества рекомендаций и достоверности выявленных закономерностей.<br /> <br /> Программа курса: [ ПУД]<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course github]<br /> <br /> ==Контакты==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.7<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || https://github.com/anamarina/RecSys_course/blob/main/week1/RecSys.Week1.pdf || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Бейзлайны MF. ALS || https://github.com/anamarina/RecSys_course/tree/main/week2|| ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Контентные &amp; гибридные модели ||https://github.com/anamarina/RecSys_course/tree/main/week3 || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Data mining для RecSys. FP дерево || https://www.dropbox.com/s/q3v478dtbz7huno/PatternMiningIntro_2020.pdf?dl=0 || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || || || ||<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2021_2022&diff=59278 2021-10-01T18:11:23Z

<p>Marina Ananyeva: /* Материалы курса */</p> <hr /> <div>==О курсе==<br /> <br /> Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:&lt;br&gt;<br /> - Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;&lt;br&gt;<br /> - Методы проверки качества рекомендаций и достоверности выявленных закономерностей.<br /> <br /> Программа курса: [ ПУД]<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course github]<br /> <br /> ==Контакты==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.7<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || https://github.com/anamarina/RecSys_course/blob/main/week1/RecSys.Week1.pdf || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Бейзлайны MF. ALS || https://github.com/anamarina/RecSys_course/tree/main/week2|| ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Контентные &amp; гибридные модели ||https://github.com/anamarina/RecSys_course/tree/main/week3 || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || || || ||<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2021_2022&diff=58352 2021-09-16T15:06:02Z

<p>Marina Ananyeva: /* О курсе */</p> <hr /> <div>==О курсе==<br /> <br /> Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:&lt;br&gt;<br /> - Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;&lt;br&gt;<br /> - Методы проверки качества рекомендаций и достоверности выявленных закономерностей.<br /> <br /> Программа курса: [ ПУД]<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course github]<br /> <br /> ==Контакты==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.7<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Слайды!! Дополнительные материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || || || || ||<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=RecSys_2021_2022&diff=57896 2021-09-10T11:36:04Z

<p>Marina Ananyeva: Новая страница: «==О курсе== Целями освоения дисциплины «Рекомендательные системы» являются овладение ст…»</p> <hr /> <div>==О курсе==<br /> <br /> Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:&lt;br&gt;<br /> - Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;&lt;br&gt;<br /> - Методы проверки качества рекомендаций и достоверности выявленных закономерностей.<br /> <br /> Программа курса: [https://drive.google.com/file/d/1hN9JsPds0_35EyOJBB0LBNVcmeCuP_8a/view?usp=sharing ПУД]<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course github]<br /> <br /> ==Контакты==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Преподаватель !! Контакты <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python &gt;= 3.7<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Материалы курса==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Неделя !! Тема !! Слайды!! Дополнительные материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Введение в рекомендательные системы || || || || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || || || || ||<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=Wiki_%D0%A4%D0%9A%D0%9D&diff=57895 2021-09-10T11:32:38Z

<p>Marina Ananyeva: /* Курсы магистратуры ФКН */</p> <hr /> <div>__NOTOC__ <br /> <br /> = Учебные курсы факультета компьютерных наук =<br /> <br /> <br /> == Курсы за 2021/22 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> '''ПМИ'''<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2021/2022_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2021/2022_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Математический_Анализ_1_на_ПМИ_2021/2022_(пилотный_поток) | Математический анализ 1 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_1_2021/2022_(основной_поток) | Математический анализ-1 на ПМИ (основной поток)]]<br /> <br /> [[DM1-2021-22 | Дискретная математика на ПМИ]]<br /> <br /> [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)]<br /> <br /> '''ПИ'''<br /> <br /> [[DM1-SE-2021-22 | Дискретная математика-1 ПИ]]<br /> <br /> [http://hsealgebra22.wikidot.com/ Алгебра 2021/2022 ПИ]<br /> <br /> '''ПАД'''<br /> <br /> [[Discrete Mathematics DSBA 2021/2022 | Discrete Mathematics (DSBA)]]<br /> <br /> [[LAaG DSBA 2021/2022 | LAaG (DSBA)]]<br /> <br /> [[Calculus DSBA 2021/2022 | Calculus (DSBA)]]<br /> <br /> '''КНАД'''<br /> <br /> [[Математический_анализ_(КНАД) | Математический анализ (КНАД)]]<br /> <br /> [[Линейная алгебра_(КНАД) | Линейная алгебра (КНАД)]]<br /> <br /> [[Программирование_на_Python | Программирование на Python (КНАД)]]<br /> <br /> [[Дискретная_математика_КНАД | Дискретная математика (КНАД)]]<br /> <br /> ||<br /> <br /> '''ПМИ'''<br /> <br /> [[Теория_вероятностей_и_математическая_статистика_2021/2022_(пилотный_поток)| ТВиМС (пилотный поток)]]<br /> <br /> [[Теория_вероятностей_2021/2022_(основной_поток)| ТВиМС (основной поток)]]<br /> <br /> [[Математический анализ 2021/2022 (пилотный поток) | Математический анализ - 2 (пилотный поток)]]<br /> <br /> [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 (основной поток)]<br /> <br /> [[MissingSemester2021/2022 | Инструменты промышленной разработки (The Missing Semester of your CS education)]]<br /> <br /> [[Язык программирования C++ (углубленный курс) | Язык программирования C++ (углубленный курс)]]<br /> <br /> [[Математическая логика | Математическая логика]]<br /> <br /> [[Алгоритмы и структуры данных 2 2021 | Алгоритмы и структуры данных 2]]<br /> <br /> <br /> '''ПАД'''<br /> <br /> [[Discrete Mathematics 2 DSBA 2021/2022 | Discrete Mathematics 2 (DSBA)]]<br /> <br /> [[Business_and_Management_in_Global_Context_2021/22 | Business and Management in Global Context (DSBA)]]<br /> <br /> ||<br /> <br /> '''ПМИ'''<br /> <br /> [[Машинное_обучение_1 | Машинное обучение 1]]<br /> <br /> [[Theory of Computation 2021 | Theory of Computation]]<br /> <br /> [http://wiki.cs.hse.ru/Psmo_21_22 Прикладная статистика в машинном обучении 21/22]<br /> <br /> [https://osukhoroslov-hse.notion.site/082aef7073a844afa4c1bf718a773d77 Распределенные системы]<br /> <br /> [http://math-info.hse.ru/s21/8 Прикладные дифференциальные уравнения]<br /> <br /> [https://osukhoroslov-hse.notion.site/5ca71a3b2b17452599f169468df43408 НИС Распределенные системы]<br /> <br /> [http://wiki.cs.hse.ru/%D0%9D%D0%98%D0%A1_%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%B8_%D0%BF%D1%80%D0%B8%D0%BB%D0%BE%D0%B6%D0%B5%D0%BD%D0%B8%D1%8F_2021/2022#.D0.A0.D0.B0.D1.81.D0.BF.D0.B8.D1.81.D0.B0.D0.BD.D0.B8.D0.B5 НИС Машинное обучение и приложения]<br /> <br /> [http://wiki.cs.hse.ru/NIS-TCS-20-21 НИС Теоретическая информатика]<br /> <br /> [[Сбор_и_разметка_данных_для_машинного_обучения_21/22 | Сбор и разметка данных для машинного обучения 21/22]]<br /> <br /> '''ПМИ / МОП'''<br /> <br /> [[Statistical_learning_theory_2021 | Statistical learning theory]]<br /> <br /> '''ПИ'''<br /> <br /> [[ML4SE_1 | НИС Машинное обучение для программной инженерии]]<br /> <br /> '''ПАД'''<br /> ||<br /> <br /> [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]<br /> <br /> [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]<br /> <br /> [[Сбор_и_разметка_данных_для_машинного_обучения_21/22 | Сбор и разметка данных для машинного обучения 21/22]]<br /> <br /> '''ПМИ / РС'''<br /> <br /> [https://osukhoroslov-hse.notion.site/2-0cd36b67b9f64182bfeabcda9ede647a НИС Распределенные системы 2]<br /> <br /> [[msbdp_21 | Методы и системы обработки больших данных]]<br /> <br /> '''ПМИ / ТИ'''<br /> <br /> [[InfTheory2021 | Теория информации]]<br /> <br /> [[OWF2021 | Односторонние функции и их применения]]<br /> <br /> '''ПАД'''<br /> <br /> [[Statistics 4mr 2021-22 | Statistical Methods for Market Research (DSBA)]]<br /> <br /> ||<br /> <br /> [[Введение_в_программирование_21/22_(майнор_ИАД) | Введение в программирование 21/22 (майнор ИАД)]]<br /> <br /> [[Основы_глубинного_обучения | Основы глубинного обучения (майнор ИАД)]]<br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 1 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> |-<br /> | [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<br /> |-<br /> | [[Цифровая грамотность, Востоковедение 2021/2022| Цифровая грамотность]] || Востоковедение || 1 курс || 1-2 модули<br /> |-<br /> |[[Цифровая Грамотность ИКВиА 2021/2022 | Цифровая грамотность]] || ИКВиА || 1 курс || 1-2 модули<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [http://wiki.cs.hse.ru/Цифровая_грамотность_Филология_2021/2022 Цифровая грамотность] || Филология || 1 курс || 1-2 модули<br /> |-<br /> | [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<br /> |-<br /> | [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_2019-2020_(%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] || Медиакоммуникации || 1 курс || 1-2 модули<br /> |-<br /> | [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_2019-2020(%D1%84%D0%B8%D0%BB%D0%BE%D1%81%D0%BE%D1%84%D0%B8%D1%8F) Цифровая грамотность] || Философия || 1 курс || 1-2 модуль<br /> |-<br /> | [http://wiki.cs.hse.ru/Основы_программирования_на_Python_осень_2021_матфак Основы программирования на Python] || Математика || 3 курс || 1-2 модули<br /> |-<br /> | [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<br /> |- <br /> | [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<br /> |-<br /> | [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)_-_2020 Машинное обучение] || Экономика || 3,4 курс || 1-2 модули<br /> |-<br /> | [[Программирование_ЭкСтат_ГП | Программирование на языке Python ]] || Городское планирование, Экономика и статистика || 3 курс || 1-2 модули<br /> |-<br /> | [[Основы анализа данных в международных отношениях 2021/2022 | Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | <br /> || Бакалавриат НИУ ВШЭ и Лондонского университета || 3 курс || 1-2 модули<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> | [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<br /> |-<br /> <br /> |}<br /> <br /> == Курсы магистратуры ФКН ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | [[Project_Seminar_2021_2022 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 year<br /> |-<br /> | [[Theory of Computation 2021 | Theory of Computation]] || Науки о данных, специализация ТИ || 1 year<br /> |-<br /> | [[RecSys_2021_2022 | Рекомендательные системы]] || ФТИАД || 2 year<br /> |-<br /> |}<br /> <br /> == Курсы других факультетов ==<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! Дисциплина !! Курс !! Период<br /> |-<br /> | [http://wiki.cs.hse.ru/Econ_probability_2021-22 Теория вероятностей и математическая статистика] || фэн, 2 курс || 1-4 модуль<br /> |-<br /> | [[Динамическая оптимизация в экономике и финансах, фэн, 2021/22|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль<br /> |-<br /> |}<br /> <br /> = Архив = <br /> <br /> == Курсы за 2020/21 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> '''ПМИ'''<br /> <br /> [[Математический_анализ_1_2020/2021_(пилотный_поток) | Математический анализ-1 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_1_2020/2021_(основной_поток) | Математический анализ-1 на ПМИ (основной поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2020/2021_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2020/2021_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2020/2021_(пилотный_поток) | Алгебра (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2020/2021_(основной_поток) | Алгебра (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2020/2021_(пилотный_поток) | Основы и методология программирования на ПМИ 2020/2021 (пилотный поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2020/2021_(основной_поток)_3_модуль | Основы и методология программирования на ПМИ 2020/2021 (основной поток, III модуль)]]<br /> <br /> [[DM1-2020-21 | Дискретная математика-1 ПМИ]]<br /> <br /> [[Алгоритмы_и_структуры_данных_1_2020/2021_(4_модуль) | Алгоритмы и структуры данных – 1 (4 модуль) на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_пилотный_поток_2020/2021 | Алгоритмы и структуры данных – 1 на ПМИ (пилотный поток)]]<br /> <br /> '''ПИ'''<br /> <br /> [[DM1-SE-2020-21 | Дискретная математика-1 ПИ]]<br /> <br /> [http://hsealgebra21.wikidot.com/ Алгебра ПИ]<br /> <br /> '''ПАД'''<br /> <br /> [[Discrete_Mathematics_DSBA2020/2021 | Discrete Mathematics (DSBA) ]]<br /> <br /> [[LAaG_DSBA_2020/2021 | Linear Algebra and Geometry (DSBA)]]<br /> <br /> [[English_DSBA_2020/2021 | English DSBA (DSBA)]]<br /> <br /> [[Introduction_to_programming_DSBA_2020/2021 | Introduction to Programming (DSBA)]]<br /> <br /> [[ Calculus_2020/21 | Calculus (DSBA) ]]<br /> <br /> [[Algebra_DSBA_2020/2021 | Algebra DSBA]]<br /> <br /> [[Introduction_to_Economics_2020/21 | Introduction to Economics ]]<br /> <br /> ||<br /> '''ПМИ'''<br /> <br /> [[Теория_вероятностей_и_математическая_статистика_2020/2021_(пилотный_поток)| ТВиМС (пилотный поток)]]<br /> <br /> [[Теория_вероятностей_2020/2021_(основной_поток)| Теория вероятностей (основной поток)]]<br /> <br /> [[Математический_анализ_2020/2021_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_-_2_(основной_поток) | Математический анализ - 2 на ПМИ (основной поток)]]<br /> <br /> [[MissingSemester2020/2021 | Инструменты промышленной разработки (The Missing Semester of your CS education)]]<br /> <br /> [[АКОС ПМИ 2020/2021 | Архитектура компьютеров и операционные системы]]<br /> <br /> [[Основы матричных вычислений 2020/2021]]<br /> <br /> [[Дифференциальные уравнения (ПМИ)]]<br /> <br /> [[DM2-pilot2020/2021 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[DM2-base2020/2021 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_пилотный_поток_2019/2020 | Алгоритмы и структуры данных - 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2020/2021 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> '''ПАД'''<br /> <br /> [[Calculus-2_DSBA_2020_(ПАД) | Calculus-2 (DSBA) ]]<br /> <br /> [[Discrete_Mathematics_-_2_DSBA2020/2021 | Discrete Mathematics - 2 (DSBA)]]<br /> <br /> [[Business_and_Management_in_Global_Context_2020/21 | Business and Management in Global Context (DSBA)]]<br /> <br /> [[Principles_of_micro_and_macro-economics_2020/21 | Principles of micro and macro-economics (DSBA)]]<br /> <br /> [[Algorithms_and_data_structures_2_2020/21 | Algorithms and data structures 2 (DSBA)]]<br /> <br /> [[Statistics_DSBA_2020/2021 | Probability and Statistics (DSBA)]]<br /> <br /> [[ACOS_DSBA_2020/2021 | Computer Architecture and Operating Systems (DSBA)]]<br /> <br /> [[Differential_Equations_2021 | Differential Equations ]]<br /> <br /> ||<br /> <br /> '''ПМИ'''<br /> <br /> [[Машинное_обучение_1/2020_2021 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Прикладная статистика в машинном обучении 20/21]]<br /> <br /> [[Безопасность компьютерных систем 20/21]]<br /> <br /> [[Theory of computing, AMI]]<br /> <br /> [[Матричные вычисления 20/21]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2020/2021|НИС Машинное обучение и приложения]]<br /> <br /> [[Методы оптимизации в машинном обучении|Методы оптимизации в машинном обучении]]<br /> <br /> [[Моделирование временных рядов 20/21]]<br /> <br /> [[Высокопроизводительные вычисления 20/21]]<br /> <br /> [[ Сбор и обработка данных с помощью краудсорсинга 20/21 ]]<br /> <br /> [[ Распределённые системы ]]<br /> <br /> [[ Компьютерные сети 2021 ]]<br /> <br /> [[НИС_РС|НИС Распределенные системы]]<br /> <br /> [[Анализ данных в бизнесе (Кафедра SAS)]]<br /> <br /> [[Дополнительные главы прикладной статистики (2020/21)]]<br /> <br /> [[Comb2020_2021 | Комбинаторные конструкции в теоретической информатике]]<br /> <br /> [[Численные Методы 2021]]<br /> <br /> [[Методы оптимизации 20/21]]<br /> <br /> [[Математическое моделирование]]<br /> <br /> <br /> '''ПАД'''<br /> <br /> [[ MachineLearning1_DSBA2020 | Machine Learning 1 (DSBA)]]<br /> <br /> [[ Time_Series_and_Stochastic_Processes_ada_20_21 | Time Series and Stochastic Processes (DSBA) ]]<br /> <br /> [[ST2187 Business analytics, applied modelling and prediction | Business analytics, applied modelling and prediction (DSBA)]]<br /> <br /> [[Data_Base_2020/2021_DSBA | Data Base (DSBA)]]<br /> <br /> [[Social_History_of_Science_2020/21 | Social History of Science (DSBA)]]<br /> <br /> [[Elements_of_Econometrics_2020/21 | Elements of Econometrics (DSBA)]]<br /> <br /> [[Data Science Case Studies / Анализ данных в бизнесе (Кафедра SAS)]]<br /> <br /> [[ Optimization_methods | Optimizaton Methods (DSBA) ]]<br /> <br /> ||<br /> <br /> [[Философия_науки_2020 | Философия науки]]<br /> <br /> [[Символьные вычисления]]<br /> <br /> '''ПМИ / МОП'''<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2020/2021 | НИС Машинное обучение и приложения]]<br /> <br /> [[Глубинное обучение в обработке звука 20/21]]<br /> <br /> [[Байесовские методы машинного обучения 2020 | Байесовские методы машинного обучения]]<br /> <br /> [[Машинное обучение на больших данных 2021]]<br /> <br /> <br /> [[Генеративные модели в машинном обучении 2021 | Генеративные модели в машинном обучении 2021]]<br /> <br /> '''ПМИ / РС'''<br /> <br /> [[НИС_РС_2 | НИС Распределенные системы]]<br /> <br /> [[msbdp_20 | Методы и системы обработки больших данных]]<br /> <br /> [[ Облачные вычисления]]<br /> <br /> '''ПМИ / ТИ'''<br /> <br /> [[Statistical_learning_theory_2020 | Statistical learning theory]]<br /> <br /> [[InfTheo2020-2021|Теория информации]]<br /> <br /> [[A_Theorist's_Toolkit_2020_2021 | A Theorist's Toolkit, AMI]]<br /> <br /> ||<br /> <br /> [[ Майнор Биоинформатика 1 год ]]<br /> <br /> [[ Майнор Биоинформатика 2 год ]]<br /> <br /> <br /> [[ Введение в программирование (майнор ИАД) ]]<br /> <br /> [[Введение в анализ данных (майнор ИАД)]]<br /> <br /> [[Современные_методы_машинного_обучения|Современные методы машинного обучения (майнор ИАД)]]<br /> <br /> [[Прикладные_задачи_анализа_данных|Прикладные задачи анализа данных (майнор ИАД)]]<br /> <br /> <br /> [[ ОУФ Машинное Обучение в Питоне ]]<br /> <br /> [[ Факультатив &quot;Теория вычислений и логика&quot; (Осень 2020)]]<br /> <br /> [[dopglavy_DM_2021|Допглавы дискретной математики]]<br /> <br /> [[Adaptation_DM_20-21 |Adaptation course in DM]]<br /> <br /> [[Функциональный анализ (осень 2020)]]<br /> <br /> [[KotlinElective|Факультатив &quot;Язык Kotlin&quot; (2-3 модули)]]<br /> <br /> [[ Факультатив &quot;Теория вычислений и логика&quot; | Факультатив &quot;Теория вычислений&quot; (Весна 2021)]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей_2021 | ДГТВ]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей-3_2019/2020 | ДГТВ-3]]<br /> <br /> <br /> |}<br /> <br /> == Курсы магистратуры ФКН ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс<br /> |-<br /> | [[Stochastic_analysis_2020_2021 | Stochastic Analysis ]] || Statistical Learning Theory || 1 year<br /> |-<br /> | [[Econometrics_fall_2020 | Эконометрика ]] || ФТИАД || 1 year<br /> |-<br /> | [[Recsys_2020_2021 | Рекомендательные системы]] || ФТИАД|| 2 year<br /> |-<br /> | [[Into_to_DataMining_and_Machine_Learning_2020_2021 | Introduction to Data Mining and Machine Learning]] || Data Science (Науки о данных) || 2 year<br /> |-<br /> | [[Project_Seminar_2020_2021 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 year<br /> |-<br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 2 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |- <br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> |-<br /> | [[Цифровая грамотность ИЯиМК 2020-2021|Цифровая грамотность ИЯиМК 2020-2021]] || ИЯиМК || 1 курс || 3-4 модули<br /> |-<br /> | [[Data Analysis in Python 2020-2021|Data Analysis in Python]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 2 курс || 3-4 модули<br /> |-<br /> | [[Машинное обучение на матфаке 2021 |Машинное обучение]] || Математика || 1-4 курс || 3-4 модули<br /> |-<br /> | [http://wiki.cs.hse.ru/Анализ_данных_на_python,_фэн,_2020_spring Анализ данных на python] || Факультет экономических наук || 1 курс || 3-4 модули<br /> |-<br /> | [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 3-4 модули<br /> |-<br /> | [[Python для ОП &quot;Психология&quot; |Python для ОП &quot;Психология&quot; ]] ||Психология || 1 курс || 3-4 модули<br /> |-<br /> | [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<br /> |-<br /> | [[Цифровая грамотность История искусств 2020-2021]] || История искусств || 1 курс || 3-4 модули<br /> |-<br /> | [[Excel для анализа данных , 20-21|Excel для анализа данных , 20-21]] || ИЯиМК || 4 курс || 3 модуль<br /> |-<br /> | [[ СДиА_Матфак_1_курс_2020/2021 | Структуры данных и алгоритмы ]] || Математика || 3-4 курс || 3-4 модуль<br /> |-<br /> | [[ Python для ГМУ, 20-21 | Python для ГМУ, 2020-2021 ]] || Государственное и муниципальное управление || 1 курс || 4 модуль<br /> |-<br /> | [[ Python для ИЯиМК, 2020-2021 | Python для ИЯиМК, 2020-2021 ]] || ИЯиМК || 2 курс || 4 модуль<br /> |- <br /> | [[ Информационные технологии (факультет химии) | Информационные технологии. Data Culture ]] || Химия || 2 курс || 4 модуль<br /> |-<br /> | [[ Введение_в_анализ_данных_2021_МирЭк | Введение в анализ данных ]] || МирЭк || 1 курс || 4 модуль<br /> |-<br /> | [[ Python для анализа данных (МирЭк) 2020-2021 | Python для анализа данных ]] || МирЭк || 2 курс || 3-4 модуль<br /> |-<br /> <br /> |}<br /> <br /> === 1 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> |-<br /> | [[Основы программирования на Python осень 2020 матфак|Основы программирования на Python-1]] || Математика || 3 курс || 1-2 модули<br /> |-<br /> | [[Анализ_данных_в_Python_2020-2021|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули<br /> |-<br /> | [[Основы_анализа_и_визуализация_данных_для_медиа_2020/2021|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль<br /> |-<br /> | [[Компьютерная лингвистика и информационные технологии 2020|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули<br /> |-<br /> | [[Проектный семинар медиаком 2020|Проектный семинар]] || Медиакоммуникации || 3 курс || 1 модуль<br /> |-<br /> | [[Основы анализа и визуализации данных ДИЯ 2020-2021|Основы анализа и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 1-2 модули<br /> |-<br /> | [[Основы программирования в Python (Политология 2020)|Основы программирования в Python]] || Политология || 3 курс || 1-2 модули<br /> |-<br /> | [[Data Analysis in Journalism and Political Science 2020-2021|Data Analysis in Journalism &amp; Political Science]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 3 курс || 1 модуль<br /> |-<br /> | [[Data Analysis in Economics and Finance 2020-2021|Data Analysis in Economics &amp; Finance]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 3 курс || 1 модуль<br /> |-<br /> | [[Прикладные исследования в культурологии 2020 1модуль|Прикладные исследования в культурологии]] || Прикладная культурология || 1 курс || 1 модуль<br /> |-<br /> | [[Основы анализа данных в международных отношениях 20/21|Основы анализа данных в международных отношениях 20/21]] || Международные отношения || 2 курс || 1-2 модуль<br /> |-<br /> | [[Анализ данных в R, Социология|Анализ данных в R]] || Социология || 4 курс || 1-2 модуль<br /> |-<br /> | [[Анализ данных на python, фэн, 2020 fall|Анализ данных на Python]] || Факультет экономических наук || 2 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая грамотность, ЭиАМ|Цифровая грамотность, ЭиАМ]] || Эфиопия и арабский мир || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая грамотность, Античность|Цифровая грамотность, Античность]] || Античность || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая грамотность, ТиТМ|Цифровая грамотность, ТиТМ]] || Турция и Тюркский мир || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая грамотность История 2020/2021|Цифровая грамотность, История]] || История || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая_грамотность_2020_(Востоковедение)|Цифровая грамотность, Востоковедение]] || Востоковедение || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая_грамотность_География_2020/21|Цифровая грамотность, География]] || География || 1 курс || 1-2 модуль<br /> |-<br /> | [[Цифровая_грамотность_(филология)_2020|Цифровая грамотность, Филология]] || Филология|| 1 курс || 1-2 модуль<br /> |-<br /> | [[Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020)|Машинное обучение]] || Совместная программа по экономике НИУ ВШЭ и РЭШ || 3 курс || 1-2 модуль<br /> |-<br /> | [[Машинное_обучение_(ФЭН)_-_2020|Машинное обучение]] || Экономика || 3-4 курс || 1-2 модуль<br /> |-<br /> | [[Python: работа с данными и текстом|Python: работа с данными и текстом]] || Медиакоммуникации || 2-3 курс || 1-2 модуль<br /> |-<br /> | [[Phyton_для_извлечения_и_обработки_данных|Phyton для извлечения и обработки данных]] || Молекулярная и клеточная биотехнология || 1 курс || 1-2 модуль<br /> |-<br /> | [[ПМСАР-2_2020| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули<br /> |-<br /> | [[Основы_программирования_на_Python2020/2021|Основы программирования на Python]] || Экономика и статистика || 2-3 курс || 1-2 модули<br /> |-<br /> | [[Извлечение и анализ интернет-данных (2020)|Извлечение и анализ интернет-данных]] || Экономика и статистика || 2-4 курс || 2 модуль<br /> <br /> |}<br /> <br /> == Курсы других факультетов ==<br /> <br /> {| class=&quot;wikitable&quot; <br /> |-<br /> ! Дисциплина !! Курс !! Период<br /> |-<br /> | [[Теория вероятностей и математическая статистика, фэн, 2020-2021|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 1-4 модуль<br /> |-<br /> | [[Эконометрика, фэн, 2020-2021|Эконометрика]] || фэн, 3 курс || 1-4 модуль <br /> |-<br /> | [[Динамическая оптимизация в экономике и финансах, фэн, 2020-2021|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль <br /> |-<br /> |}<br /> <br /> =Архив=<br /> <br /> == Курсы за 2019/20 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_1_2019/2020 | Математический анализ-1 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2019/2020_(основной_поток,_2_семестр) | Математический анализ на ПМИ (основной поток, 2 семестр)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2019/2020_(основной_поток) | Математический анализ на ПМИ (основной поток)]]<br /> <br /> [[Дискретная_математика_1_2019/2020 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2019/2020_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2019/2020_(основной_поток) | Алгебра на ПМИ (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_2019/2020 | Основы и методология программирования на ПМИ (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_1_2019/2020_(пилотный_поток) | Основы и методология программирования-1 на ПМИ (пилотный поток)]]<br /> <br /> [[Discrete_Mathematics_DSBA2019/2020 | Discrete Mathematics DSBA (ПАД)]]<br /> <br /> [[Calculus_DSBA2019/2020 | Calculus DSBA (ПАД) 1st module]]<br /> <br /> [[Calculus_DSBA2020 | Calculus DSBA (ПАД) 2nd module]]<br /> <br /> [[LAaG_DSBA_2019/2020 | Linear Algebra and Geometry (ПАД)]]<br /> <br /> [[Introduction_to_programming_DSBA_2019/2020 | Introduction to Programming (ПАД)]]<br /> <br /> [[English_DSBA_2019/2020 | English DSBA (ПАД)]]<br /> <br /> [[Algorithms_and_Data_Structures_DSBA_2020 | Algorithms and Data Structures DSBA ]]<br /> <br /> [[Algebra_DSBA_2019/2020 | Algebra DSBA]]<br /> <br /> [[Алгоритмы_и_структуры_данных_1_основной_поток_2019/202 | Алгоритмы и структуры данных-1 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_пилотный_поток_2019/2020 | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> <br /> ||<br /> <br /> <br /> <br /> [[DM2-basic2019/2020 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[DM2-pilot2019/2020 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[Теория_вероятностей_2019/2020_(основной_поток)| Теория_вероятностей_2019/2020 на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_и_математическая_статистика_2019/2020_(пилотный_поток)| ТВиМС (пилотный поток)]]<br /> <br /> [[Математический_анализ_2019/2020_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_2_2019/2020_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2019/2020 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> [[Calculus_2_2019 | Calculus-2 DBSA (ПАД)]]<br /> <br /> [[Statistics_DSBA_2019/2020 | Statistics DSBA (ПАД)]]<br /> <br /> [[DM2 | Дискретная Математика-2 (ПАД)]]<br /> <br /> [[ADS2 | Алгоритмы и Структуры Данных-2 (ПАД)]]<br /> <br /> [[Introduction_to_Economics | Introduction to Economics DSBA ]]<br /> <br /> [[Business_and_Management_in_Global_Context_2019-2020| Business and Management in Global Context DSBA ]]<br /> <br /> [[ACOS_DSBA_2019/2020 | Computer Architecture and Operating Systems (ПАД)]]<br /> <br /> [[Differential_Equations_2020 | Differential Equations DSBA ]]<br /> <br /> [[Факультатив Теория вычислений_2020 | Факультатив Теория вычислений]]<br /> <br /> [[Дифференциальные_уравнения_2020 | Дифференциальные уравнения 2020 ]]<br /> <br /> ||<br /> <br /> [[Машинное_обучение_1/2019_2020 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2/2019_2020 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Численные_Методы_2020 | Численные методы]]<br /> <br /> [[Прикладная_статистика_в_машинном_обучении(2019)|Прикладная статистика в машинном обучении]]<br /> <br /> [[Theory_of_Computing_2019_2020 | Theory of Computing, AMI]]<br /> <br /> [[Компьютерные_Сети | Компьютерные сети]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]<br /> <br /> [[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]<br /> <br /> [[Непрерывная_оптимизация_(МОП)/2020| Непрерывная оптимизация (МОП)]]<br /> <br /> [[%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) ]] <br /> <br /> [[Data_analysis_(Software_Engineering)_2020|Data Analysis]]<br /> <br /> [[Промышленное_программирование_на_языке_Java| Промышленное программирование на языке Java]]<br /> <br /> [[CCTI_2020|Сложность вычислений и логика в теоретической информатике]]<br /> <br /> ||<br /> <br /> [[InfTheo2019-2020|Теория информации]]<br /> <br /> [[Байесовские_методы_машинного_обучения_2019|Байесовские методы машинного обучения]]<br /> <br /> [[НИС Науки о данных]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]<br /> <br /> [[Философия_науки_2019|Философия науки]]<br /> <br /> [[Глубинное обучение|Глубинное обучение]]<br /> <br /> [[NLP 2019|NLP Анализ данных]]<br /> <br /> [[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]<br /> <br /> [[Генеративные_модели_в_машинном_обучении_2020|Генеративные модели в машинном обучении]]<br /> <br /> [[Компьютерные Сети 4 курс| Компьютерные сети]]<br /> <br /> [[Промышленное_программирование_на_языке_Java| Промышленное программирование на языке Java]]<br /> <br /> [[Машинное_обучение_на_больших_данных_2020|Машинное обучение на больших данных]]<br /> <br /> [[Основы_обработки_больших_данных_2020|Основы обработки больших данных]]<br /> <br /> ||<br /> [[MinorBioinformatics|Биоинформатика]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Современные_методы_машинного_обучения | Современные методы машинного обучения (ИАД)]]<br /> <br /> [[KotlinElective|Факультатив &quot;Язык Kotlin&quot; (2-3 модули)]]<br /> <br /> [[ISDElective|Факультатив &quot;Методы разработки программного обеспечения&quot; (1-2 модули)]]<br /> <br /> [[Введение в программирование (курс майнора)]]<br /> <br /> [[dopglavy_DM_1920|Допглавы дискретной математики]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей-2_2019/2020|ДГТВ-2]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей_2020|ДГТВ]]<br /> <br /> [[Введение_в_анализ_данных_(майнор_ИАД)_2019/2020|Введение в анализ данных (майнор ИАД)]]<br /> <br /> [[Прикладные_задачи_анализа_данных_(майнор_ИАД)|Прикладные задачи анализа данных (майнор ИАД)]]<br /> <br /> [[NonClassicalLogics|Факультатив &quot;Неклассические логики&quot; (3 модуль)]]<br /> <br /> |}<br /> <br /> == Курсы магистратуры ФКН ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс<br /> <br /> |-<br /> | [[Theory_of_Computing_2019_2020 | Theory of Computing]] || Науки о данных, специализация ТИ || 1 курс<br /> |-<br /> | [[Project_Seminar_2019_2020 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 курс<br /> |-<br /> | [[Stochastic_analysis_2019_2020 | Stochastic Calculus ]] || Statistical Learning Theory || 1 year<br /> |-<br /> | [[A_Theorist's_Toolkit_2019_2020 | A Theorist's Toolkit, AMI]] || Науки о данных, специализация ТИ || 1 курс<br /> |-<br /> | [[Neurobayesian_models_2020 | Neurobayesian models ]] || Statistical Learning Theory || 2 year<br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 2 семестр ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |- 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<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> |-<br /> | [[Введение в анализ данных 2020 МирЭк| Введение в анализ данных]] || Мировая экономика || 1 курс || 3-4 модуль<br /> |-<br /> |[[ Основы программирования в Python (Мирэк) | Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модуль<br /> |-<br /> | [[ Цифровая грамотность, ИЯиМК| Цифровая грамотность ]] || Иностранные языки и межкультурная коммуникация || 1 курс || 3-4 модуль<br /> |-<br /> | [[ Цифровая_грамотность_(филология)_2020| Цифровая грамотность ]] || Филология || 1 курс || 3-4 модуль<br /> |-<br /> | [[Цифровая_грамотность_(ФиКЛ)_2020| Цифровая грамотность ]] || Фундаментальная и компьютерная лингвистика || 1 курс || 4 модуль<br /> |-<br /> | [[ Цифровая грамотность 2019-2020 (История искусств)| Цифровая грамотность ]] || История искусств || 1 курс || 3-4 модуль<br /> |-<br /> | [[ Цифровая грамотность 2019-2020 (Культурология)| Цифровая грамотность ]] || Культурология || 1 курс || 3-4 модуль<br /> |-<br /> | [[ Цифровая грамотность, ЯиЛ_ЮВА| Цифровая грамотность ]] || Языки и литература Юго-Восточной Азии || 1 курс || 3-4 модуль<br /> |-<br /> | [[ Цифровая грамотность, ЯиЛЯ| Цифровая грамотность ]] || Языки и литература Японии || 1 курс || 3-4 модуль<br /> |-<br /> | [[ ППО Социология 1 курс 2019/2020| ППО (Python для извлечения и обработки данных) ]] || Социология || 1 курс || 3 модуль<br /> |-<br /> |[[ Машинное обучение на матфаке 2020 | Машинное обучение]] || Математика || 2-4 курс || 3-4 модуль <br /> |-<br /> |[[ Excel для анализа данных | Excel для анализа данных]] || ИЯиМК || 4 курс || 3 модуль <br /> |-<br /> | [[ Python для извлечения и обработки данных Медиаком 2 курс 2019/2020| Python для извлечения и обработки данных ]] || Медиакоммуникации || 2 курс || 3 модуль<br /> |-<br /> | [[ Python для извлечения и обработки данных Медиаком 1 курс 2019/2020| Python для извлечения и обработки данных ]] || Медиакоммуникации || 1 курс || 4 модуль<br /> |-<br /> | [[ СДиА Матфак 1 курс 2019/2020| Структуры данных и алгоритмы ]] || Математика || 3-4 курс || 3-4 модуль<br /> |-<br /> | [[Методы_машинного_обучения_(Прикладная_политология)|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |-<br /> | [[Наука о данных (Экономика)|Наука о данных]] || Экономика || 2 курс || 3-4 модули<br /> |-<br /> | [[Основы программирования на Python весна 2021 матфак|Основы программирования на Python, 2 часть]] || Математика || 2-4 курс || 3-4 модули<br /> |-<br /> | [[Культура работы с данными, КМБТ|Культура работы с данными, КМБТ]] || Клеточная и молекулярная биотехнология || 1 курс || 3-4 модули<br /> |-<br /> | [[Natural_Language_Processing_Blended_2020_module4 | Natural Language Processing (blended)]] || Прикладная политология || 1 г.о. || 4 модуль<br /> |-<br /> | [[ПМСАР-1 2019/2020|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 1 г.о. || 3-4 модули<br /> |-<br /> | [[Введение в Data Science]] || Экономика впечатлений: менеджмент в индустрии гостеприимства и туризме || 1 г.о. || 3 модуль<br /> |-<br /> | [[Принципы построения математических моделей]] || МИЭМ || 1 г.о. || 4 модуль<br /> |-<br /> | [[Python для извлечения и обработки данных Психология 1 курс 2019/2020]] || Психология || 1 г.о. || 4 модуль<br /> |-<br /> | [[Технологии анализа больших данных ГМУ 1 курс 2019/2020]] || ГМУ || 1 г.о. || 4 модуль<br /> |-<br /> | [[Городское планирование | Цифровая грамотность]] || Городское планирование || 1 г.о. || 4 модуль<br /> |}<br /> <br /> === 1 семестр ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> |-<br /> | [[ Основы анализа и визуализация данных для медиа 2019/2020 | Основы анализа и визуализации данных для медиа ]] || Журналистика || 4 курс || 1 модуль<br /> |-<br /> | [[ Анализ данных в Python 2019-2020 | Анализ данных в Python ]] || Политология || 4 курс || 1-2 модули<br /> |-<br /> | [[Introduction to Data Culture 2019-2020 | Introduction to Data Culture ]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 1 курс || 2 модуль<br /> |-<br /> | [[ Основы анализа данных в международных отношениях | Основы анализа данных в международных отношениях ]] || Международные отношения || 2 курс || 1-2 модуль<br /> |-<br /> | [[Основы программирования в Python (Политология)|Основы программирования в Python]] || Политология || 3 курс || 1-2 модули<br /> |-<br /> | [[Основы программирования на Python осень 2019 матфак|Основы программирования на Python-1]] || Математика || 1-4 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая грамотность (История 2019) | Цифровая грамотность ]] || История || 1 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая грамотность (Востоковедение 2019) | Цифровая грамотность ]] || Востоковедение|| 1 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая_грамотность_2019-2020(философия) | Цифровая грамотность ]] || Философия || 1 курс || 1-2 модули<br /> |-<br /> | [[ Цифровая грамотность (ассириология и античность 2019) | Цифровая грамотность ]] || Ассириология и античность|| 1 курс || 1-2 модули<br /> |-<br /> | [[ПМСАР-2_2019| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули<br /> |-<br /> | [[Работа с данными]] || Медиакоммуникации || 4 курс || 1 модуль<br /> |-<br /> | [[Машинное обучение (фэн 2019)]] || ФЭН || 3 курс || 1-2 модули<br /> |-<br /> | [[Natural_Language_Processing_Blended_2019_module1 | Natural Language Processing (blended)]] || Прикладная политология || 2 г.о. || 1 модуль<br /> |-<br /> | [[ ML_HSE_NES_2019 | Машинное обучение (ВШЭ-РЭШ)]] || Совместный бакалавриат ВШЭ-РЭШ || 3-4 курс || 1-2 модули<br /> |-<br /> | [[ Основы_анализа_и_визуализации_данных_ДИЯ_2019/2020 | Основы анализа и визуализации данных ]] || ДИЯ || 2 курс || 1,2 модуль<br /> |-<br /> | [[Методы_машинного_обучения_(Прикладная_политология)|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |-<br /> | [[Основы_программирования_на_Python2019/2020|Основы программирования на Python]] || Экономика и статистика || 2-4 курс || 2 модуль<br /> |}<br /> <br /> == Курсы других факультетов ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Курс !! Период<br /> |-<br /> | [[Теория вероятностей и математическая статистика, фэн, 2019-2020|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 3-4 модуль<br /> |-<br /> | [[Микроэконометрика качественных данных, фэн, 2020|Микроэконометрика качественных данных 2020]] || фэн, 4 курс || 1-2 модуль<br /> |}<br /> <br /> == Курсы за 2018/19 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_на_ПМИ_2018/2019_(пилотный_поток) | Математический анализ на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2018/2019_(основной_поток) | Математический анализ на ПМИ (основной поток)]]<br /> <br /> [[Calculus_DSBA_2018/2019 | Calculus I DSBA (ПАД)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2018/2019_(пилотный_поток) | Основы и методология программирования на ПМИ (пилотный поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2019_(С%2B%2B,_основной_поток) | Основы и методология программирования на ПМИ (С++, основной поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[LAaG_DSBA_2018/2019 | LAaG DSBA]]<br /> <br /> [[Дискретная_математика_1_2018/2019 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Discrete_Mathematics_DSBA2018/2019 |Discrete Mathematics DSBA (ПАД)]]<br /> <br /> [[Introduction_to_programming | Introduction to programming DSBA (ПАД)]]<br /> <br /> [[Introduction_to_programming_2 | Introduction to programming 2 DSBA (ПАД)]]<br /> <br /> [[Алгебра_на_ПМИ_2018/2019_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2018/2019_(основной_поток) | Алгебра на ПМИ (основной поток)]]<br /> <br /> [[Algebra_DSBA_2018/2019 | Algebra DSBA]]<br /> <br /> [http://hsealgebra19.wikidot.com Алгебра на ПИ]<br /> <br /> [[Алгоритмы_и_структуры_данных_2018/2019 | Алгоритмы и структуры данных на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> ||<br /> <br /> [http://math-info.hse.ru/2018-19/Дифференциальные_уравнения_(ФКН) Дифференциальные уравнения]<br /> <br /> [[Теория_вероятностей_2018/2019_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2018/2019_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_2018/2019_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]<br /> <br /> [[Математический_анализ_2018/2019_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]<br /> <br /> [[DM2-pilot2018/2019 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[DM2-basic2018/2019 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2018/2019 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Факультатив Теория вычислений]]<br /> <br /> ||<br /> <br /> [[Машинное_обучение_1/2018_2019 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Численные_Методы_2018 | Численные методы ]]<br /> <br /> [[PDC | Параллельные и распределенные вычисления]]<br /> <br /> [[Theory_of_Computing_2018_2019 | Theory of Computing, AMI]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]<br /> <br /> [[Прикладная_статистика_в_машинном_обучении(2018)|Прикладная статистика в машинном обучении]]<br /> <br /> [[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]<br /> <br /> [[Основные методы анализа данных]]<br /> <br /> [[Теория баз данных]]<br /> <br /> [[Непрерывная оптимизация/2019|Непрерывная оптимизация (161-162)]]<br /> <br /> [[Непрерывная оптимизация (163-167)]]<br /> <br /> [[Сложность вычислений и логика в теоретической информатике]]<br /> <br /> [[Data analysis (Software Engineering) 2019|Data analysis]]<br /> <br /> [[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]<br /> <br /> [[Intro to DL Blended | Intro to DL Blended]]<br /> <br /> [[Дискретная оптимизация 2019 | Дискретная оптимизация 2019]]<br /> <br /> ||<br /> <br /> [[Statistical_learning_theory_2018_2019 | Introduction to statistical learning theory]]<br /> <br /> [[Анализ_неструктурированных_данных-2018 |Анализ неструктурированных данных ]]<br /> <br /> [[Байесовские_методы_машинного_обучения_2018|Байесовские методы машинного обучения]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]<br /> <br /> [[НИС_Науки_о_данных_2018/2019|НИС Науки о данных]]<br /> <br /> [[НИС_Распределенные_системы_(4_курс,_2018)|НИС Распределенные системы]]<br /> <br /> [[Теория_Информации_2018/2019|Теория информации]]<br /> <br /> [[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]<br /> <br /> [[Методы_и_системы_обработки_больших_данных_(осень_2018)|Методы и системы обработки больших данных]]<br /> <br /> [[Философия_науки_2018|Философия науки]]<br /> <br /> [[Теория баз данных]]<br /> <br /> [[ConvAppr19 | Выпуклое программирование и аппроксимационные алгоритмы (ТИ)]]<br /> <br /> [[Функциональное программирование 2019 | Функциональное программирование]]<br /> <br /> [[A_Theorist's_Toolkit_2018_2019 | A Theorist's Toolkit, AMI]]<br /> <br /> [[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]<br /> <br /> ||<br /> [[Дополнительные главы теории вероятностей 2019 | Дополнительные главы теории вероятностей 2019]]<br /> <br /> [[Дополнительные главы математической статистики 2019 | Дополнительные главы математической статистики 2019]]<br /> <br /> [[Введение в программирование (курс майнора) 2018/2019]]<br /> <br /> [[dopglavy_DM_1819|Допглавы дискретной математики]]<br /> <br /> [[Современные_методы_машинного_обучения_(курс_майнора)_2018/2019 | Современные методы машинного обучения (курс майнора) 2018/2019]]<br /> <br /> [[Прикладные_задачи_анализа_данных_(майнор_-_весна_2019) | Прикладные задачи анализа данных (майнор - весна 2019)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Функциональный анализ (весна_2019) | Функциональный анализ (весна_2019)]]<br /> <br /> [[KotlinElective| Язык Kotlin (3 и 4 модули 2018-2019)]]<br /> <br /> <br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> === 2 семестр ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> <br /> |-<br /> | [[Основы программирования на Python весна 2020 матфак|Основы программирования на Python-2]] || Математика || 2-4 курс || 3-4 модули<br /> |-<br /> | [[Цифровая_грамотность_(филология)|Цифровая грамотность]] || Филология || 1 курс || 3-4 модули<br /> |-<br /> | [[Цифровая_грамотность_(ИИ_и_культурология)|Цифровая грамотность]] || История искусств и Культурология || 1 курс || 3-4 модули<br /> |-<br /> | [[Цифровая_грамотность_(ИЯМК_2019)|Цифровая грамотность]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 1 курс || 3-4 модули<br /> |-<br /> | [[Основы_анализа_и_визуализации_данных_ДИЯ_2019|Анализ и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 3-4 модули<br /> |-<br /> | [[Научно-исследовательский_семинар_2019| Научно-исследовательский семинар]] || Политология || 1 курс || 3 модуль<br /> |-<br /> | [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |-<br /> | [[Основы_программирования_в_Python_2019|Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модули<br /> |-<br /> | [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули<br /> |-<br /> | [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули<br /> |-<br /> | [[ПМСАР-1|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 1 г.о. || 3-4 модули<br /> |-<br /> | [[Искусственный интеллект и большие данные_(2019)|Искусственный интеллект и большие данные]] || Дизайн, Мода, Современное искусство || 1 курс || 3-4 модули<br /> |-<br /> | [[Информационный менеджмент: Введение в Data Science|Информационный менеджмент: Введение в Data Science]] || Управление бизнесом &lt;br&gt; Маркетинг и рыночная аналитика || 1 курс || 4 модуль<br /> |-<br /> | [[Технологии анализа больших данных|Технологии анализа больших данных]] || ГМУ || 1 курс || 4 модуль<br /> |-<br /> | [[Основы программирования на Python (Прикладное программное обеспечение)|Основы программирования на Python (Прикладное программное обеспечение)]] || Социология || 1 курс || 4 модуль<br /> |-<br /> | [[Основы работы с данными|Основы работы с данными]] || Медиакоммуникации || 2 курс || 4 модуль<br /> |-<br /> | [[Введение_в_data_science_Социология_1_курс|Профориентационный семинар (Data Culture)]] || Социология || 1 курс || 4 модуль<br /> |-<br /> | [[Введение_в_анализ_данных_МирЭк_2019|Введение в анализ данных]] || Мировая экономика || 1 курс || 4 модуль<br /> <br /> |}<br /> <br /> === 1 семестр ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс !! Модули <br /> <br /> |-<br /> | [[Основы анализа данных в международных отношениях 2018/2019|Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули<br /> |-<br /> | [[Introduction_to_Data_Culture_2018-2019|Introduction to Data Culture]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета &quot;Международные отношения&quot; || 1 курс || 2 модуль<br /> |-<br /> | [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули<br /> |-<br /> | [[Цифровая грамотность(востоковедение)|Цифровая грамотность]] || Востоковедение || 1 курс || 1 модуль<br /> |-<br /> | [[Разработка управленческих решений в маркетинге | Разработка управленческих решений в маркетинге]] || Маркетинг и рыночная аналитика || 2 курс || 1-2 модули<br /> |-<br /> | [[Информационные технологии в деятельности юриста_2018-2019| Информационные технологии в деятельности юриста]] || Юриспруденция || 1 курс || 2 модуль<br /> |-<br /> | [[Машинное обучение на матфаке 2018/2019| Машинное обучение]] || Факультет математики || 2-4 курсы || 1-2 модули<br /> |-<br /> | [[ПМСАР-2| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули<br /> |-<br /> | [[Анализ данных в Python (Политологи 1 семестр 1-2 модули)|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули<br /> |-<br /> | [[Основы анализа и визуализации данных для медиа (Журналисты 1 семестр 1 модуль)|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль<br /> |-<br /> | [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули<br /> |-<br /> | [[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<br /> |-<br /> | [[Машинное обучение (ФЭН)]] || Факультет экономических наук || 3-4 курсы || 1-2 модули<br /> |-<br /> | [[Программирование_(python)_для_экономистов|Программирование (Python) для экономистов]] || Факультет экономических наук || 2 курс || 1-2 модули<br /> |-<br /> | [[Цифровая грамотность(философия)|Цифровая грамотность]] || Философия || 1 курс || 1-2 модули<br /> |-<br /> | [[Цифровая_грамотность_(историки)|Цифровая грамотность]] || История || 1 курс || 1-2 модули<br /> |-<br /> | [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 1-2 модули<br /> |-<br /> | [[Статистический анализ в среде R (Социологи 1 семестр 2 модуль)|Статистический анализ в среде R ]] || Социология || 4 курс || 2 модуль<br /> |-<br /> | [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули<br /> |}<br /> <br /> ==Courses of the Statistical Learning Theory program==<br /> [[Neurobayesian_models_2019|Neurobayesian models]]<br /> <br /> == Курсы за 2017/18 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы<br /> |-<br /> |<br /> <br /> [[Математический_анализ_на_ПМИ_2017/2018_(пилотный_поток) | Математический анализ на ПМИ 2017/2018 (пилотный поток)]]<br /> <br /> [[Математический_анализ_на_ПМИ_2017/2018_(основной_поток) | Математический анализ на ПМИ 2017/2018 (основной поток)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(пилотный_поток,_1_модуль) | Основы и методология программирования на ПМИ 2017/2018 (пилотный поток, 1 модуль)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_2_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 2 модуль)]]<br /> <br /> [[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_3_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 3 модуль)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_2017/2018_(основной_поток) | Алгоритмы и структуры данных на ПМИ 2017/2018 (основной поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]<br /> <br /> [[Дискретная_математика_1_2017/2018 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Алгоритмы и структуры данных 1 | Алгоритмы и структуры данных – 1 (пилотный поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]<br /> <br /> [http://hsealgebra18.wikidot.com Алгебра на ПИ]<br /> <br /> ||<br /> [[Теория_вероятностей_2017/2018_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2017/2018_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Математический анализ-3 на ПМИ_2017/2018_(основной_поток) | Математический анализ-2 на ПМИ (основной поток)]]<br /> <br /> [[Математический анализ на ПМИ_2017/2018 | Математический анализ-3 на ПМИ (пилотный поток)]]<br /> <br /> [[DM2-pilot2017/2018 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[DM_2_2017_2018 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы и структуры данных_2_2017/2018 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Дифференциальные уравнения (2 курс, 2017/2018)| Дифференциальные уравнения]]<br /> <br /> ||<br /> [[Машинное_обучение_1/2017_2018 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2/2017_2018 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Численные_методы_2017 | Численные методы]]<br /> <br /> [[Statistics of Stochastic Processes|Статистика случайных процессов 2018]] <br /> <br /> [[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]<br /> <br /> [[Theory_of_Computing | Theory of Computing, AMI]]<br /> <br /> [[Statistical_learning_theory | Introduction to statistical learning theory]]<br /> <br /> [[Основные_методы_анализа_данных_(специализация_АДИС) | Основные методы анализа данных на ПМИ]]<br /> <br /> [[Анализ неструктурированных данных]]<br /> <br /> [[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]<br /> <br /> [[НИС_Распределенные_системы_(3_курс,_2017) | НИС Распределенные системы]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]<br /> <br /> [[Непрерывная_оптимизация | Непрерывная оптимизация]]<br /> <br /> [[ Сложность_и_логика| Сложность вычислений и логика в теоретической информатике]]<br /> <br /> [[Data_analysis_(Software_Engineering)_2018 | Data Analysis на ПИ]]<br /> <br /> [http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]<br /> <br /> [http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных Машинное обучение на больших данных]<br /> <br /> [[Дискретная_оптимизация | Дискретная оптимизация]]<br /> <br /> ||<br /> <br /> [[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]<br /> <br /> [[Философия_науки_2017 | Философия науки]]<br /> <br /> [[НИС_Распределенные_системы_(4_курс,_2017) | НИС Распределенные системы]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]<br /> <br /> [[Анализ неструктурированных данных]]<br /> <br /> [[Байесовские методы машинного обучения 2017 | Байесовские методы машинного обучения]]<br /> <br /> [[Функциональное программирование 2018 | Функциональное программирование]]<br /> <br /> [http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]<br /> <br /> ||<br /> <br /> [[Современные методы машинного обучения (курс майнора) 2017/2018]]<br /> <br /> [[Введение в программирование (курс майнора) 2017/2018]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2017-2018 | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Прикладные задачи анализа данных (майнор - весна 2018)]]<br /> <br /> [[Маго-лего &quot;Линейная алгебра в приложениях&quot; весна 2018 | Линейная алгебра в приложениях (маго-лего)]]<br /> <br /> [[Функциональный анализ 2017/18 | Функциональный анализ на ПМИ (факультатив)]]<br /> <br /> [[Дополнительные главы теории вероятностей и математической статистики (факультативы) | Дополнительные главы теории вероятностей и математической статистики (факультативы)]]<br /> <br /> [[Дополнительные главы дискретной математики 2017/18 | Дополнительные главы дискретной математики (факультатив)]]<br /> <br /> [[Цифровые технологии в гуманитарных науках]]<br /> <br /> |}<br /> <br /> == Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==<br /> <br /> === 2 семестр ===<br /> <br /> [[Цифровая_грамотность_2018_(2_семестр)|Цифровая грамотность (факультет гуманитарных наук — 2 семестр: ИЯМК, Филология, История искусств, Культурология, 1 курс)]]&lt;br /&gt;<br /> [[Научно-исследовательский семинар (ФСН) |Научно-исследовательский семинар (ОП &quot;Политология&quot;, 1 курс)]]&lt;br /&gt;<br /> [[Introduction_to_Data_Culture|Introduction to Data Culture (HSE and University of London Parallel Degree Programme in International Relations, 1 year)]]&lt;br /&gt;<br /> [[ИИ_и_БД|Искусственный интеллект и большие данные (ОП &quot;Дизайн&quot;, &quot;Мода&quot;, 1 курс)]]&lt;br /&gt;<br /> [[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП &quot;Фундаментальная и компьютерная лингвистика&quot;, 4 курс, 2 семестр)]]&lt;br /&gt;<br /> [[Основы анализа данных в международных отношениях|Основы анализа данных в международных отношениях (ОП &quot;Международные отношения&quot;, 2 курс, 4 модуль)]]&lt;br /&gt;<br /> [[Введение в data science (2_семестр)|Профориентационный семинар (блок по введению в data scicence) (Факультет социальных наук — 2 семестр: Социология, 1 курс)]]&lt;br /&gt;<br /> [[Введение в Data Science| Введение в Data Science (ФБиМ, 4 модуль)]]&lt;br /&gt;<br /> <br /> === 1 семестр ===<br /> <br /> [[Цифровая_грамотность|Цифровая грамотность (факультет гуманитарных наук — 1 семестр: История, Философия, 1 курс)]]&lt;br /&gt;<br /> [[Машинное обучение (факультет экономических наук)|Машинное обучение (факультет экономических наук)]] &lt;br /&gt;<br /> [[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП &quot;Фундаментальная и компьютерная лингвистика&quot;, 4 курс, 1 семестр)]]&lt;br /&gt;<br /> [[Извлечение и анализ интернет-данных | Извлечение и анализ интернет-данных (факультет экономических наук)]]&lt;br /&gt;<br /> [[Анализ больших данных в социальных науках (ФСН, 2017) | Анализ больших данных в социальных науках (ФСН, 2017)]]&lt;br /&gt;<br /> [[Информационные_технологии_в_деятельности_юриста|Информационные технологии в деятельности юриста (Факультет права)]] &lt;br /&gt;<br /> [[Машинное_обучение_для_лингвистов|Машинное обучение (магистратура Школы лингвистики)]] &lt;br /&gt;<br /> <br /> == Курсы магистратуры Финансовые технологии и анализ данных ==<br /> <br /> [[Вероятностные_модели_и_прикладная_статистика_в_финансовой_математике|Вероятностные модели и прикладная статистика в финансовой математике]] <br /> <br /> <br /> [[Рекомендательные системы и поиск закономерностей в данных|Рекомендательные системы и поиск закономерностей в данных]]<br /> <br /> <br /> == Courses of Data Science master program/Курсы магистерской программы &quot;Науки о данных&quot; ==<br /> <br /> [[Introduction to Machine Learning and Data Mining |Introduction to Machine Learning and Data Mining 2019]]<br /> <br /> [[Introduction to Machine Learning and Data Mining 2020 |Introduction to Machine Learning and Data Mining 2020]]<br /> <br /> == Курсы за 2016/17 учебный год ==<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! 1 курс !! 2 курс !! 3-4 курс !! майноры<br /> |-<br /> |<br /> <br /> [[Математический анализ на ПМИ_2016/2017 | Математический анализ на ПМИ (пилотный поток)]]<br /> <br /> [[Линейная алгебра и геометрия_2016/2017 | Линейная алгебра и геометрия на ПМИ]]<br /> <br /> [[Дискретная_математика_1_2016/2017 | Дискретная математика-1 на ПМИ]]<br /> <br /> [[Основы и методология программирования_2016/2017_пилотный_поток | Основы и методология программирования на ПМИ (пилотный поток)]]<br /> <br /> [[Основы и методология программирования_2016/2017 | Основы и методология программирования на ПМИ (основной поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_(пилотный_поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_на_ПМИ_(основной_поток) | Алгоритмы и структуры данных на ПМИ (основной поток)]]<br /> <br /> [[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]<br /> <br /> [http://hsealgebra17.wikidot.com/ Алгебра на ПИ]<br /> <br /> || <br /> <br /> [[Математический анализ_2016/2017 | Математический анализ-3 на ПМИ (основной поток)]]<br /> <br /> [[Математически_анализ_3_на_ПМИ_(пилотный_поток) | Математический анализ-3 на ПМИ (пилотный поток)]]<br /> <br /> [[DM_2_2016_2017 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> [[Дискретная математика_2_2016/2017 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[Алгоритмы и структуры данных_2_2016/2017 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Теория вероятностей_2016/2017 | Теория вероятностей на ПМИ (основной поток)]]<br /> <br /> [[Теория_вероятностей_2016/2017_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]<br /> <br /> [[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы]]<br /> <br /> [[Факультатив_теория_вычислений_2016/2017 | Факультатив теория вычислений на ПМИ]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей_(факультатив,_2017) | Дополнительные главы теории вероятностей (факультатив)]]<br /> <br /> [[Дифференциальные_уравнения_(2_курс,_2016/2017) | Дифференциальные уравнения]]<br /> <br /> [[Математическая_статистика_2016/2017_(пилотный_поток) | Математическая статистика на ПМИ (пилотный поток)]]<br /> <br /> [[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы ]]<br /> <br /> || <br /> <br /> [[НИС_Машинное_обучение_и_приложения_2016/2017 | НИС Машинное обучение и приложения на ПМИ]]<br /> <br /> [[Машинное_обучение_1/2016_2017 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Машинное_обучение_2/2016_2017 | Машинное обучение 2 на ПМИ]]<br /> <br /> [[Прикладной_статистический_анализ_данных | Прикладной статистический анализ данных на ПМИ]]<br /> <br /> [[Численные_методы_в_анализе_данных | Численные методы в анализе данных на ПМИ]]<br /> <br /> [http://www.machinelearning.ru/wiki/index.php?title=Статистика_случайных_процессов_(курс_лекций,_ФКН_ВШЭ) Вероятностные модели и статистика случайных процессов на ПМИ]<br /> <br /> [http://www.machinelearning.ru/wiki/index.php?title=Opt Методы оптимизации на ПМИ (специализации МОП и РС)]<br /> <br /> [[Методы_оптимизации_(весна_2017)|Методы оптимизации 2 (дискретная оптимизация)]]<br /> <br /> [[НИС_Распределенные_системы_(осень_2016) | НИС Распределенные системы]]<br /> <br /> [[Анализ и верификация алгоритмов биржевой торговли | Анализ и верификация алгоритмов для систем биржевой торговли ]]<br /> <br /> [[Программирование_на_графических_процессорах | Программирование на графических процессорах]]<br /> <br /> [[ЯРПО | Языки разработки ПО (курс по выбору) на ПМИ]]<br /> <br /> [[Data analysis (Software Engineering) 2017 | Data analysis на ПИ]]<br /> <br /> [[Базы данных 2 | Базы данных 2 ]]<br /> <br /> [[Компьютерные сети 2 | Компьютерные сети 2]]<br /> <br /> [[Машинное_обучение_на_больших_данных | Машинное обучение на больших данных на ПМИ]]<br /> <br /> ||<br /> <br /> [[Современные_методы_машинного_обучения_(курс_майнора) | Современные методы машинного обучения (курс майнора)]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_программирование_2016/2017 | Введение в программирование (курс майнора)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2016-2017 | Введение в анализ данных (курс майнора)]]<br /> <br /> [[Майнор Интеллектуальный анализ данных/Прикладные задачи анализа данных| Прикладные задачи анализа данных (курс майнора)]]<br /> <br /> |}<br /> <br /> {|width=100%<br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Первая колонка --&gt;<br /> <br /> === Курсы за 2015/16 учебный год ===<br /> {|<br /> |-<br /> | [[Технологии программирования|Технологии программирования на ПМИ]]<br /> |-<br /> |[[ОиМП-2015|Основы и методология программирования на ПМИ]]<br /> |-<br /> |[[Алгоритмы и структуры данных 2016]]<br /> |-<br /> |[[Линейная алгебра и геометрия_2015/2016 | Линейная алгебра и геометрия на ПМИ]]<br /> |-<br /> |[[Алгебра_2015/2016 | Алгебра на ПМИ]]<br /> |-<br /> |[http://hsealgebra.wikidot.com/ Алгебра на ПИ]<br /> |-<br /> |[[Компьютерные системы]]<br /> |-<br /> |[[Математический анализ на ПМИ_2015/2016 | Математический анализ на ПМИ]]<br /> |-<br /> |[[Факультатив_Матпрактикум | Матпрактикум (факультатив) на ПМИ]]<br /> |-<br /> |[[Data analysis (Software Engineering)]]&lt;br /&gt;<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора) на ПМИ]]<br /> |-<br /> |[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2015-2016|Введение в анализ данных (курс майнора) на ПМИ]]<br /> |-<br /> |[[НИС Машинное обучение и приложения|НИС Машинное обучение и приложения на ПМИ]]<br /> |-<br /> |[[Архитектура компьютеров и системное программирование (ПМИ_4, 2015/2016)|Архитектура компьютеров и системное программирование (4 курс)]]<br /> |-<br /> |[[Дифференциальные уравнения (2 курс, 2015/2016)| Дифференциальные уравнения]]<br /> |-<br /> |[[Введение в VBA|Введение в VBA]]<br /> |}<br /> <br /> |style=&quot;vertical-align:top;&quot;|<br /> <br /> &lt;!-- Вторая колонка --&gt;<br /> <br /> === Курсы за 2014/15 учебный год ===<br /> {|<br /> |-<br /> |[[Основы и методологии программирования]]&lt;br /&gt;<br /> |-<br /> |[[Алгоритмы и структуры данных 2015 | Алгоритмы и структуры данных]]&lt;br /&gt;<br /> |-<br /> |[[Анализ данных (Программная инженерия)]]&lt;br /&gt;<br /> |-<br /> |[[Алгебра_2014/2015 | Алгебра]]&lt;br /&gt;<br /> |-<br /> |[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]<br /> |}<br /> <br /> ==== Проектная работа ====<br /> {|<br /> |-<br /> |[[Проектная работа]] &lt;br /&gt;<br /> |-<br /> |[[Учебная практика 1 курс (2016)]]<br /> |-<br /> |[[Проектная работа 2 курс (2016)]]<br /> |}<br /> <br /> &lt;!-- Завершение двухколоночной таблицы --&gt;<br /> |}<br /> <br /> == Мероприятия факультета компьютерных наук ==<br /> === Summer School 2015 ===<br /> [[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]<br /> #[[Lecture 1. Introduction|Introduction]]<br /> #[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]<br /> #[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]<br /> #[[Lecture 4. Parsing|Parsing]]<br /> #[[Lecture 5. Language sources|Language sources]]<br /> #[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]<br /> #[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]<br /> #[[NLP References|References]]<br /> <br /> == Архив ==<br /> * [[Учебная практика 1 курс (2015)]]</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%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&diff=57654 2021-09-08T09:54:40Z

<p>Marina Ananyeva: /* Ссылки на видеозаписи занятий */</p> <hr /> <div>== О курсе ==<br /> <br /> '''Преподаватели:'''<br /> <br /> Лекции - Кантонистова Елена Олеговна<br /> <br /> Семинары - Кантонистова Елена Олеговна, Ананьева Марина Евгеньевна, Липатов Иван Константинович<br /> <br /> === Лекции и семинары ===<br /> Канал курса: https://t.me/ml_econom<br /> <br /> Лекции проводятся в Zoom по вторникам в 13:00: [https://zoom.us/j/98602374366?pwd=RTZmTnJOYTV2OEpPVitQNTRPR0FwQT09 Zoom]<br /> <br /> Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_Econom_2021-2022<br /> <br /> === Ссылки на видеозаписи занятий ===<br /> Записи лекций и семинаров: https://www.youtube.com/playlist?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db &lt;br&gt;<br /> На данный момент, очные занятия проводятся только в учебной группе у Ивана Липатова.<br /> <br /> === Как связаться с преподавателями и куда сдавать домашки ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br /> |-<br /> | Понедельник 9:30 || offline in R612 || [https://telegram.me/vgodie Иван Липатов] || [https://t.me/Savely_Prokhorov Савелий Прохоров] || || https://t.me/joinchat/9CNMwhLK8xk1Nzky<br /> |-<br /> | Вторник 14:40 || [https://zoom.us/j/96213248808?pwd=SGIyQ1VYVnUwdFlQNjRUSTVBMW41Zz09 Zoom] || [https://telegram.me/murr4a Елена Кантонистова] || https://t.me/NikPatov || || https://t.me/joinchat/Q7VxeQYxw1c5YWUy<br /> |-<br /> | Среда 9:30 || [https://zoom.us/j/97313453096?pwd=ZHhNaTdLTDIwM3BkVklNRk5Rb0ZMdz09 Zoom] || [https://telegram.me/ananyevame Марина Ананьева] || [https://telegram.me/masstermax Максим Гудзикевич] || || <br /> https://t.me/joinchat/ugMZ2TOgix1jOGJi<br /> |}<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> <br /> * самостоятельные работы на семинарах (пятиминутки);<br /> <br /> * коллоквиум в сессию первого модуля (письменный);<br /> <br /> * домашние задания (в том числе соревнование на Kaggle);<br /> <br /> * экзамен в сессию второго модуля (письменный).<br /> <br /> Все работы оцениваются в 10 баллов. <br /> <br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> '''0.3 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.3 * Экзамен'''<br /> <br /> <br /> * Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br /> <br /> * 20% слушателей с наибольшим накопленным баллом получают автоматом 10 баллов за курс.<br /> <br /> == Коллоквиум ==<br /> Коллоквиум будет проходить в сессию первого модуля. Коллоквиум проходит в письменном виде. <br /> <br /> Подробности будут объявлены позже.<br /> <br /> == Экзамен ==<br /> <br /> Экзамен будет проходить в сессию второго модуля. Экзамен проходит в письменном виде.<br /> <br /> Подробности будут объявлены позже.<br /> <br /> == Лекции ==<br /> Материалы лекций: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Лекции<br /> <br /> '''Лекция 1.''' Введение в машинное обучение. https://disk.yandex.ru/i/JHNvKBmiug8ifA<br /> <br /> '''Лекция 2.''' Линейная регрессия, градиентный спуск<br /> <br /> '''Лекция 3.''' Метрики качества регрессии<br /> <br /> '''Лекция 4.''' Линейные классификаторы (1).<br /> <br /> '''Лекция 5.''' Линейные классификаторы (2).<br /> <br /> '''Лекция 6.''' Многоклассовая классификация. Нелинейные модели. Калибровка вероятностей. <br /> <br /> '''Лекция 7.''' Работа с текстовыми данными. Работа с выбросами<br /> <br /> '''Лекция 8.''' Снижение размерности<br /> <br /> '''Лекция 9.''' Решающие деревья<br /> <br /> '''Лекция 10.''' Бэггинг<br /> <br /> '''Лекция 11.''' Бустинг<br /> <br /> '''Лекция 12.''' Временные ряды.<br /> <br /> '''Лекция 13.''' Кластеризация и визуализация данных.<br /> <br /> '''Лекция 14.''' Введение в нейронные сети.<br /> <br /> == Семинары ==<br /> Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары<br /> <br /> '''Семинар 1.''' Основы линейной алгебры и матричного дифференцирования<br /> <br /> '''Семинар 2.''' Одномерная регрессия ручками, градиентный спуск<br /> <br /> '''Семинар 3.''' Вывод оптимальных констант некоторых функций потерь. Обсуждение предобработки данных<br /> <br /> '''Семинар 4.''' Решение теоретико-практических задач.<br /> <br /> '''Семинар 5.''' Теоретические задачи на персептрон и логистическую регрессию<br /> <br /> '''Семинар 6.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 7.''' Обсуждение feature extraction и feature selection<br /> <br /> '''Семинар 8.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 9.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 10.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 11.''' Бустинг и его имплементации<br /> <br /> '''Семинар 12.''' Catboost<br /> <br /> '''Семинар 13.''' Временные ряды<br /> <br /> '''Семинар 14.''' Кластеризация<br /> <br /> == Домашние задания ==<br /> На курсе планируется 7 домашних заданий. Формула вычисления итоговой оценки: взвешенное среднее из 6 домашних заданий с максимальными баллами.<br /> <br /> Каждое домашнее задание имеет индивидуальный вес, который будет появляться одновременно с появлением очередного домашнего задания.<br /> <br /> Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/ Anytask]. <br /> <br /> '''Домашняя работа 1.''' <br /> <br /> '''Домашняя работа 2.'''<br /> <br /> '''Домашняя работа 3.'''<br /> <br /> '''Домашняя работа 4.'''<br /> <br /> '''Домашняя работа 5.'''<br /> <br /> '''Домашняя работа 6.'''<br /> <br /> '''Домашняя работа 7.'''<br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br /> * Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%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&diff=57653 2021-09-08T09:54:20Z

<p>Marina Ananyeva: /* Ссылки на видеозаписи занятий */</p> <hr /> <div>== О курсе ==<br /> <br /> '''Преподаватели:'''<br /> <br /> Лекции - Кантонистова Елена Олеговна<br /> <br /> Семинары - Кантонистова Елена Олеговна, Ананьева Марина Евгеньевна, Липатов Иван Константинович<br /> <br /> === Лекции и семинары ===<br /> Канал курса: https://t.me/ml_econom<br /> <br /> Лекции проводятся в Zoom по вторникам в 13:00: [https://zoom.us/j/98602374366?pwd=RTZmTnJOYTV2OEpPVitQNTRPR0FwQT09 Zoom]<br /> <br /> Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_Econom_2021-2022<br /> <br /> === Ссылки на видеозаписи занятий ===<br /> Записи лекций и семинаров: https://www.youtube.com/playlist?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db <br /> На данный момент очные занятия проводятся только в учебной группе у Ивана Липатова.<br /> <br /> === Как связаться с преподавателями и куда сдавать домашки ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br /> |-<br /> | Понедельник 9:30 || offline in R612 || [https://telegram.me/vgodie Иван Липатов] || [https://t.me/Savely_Prokhorov Савелий Прохоров] || || https://t.me/joinchat/9CNMwhLK8xk1Nzky<br /> |-<br /> | Вторник 14:40 || [https://zoom.us/j/96213248808?pwd=SGIyQ1VYVnUwdFlQNjRUSTVBMW41Zz09 Zoom] || [https://telegram.me/murr4a Елена Кантонистова] || https://t.me/NikPatov || || https://t.me/joinchat/Q7VxeQYxw1c5YWUy<br /> |-<br /> | Среда 9:30 || [https://zoom.us/j/97313453096?pwd=ZHhNaTdLTDIwM3BkVklNRk5Rb0ZMdz09 Zoom] || [https://telegram.me/ananyevame Марина Ананьева] || [https://telegram.me/masstermax Максим Гудзикевич] || || <br /> https://t.me/joinchat/ugMZ2TOgix1jOGJi<br /> |}<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> <br /> * самостоятельные работы на семинарах (пятиминутки);<br /> <br /> * коллоквиум в сессию первого модуля (письменный);<br /> <br /> * домашние задания (в том числе соревнование на Kaggle);<br /> <br /> * экзамен в сессию второго модуля (письменный).<br /> <br /> Все работы оцениваются в 10 баллов. <br /> <br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> '''0.3 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.3 * Экзамен'''<br /> <br /> <br /> * Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br /> <br /> * 20% слушателей с наибольшим накопленным баллом получают автоматом 10 баллов за курс.<br /> <br /> == Коллоквиум ==<br /> Коллоквиум будет проходить в сессию первого модуля. Коллоквиум проходит в письменном виде. <br /> <br /> Подробности будут объявлены позже.<br /> <br /> == Экзамен ==<br /> <br /> Экзамен будет проходить в сессию второго модуля. Экзамен проходит в письменном виде.<br /> <br /> Подробности будут объявлены позже.<br /> <br /> == Лекции ==<br /> Материалы лекций: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Лекции<br /> <br /> '''Лекция 1.''' Введение в машинное обучение. https://disk.yandex.ru/i/JHNvKBmiug8ifA<br /> <br /> '''Лекция 2.''' Линейная регрессия, градиентный спуск<br /> <br /> '''Лекция 3.''' Метрики качества регрессии<br /> <br /> '''Лекция 4.''' Линейные классификаторы (1).<br /> <br /> '''Лекция 5.''' Линейные классификаторы (2).<br /> <br /> '''Лекция 6.''' Многоклассовая классификация. Нелинейные модели. Калибровка вероятностей. <br /> <br /> '''Лекция 7.''' Работа с текстовыми данными. Работа с выбросами<br /> <br /> '''Лекция 8.''' Снижение размерности<br /> <br /> '''Лекция 9.''' Решающие деревья<br /> <br /> '''Лекция 10.''' Бэггинг<br /> <br /> '''Лекция 11.''' Бустинг<br /> <br /> '''Лекция 12.''' Временные ряды.<br /> <br /> '''Лекция 13.''' Кластеризация и визуализация данных.<br /> <br /> '''Лекция 14.''' Введение в нейронные сети.<br /> <br /> == Семинары ==<br /> Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары<br /> <br /> '''Семинар 1.''' Основы линейной алгебры и матричного дифференцирования<br /> <br /> '''Семинар 2.''' Одномерная регрессия ручками, градиентный спуск<br /> <br /> '''Семинар 3.''' Вывод оптимальных констант некоторых функций потерь. Обсуждение предобработки данных<br /> <br /> '''Семинар 4.''' Решение теоретико-практических задач.<br /> <br /> '''Семинар 5.''' Теоретические задачи на персептрон и логистическую регрессию<br /> <br /> '''Семинар 6.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 7.''' Обсуждение feature extraction и feature selection<br /> <br /> '''Семинар 8.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 9.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 10.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 11.''' Бустинг и его имплементации<br /> <br /> '''Семинар 12.''' Catboost<br /> <br /> '''Семинар 13.''' Временные ряды<br /> <br /> '''Семинар 14.''' Кластеризация<br /> <br /> == Домашние задания ==<br /> На курсе планируется 7 домашних заданий. Формула вычисления итоговой оценки: взвешенное среднее из 6 домашних заданий с максимальными баллами.<br /> <br /> Каждое домашнее задание имеет индивидуальный вес, который будет появляться одновременно с появлением очередного домашнего задания.<br /> <br /> Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/ Anytask]. <br /> <br /> '''Домашняя работа 1.''' <br /> <br /> '''Домашняя работа 2.'''<br /> <br /> '''Домашняя работа 3.'''<br /> <br /> '''Домашняя работа 4.'''<br /> <br /> '''Домашняя работа 5.'''<br /> <br /> '''Домашняя работа 6.'''<br /> <br /> '''Домашняя работа 7.'''<br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br /> * Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%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&diff=57628 2021-09-08T04:34:28Z

<p>Marina Ananyeva: добавлена ссылка на чат группы по средам</p> <hr /> <div>== О курсе ==<br /> <br /> '''Преподаватели:'''<br /> <br /> Лекции - Кантонистова Елена Олеговна<br /> <br /> Семинары - Кантонистова Елена Олеговна, Ананьева Марина Евгеньевна, Липатов Иван Константинович<br /> <br /> === Лекции и семинары ===<br /> Канал курса: https://t.me/ml_econom<br /> <br /> Лекции проводятся в Zoom по вторникам в 13:00: [https://zoom.us/j/98602374366?pwd=RTZmTnJOYTV2OEpPVitQNTRPR0FwQT09 Zoom]<br /> <br /> Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_Econom_2021-2022<br /> <br /> === Ссылки на видеозаписи занятий ===<br /> На данный момент очные занятия проводятся только в учебной группе у Ивана Липатова.<br /> <br /> === Как связаться с преподавателями и куда сдавать домашки ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> | Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br /> |-<br /> | Понедельник 9:30 || offline in R612 || [https://telegram.me/vgodie Иван Липатов] || [https://t.me/Savely_Prokhorov Савелий Прохоров] || || https://t.me/joinchat/9CNMwhLK8xk1Nzky<br /> |-<br /> | Вторник 14:40 || [https://zoom.us/j/96213248808?pwd=SGIyQ1VYVnUwdFlQNjRUSTVBMW41Zz09 Zoom] || [https://telegram.me/murr4a Елена Кантонистова] || https://t.me/NikPatov || || https://t.me/joinchat/Q7VxeQYxw1c5YWUy<br /> |-<br /> | Среда 9:30 || [https://zoom.us/j/97313453096?pwd=ZHhNaTdLTDIwM3BkVklNRk5Rb0ZMdz09 Zoom] || [https://telegram.me/ananyevame Марина Ананьева] || [https://telegram.me/masstermax Максим Гудзикевич] || || <br /> https://t.me/joinchat/ugMZ2TOgix1jOGJi<br /> |}<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> <br /> * самостоятельные работы на семинарах (пятиминутки);<br /> <br /> * коллоквиум в сессию первого модуля (письменный);<br /> <br /> * домашние задания (в том числе соревнование на Kaggle);<br /> <br /> * экзамен в сессию второго модуля (письменный).<br /> <br /> Все работы оцениваются в 10 баллов. <br /> <br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> '''0.3 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.3 * Экзамен'''<br /> <br /> <br /> * Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br /> <br /> * 20% слушателей с наибольшим накопленным баллом получают автоматом 10 баллов за курс.<br /> <br /> == Коллоквиум ==<br /> Коллоквиум будет проходить в сессию первого модуля. Коллоквиум проходит в письменном виде. <br /> <br /> Подробности будут объявлены позже.<br /> <br /> == Экзамен ==<br /> <br /> Экзамен будет проходить в сессию второго модуля. Экзамен проходит в письменном виде.<br /> <br /> Подробности будут объявлены позже.<br /> <br /> == Лекции ==<br /> Материалы лекций: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Лекции<br /> <br /> '''Лекция 1.''' Введение в машинное обучение. https://disk.yandex.ru/i/JHNvKBmiug8ifA<br /> <br /> '''Лекция 2.''' Линейная регрессия, градиентный спуск<br /> <br /> '''Лекция 3.''' Метрики качества регрессии<br /> <br /> '''Лекция 4.''' Линейные классификаторы (1).<br /> <br /> '''Лекция 5.''' Линейные классификаторы (2).<br /> <br /> '''Лекция 6.''' Многоклассовая классификация. Нелинейные модели. Калибровка вероятностей. <br /> <br /> '''Лекция 7.''' Работа с текстовыми данными. Работа с выбросами<br /> <br /> '''Лекция 8.''' Снижение размерности<br /> <br /> '''Лекция 9.''' Решающие деревья<br /> <br /> '''Лекция 10.''' Бэггинг<br /> <br /> '''Лекция 11.''' Бустинг<br /> <br /> '''Лекция 12.''' Временные ряды.<br /> <br /> '''Лекция 13.''' Кластеризация и визуализация данных.<br /> <br /> '''Лекция 14.''' Введение в нейронные сети.<br /> <br /> == Семинары ==<br /> Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары<br /> <br /> '''Семинар 1.''' Основы линейной алгебры и матричного дифференцирования<br /> <br /> '''Семинар 2.''' Одномерная регрессия ручками, градиентный спуск<br /> <br /> '''Семинар 3.''' Вывод оптимальных констант некоторых функций потерь. Обсуждение предобработки данных<br /> <br /> '''Семинар 4.''' Решение теоретико-практических задач.<br /> <br /> '''Семинар 5.''' Теоретические задачи на персептрон и логистическую регрессию<br /> <br /> '''Семинар 6.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 7.''' Обсуждение feature extraction и feature selection<br /> <br /> '''Семинар 8.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 9.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 10.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 11.''' Бустинг и его имплементации<br /> <br /> '''Семинар 12.''' Catboost<br /> <br /> '''Семинар 13.''' Временные ряды<br /> <br /> '''Семинар 14.''' Кластеризация<br /> <br /> == Домашние задания ==<br /> На курсе планируется 7 домашних заданий. Формула вычисления итоговой оценки: взвешенное среднее из 6 домашних заданий с максимальными баллами.<br /> <br /> Каждое домашнее задание имеет индивидуальный вес, который будет появляться одновременно с появлением очередного домашнего задания.<br /> <br /> Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/ Anytask]. <br /> <br /> '''Домашняя работа 1.''' <br /> <br /> '''Домашняя работа 2.'''<br /> <br /> '''Домашняя работа 3.'''<br /> <br /> '''Домашняя работа 4.'''<br /> <br /> '''Домашняя работа 5.'''<br /> <br /> '''Домашняя работа 6.'''<br /> <br /> '''Домашняя работа 7.'''<br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br /> * Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%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&diff=57434 2021-09-06T17:12:39Z

<p>Marina Ananyeva: update про очные занятия</p> <hr /> <div>== О курсе ==<br /> <br /> '''Преподаватели:'''<br /> <br /> Лекции - Кантонистова Елена Олеговна<br /> <br /> Семинары - Кантонистова Елена Олеговна, Ананьева Марина Евгеньевна, Липатов Иван Константинович<br /> <br /> === Лекции и семинары ===<br /> Канал курса: https://t.me/ml_econom<br /> <br /> Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_Econom_2021-2022<br /> <br /> === Ссылки на видеозаписи занятий ===<br /> На данный момент очные занятия проводятся только в учебной группе у Ивана Липатова.<br /> <br /> === Как связаться с преподавателями и куда сдавать домашки ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент || Инвайт в anytask || Чат в telegram <br /> |-<br /> | Понедельник || [https://telegram.me/vgodie Иван Липатов] || [https://t.me/Savely_Prokhorov Савелий Прохоров] || || https://t.me/joinchat/9CNMwhLK8xk1Nzky<br /> |-<br /> | Вторник|| [https://telegram.me/murr4a Елена Кантонистова] || https://t.me/NikPatov || || https://t.me/joinchat/Q7VxeQYxw1c5YWUy<br /> |-<br /> | Среда|| [https://telegram.me/ananyevame Марина Ананьева] || [https://telegram.me/masstermax Максим Гудзикевич] || || <br /> |-<br /> |}<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> <br /> * самостоятельные работы на семинарах (пятиминутки);<br /> <br /> * коллоквиум в сессию первого модуля (письменный);<br /> <br /> * домашние задания (в том числе соревнование на Kaggle);<br /> <br /> * экзамен в сессию второго модуля (письменный).<br /> <br /> Все работы оцениваются в 10 баллов. <br /> <br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> '''0.3 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.3 * Экзамен'''<br /> <br /> <br /> * Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br /> <br /> * 20% слушателей с наибольшим накопленным баллом получают автоматом 10 баллов за курс.<br /> <br /> == Коллоквиум ==<br /> Коллоквиум будет проходить в сессию первого модуля. Коллоквиум проходит в письменном виде. <br /> <br /> Подробности будут объявлены позже.<br /> <br /> == Экзамен ==<br /> <br /> Экзамен будет проходить в сессию второго модуля. Экзамен проходит в письменном виде.<br /> <br /> Подробности будут объявлены позже.<br /> <br /> == Лекции ==<br /> Материалы лекций: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Лекции<br /> <br /> '''Лекция 1.''' Введение в машинное обучение. <br /> <br /> '''Лекция 2.''' Линейная регрессия, градиентный спуск<br /> <br /> '''Лекция 3.''' Метрики качества регрессии<br /> <br /> '''Лекция 4.''' Линейные классификаторы (1).<br /> <br /> '''Лекция 5.''' Линейные классификаторы (2).<br /> <br /> '''Лекция 6.''' Многоклассовая классификация. Нелинейные модели. Калибровка вероятностей. <br /> <br /> '''Лекция 7.''' Работа с текстовыми данными. Работа с выбросами<br /> <br /> '''Лекция 8.''' Снижение размерности<br /> <br /> '''Лекция 9.''' Решающие деревья<br /> <br /> '''Лекция 10.''' Бэггинг<br /> <br /> '''Лекция 11.''' Бустинг<br /> <br /> '''Лекция 12.''' Временные ряды.<br /> <br /> '''Лекция 13.''' Кластеризация и визуализация данных.<br /> <br /> '''Лекция 14.''' Введение в нейронные сети.<br /> <br /> == Семинары ==<br /> Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары<br /> <br /> '''Семинар 1.''' Основы линейной алгебры и матричного дифференцирования<br /> <br /> '''Семинар 2.''' Одномерная регрессия ручками, градиентный спуск<br /> <br /> '''Семинар 3.''' Вывод оптимальных констант некоторых функций потерь. Обсуждение предобработки данных<br /> <br /> '''Семинар 4.''' Решение теоретико-практических задач.<br /> <br /> '''Семинар 5.''' Теоретические задачи на персептрон и логистическую регрессию<br /> <br /> '''Семинар 6.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 7.''' Обсуждение feature extraction и feature selection<br /> <br /> '''Семинар 8.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 9.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 10.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 11.''' Бустинг и его имплементации<br /> <br /> '''Семинар 12.''' Catboost<br /> <br /> '''Семинар 13.''' Временные ряды<br /> <br /> '''Семинар 14.''' Кластеризация<br /> <br /> == Домашние задания ==<br /> На курсе планируется 7 домашних заданий. Формула вычисления итоговой оценки: взвешенное среднее из 6 домашних заданий с максимальными баллами.<br /> <br /> Каждое домашнее задание имеет индивидуальный вес, который будет появляться одновременно с появлением очередного домашнего задания.<br /> <br /> Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/ Anytask]. <br /> <br /> '''Домашняя работа 1.''' <br /> <br /> '''Домашняя работа 2.'''<br /> <br /> '''Домашняя работа 3.'''<br /> <br /> '''Домашняя работа 4.'''<br /> <br /> '''Домашняя работа 5.'''<br /> <br /> '''Домашняя работа 6.'''<br /> <br /> '''Домашняя работа 7.'''<br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br /> * Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=%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&diff=57433 2021-09-06T17:10:37Z

<p>Marina Ananyeva: исправлена ошибка в имени преподавателя</p> <hr /> <div>== О курсе ==<br /> <br /> '''Преподаватели:'''<br /> <br /> Лекции - Кантонистова Елена Олеговна<br /> <br /> Семинары - Кантонистова Елена Олеговна, Ананьева Марина Евгеньевна, Липатов Иван Константинович<br /> <br /> === Лекции и семинары ===<br /> Канал курса: https://t.me/ml_econom<br /> <br /> Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_Econom_2021-2022<br /> <br /> === Ссылки на видеозаписи занятий ===<br /> На данный момент все занятия проводятся очно, в аудиториях.<br /> <br /> === Как связаться с преподавателями и куда сдавать домашки ===<br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент || Инвайт в anytask || Чат в telegram <br /> |-<br /> | Понедельник || [https://telegram.me/vgodie Иван Липатов] || [https://t.me/Savely_Prokhorov Савелий Прохоров] || || https://t.me/joinchat/9CNMwhLK8xk1Nzky<br /> |-<br /> | Вторник|| [https://telegram.me/murr4a Елена Кантонистова] || https://t.me/NikPatov || || https://t.me/joinchat/Q7VxeQYxw1c5YWUy<br /> |-<br /> | Среда|| [https://telegram.me/ananyevame Марина Ананьева] || [https://telegram.me/masstermax Максим Гудзикевич] || || <br /> |-<br /> |}<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> <br /> * самостоятельные работы на семинарах (пятиминутки);<br /> <br /> * коллоквиум в сессию первого модуля (письменный);<br /> <br /> * домашние задания (в том числе соревнование на Kaggle);<br /> <br /> * экзамен в сессию второго модуля (письменный).<br /> <br /> Все работы оцениваются в 10 баллов. <br /> <br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> '''0.3 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.3 * Экзамен'''<br /> <br /> <br /> * Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br /> <br /> * 20% слушателей с наибольшим накопленным баллом получают автоматом 10 баллов за курс.<br /> <br /> == Коллоквиум ==<br /> Коллоквиум будет проходить в сессию первого модуля. Коллоквиум проходит в письменном виде. <br /> <br /> Подробности будут объявлены позже.<br /> <br /> == Экзамен ==<br /> <br /> Экзамен будет проходить в сессию второго модуля. Экзамен проходит в письменном виде.<br /> <br /> Подробности будут объявлены позже.<br /> <br /> == Лекции ==<br /> Материалы лекций: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Лекции<br /> <br /> '''Лекция 1.''' Введение в машинное обучение. <br /> <br /> '''Лекция 2.''' Линейная регрессия, градиентный спуск<br /> <br /> '''Лекция 3.''' Метрики качества регрессии<br /> <br /> '''Лекция 4.''' Линейные классификаторы (1).<br /> <br /> '''Лекция 5.''' Линейные классификаторы (2).<br /> <br /> '''Лекция 6.''' Многоклассовая классификация. Нелинейные модели. Калибровка вероятностей. <br /> <br /> '''Лекция 7.''' Работа с текстовыми данными. Работа с выбросами<br /> <br /> '''Лекция 8.''' Снижение размерности<br /> <br /> '''Лекция 9.''' Решающие деревья<br /> <br /> '''Лекция 10.''' Бэггинг<br /> <br /> '''Лекция 11.''' Бустинг<br /> <br /> '''Лекция 12.''' Временные ряды.<br /> <br /> '''Лекция 13.''' Кластеризация и визуализация данных.<br /> <br /> '''Лекция 14.''' Введение в нейронные сети.<br /> <br /> == Семинары ==<br /> Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары<br /> <br /> '''Семинар 1.''' Основы линейной алгебры и матричного дифференцирования<br /> <br /> '''Семинар 2.''' Одномерная регрессия ручками, градиентный спуск<br /> <br /> '''Семинар 3.''' Вывод оптимальных констант некоторых функций потерь. Обсуждение предобработки данных<br /> <br /> '''Семинар 4.''' Решение теоретико-практических задач.<br /> <br /> '''Семинар 5.''' Теоретические задачи на персептрон и логистическую регрессию<br /> <br /> '''Семинар 6.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 7.''' Обсуждение feature extraction и feature selection<br /> <br /> '''Семинар 8.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 9.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 10.''' Решение теоретико-практических задач<br /> <br /> '''Семинар 11.''' Бустинг и его имплементации<br /> <br /> '''Семинар 12.''' Catboost<br /> <br /> '''Семинар 13.''' Временные ряды<br /> <br /> '''Семинар 14.''' Кластеризация<br /> <br /> == Домашние задания ==<br /> На курсе планируется 7 домашних заданий. Формула вычисления итоговой оценки: взвешенное среднее из 6 домашних заданий с максимальными баллами.<br /> <br /> Каждое домашнее задание имеет индивидуальный вес, который будет появляться одновременно с появлением очередного домашнего задания.<br /> <br /> Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/ Anytask]. <br /> <br /> '''Домашняя работа 1.''' <br /> <br /> '''Домашняя работа 2.'''<br /> <br /> '''Домашняя работа 3.'''<br /> <br /> '''Домашняя работа 4.'''<br /> <br /> '''Домашняя работа 5.'''<br /> <br /> '''Домашняя работа 6.'''<br /> <br /> '''Домашняя работа 7.'''<br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br /> * Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br /> * Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br /> * Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br /> * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br /> * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br /> * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br /> * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=Data_Analysis_in_Python_2020-2021&diff=53982 2021-05-04T14:17:57Z

<p>Marina Ananyeva: /* Materials */</p> <hr /> <div>==About the course==<br /> <br /> The course is conducted for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'. <br /> <br /> '''Abstract:'''<br /> In this course students are introduced to the rapidly growing field of data analytics with the specific focus on Python programming language. Students will learn concepts, techniques and tools they need to make meaningful inferences from data. Students will be exposed to a real-world data sets to gain practical skills in data manipulations. Each week will involve seminars and coding simulations. In the final project students will build a working code that can be readily applied for exploratory data analysis in their own (future) research domain.<br /> <br /> Syllabus: [https://drive.google.com/file/d/14DW0yjDGHcpCsfJT58nCS1Glm4vQbIPD/view?usp=sharing open]<br /> <br /> ==Required Software==<br /> <br /> * Anaconda (Python version &gt;= 3.8)<br /> * Jupyter Notebook<br /> <br /> [https://drive.google.com/file/d/1Il0gPyzMahfdiISH0qw3d9yZl1rA5nv8/view?usp=sharing How to install Anaconda on Mac OS] &lt;br&gt;<br /> [https://drive.google.com/file/d/12Dk9bmYqpI09xC1Fl5ITN8khLrYmaOy1/view?usp=sharing How to install Anaconda on Windows]<br /> <br /> ==Materials==<br /> <br /> Presentations and all materials will be available immediately after each practice class. Additional materials will be used in quizzes at each next seminar.<br /> <br /> Github with the materials from our practical classes:<br /> https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Week !! Topic !! Slides !! Tutorial !! Additional Materials !! Assignment !! Deadline <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Introduction || [https://drive.google.com/file/d/1q9Fw0xd0y9bOP6qwrboLhRsJwo6i4pA3/view?usp=sharing Intro Slides] || [https://drive.google.com/file/d/1VKE77_ZTNj4uLpJTry4aHRiNbHLBH-l0/view?usp=sharing How to install Anaconda on Mac OS],<br /> [https://drive.google.com/file/d/1nR6S3vgOrZKl0zNBN19bIfqRA9BBZITL/view?usp=sharing How to install Anaconda on Windows] <br /> || 1. [https://docs.python.org/3.8/tutorial/ Official Python tutorial &amp; documentation] &lt;br&gt; 2. [https://www.coursera.org/specializations/python Coursera. Python for Everybody Specialization] &lt;br&gt; 3. [https://www.coursera.org/learn/python-crash-course?specialization=google-it-automation Coursera. Crash Course on Python] &lt;br&gt; 4. [https://snakify.org/en/lessons/print_input_numbers/ Snakify. A lot of online exercises in Python] || No assignment this time. Yay! ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Input, output. Numbers, strings. Arithmetical operations || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/week2.ipynb Tutorial] || 1. [https://www.python.org/dev/peps/pep-0008/ PEP8 Style Guide] &lt;br&gt; 2. [https://www.w3schools.com/python/python_numbers.asp Python Numbers Exercises] &lt;br&gt; 3. [https://realpython.com/python-input-output/ Input and Output in Python]|| [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/HA1.ipynb HA1] || 23:59, February 7, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Lists and tuples. For &amp; while loops|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week3/week3.ipynb Tutorial] || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Dictionaries, sets, strings. || - ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/week4.ipynb Tutorial] || ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/HA2.ipynb HA2] || 23:59, February 18, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Functions || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week5/week5_functions_initial.ipynb Tutorial] || || [https://classroom.github.com/a/vxyb_nMY HA3] || 23:59, March 3, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || In-class Assignment 1|| - || - || || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week6 Assignments of all groups] || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Introduction to data analysis, files processing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week7/week7.ipynb Tutorial] || [https://www.analyticsvidhya.com/blog/2017/03/read-commonly-used-formats-using-python/ How to read the most commonly used files] || -||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Pandas. Part 1 || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week8/week8.ipynb Tutorial] || [https://pandas.pydata.org/pandas-docs/stable/getting_started/tutorials.html Pandas Community Tutorials] || [https://classroom.github.com/a/Wz84c84k HA4] || 23:59, 25 March 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || Pandas. Part 2|| - || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week9 Tutorial] || <br /> [https://github.com/guipsamora/pandas_exercises Pandas Exercises on different topics] <br /> || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Web scraping &amp; parsing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week_10/sem10_parsing.ipynb Tutorial] || <br /> * [https://realpython.com/python-web-scraping-practical-introduction/ A Practical Introduction to Web Scraping in Python] &lt;br&gt;<br /> * [https://github.com/FUlyankin/Parsers/blob/master/Ryan_Mitchell_Web_Scraping_with_Python-_Collecting_Data_from_the_Modern_Web_2015.pdf Web_Scraping_with_Python (book)] &lt;br&gt;<br /> * [https://2.python-requests.org/en/master/user/advanced/ requests library for PRO]<br /> * [https://habr.com/ru/company/ods/blog/346632/) Parse memes in Python]<br /> * [https://github.com/anamarina/eds_spring_2020/blob/master/sem05_parsing/sem05_parsing_full.ipynb Initial reference for this notebook] <br /> || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || In-class Assignment 2|| - || - || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week_11/In_class_assignment_2.ipynb Assignment for all groups] || April 8, 23:59/ April 10, 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || Statistical hypotheses || - || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week_12 Tutorial] || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || Intro to logistic regression || - || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week_13 Tutorial] || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || Group projects (presentations)|| || || || [https://classroom.github.com/a/Rb8oruAd Submission link] , [https://drive.google.com/file/d/1n3POr07NZSWk3BSATQs8dF1AfEbXFspl/view?usp=sharing Instructions] || May 18, 9:00 a.m.<br /> |-<br /> |}<br /> <br /> ==Assignments==<br /> <br /> The course consists of 8 home assignments (10 pts/each), each of them performed individually. <br /> Short home assignments will be published almost every week after Week 2 (weeks 2, 3, 4, 8, 9, 10, 13, 14) based on the materials of the previous practical classes. <br /> <br /> There will be held 2 in-class assignments (10 pts/each) in the format of problem-solving tasks and coding in Python using an online platform (e.g. Yandex Contes or Github Classroom). Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> <br /> Each task is checked for plagiarism. <br /> Matching more than 25% of the code will be considered plagiarism and will result in 1 point out of 10 with the right to appeal. <br /> If the code matches more than 40%, the job will be canceled (0 points) without the right to appeal.<br /> After the deadline for each assignment, during the next week, each student will be offered a convenient time for her/him for participating in a conference in Zoom with a lecturer and TA to answer questions on code and explanations of solutions.<br /> <br /> '''Assignment title standard:'''<br /> Please, name your files with solutions in this format: Assignment # _ # Number # _ # Group number # _ # Name # _ # Surname #.<br /> Example: HA1_Morty_Smith_195.ipynb<br /> <br /> Github with tutorials and assignments: https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> Links for '''submitting''' your assignments: coming soon!<br /> <br /> ==Communication==<br /> <br /> All course materials, assignments, deadlines will be published on this page. <br /> <br /> Important announcements from the teaching team will be sent in Telegram channel: https://t.me/joinchat/UctGNtxs7zd4StM0<br /> <br /> The group with 24/7 online support in Telegram for Q&amp;A, discussions, technical issues, and moral support: https://t.me/joinchat/F_uIPvGE_zA8fftG<br /> <br /> Tutor: Marina Ananyeva [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> <br /> Module 3<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Tuesday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Tuesday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Tuesday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> |}<br /> <br /> Module 4<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Saturday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Saturday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Saturday 13.00-14.20<br /> |-<br /> |}<br /> <br /> ==Feedback==<br /> <br /> We’ll much appreciate it if you help us to make this course better by sharing your ideas and feedback. Feel free to do it!<br /> <br /> Anonymous feedback form: [https://docs.google.com/forms/d/e/1FAIpQLSe5e9p5OM-aTuFhw4y-xYEgrvap6VtfzzRUpH7PVBwdzT7Jng/viewform click_here]<br /> <br /> ==Grading==<br /> <br /> '''Final Grade = 0.4*home assignments + 0.3*group project + 0.2*in-class assignments + 0.1*in-class participation'''<br /> <br /> [https://drive.google.com/file/d/1zOf4z7kPGLlTNgcrY3_I10xbK6AgF4FA/view?usp=sharing Table with grades]<br /> <br /> '''In-class participation''' (10 pts) <br /> The activity during the class is graded by one point per seminar. It implies providing answers to the questions, solving tasks during the seminar. In case a student get more than 10 points in total, its rounded down to 10. <br /> <br /> '''Group project''' (10 pts)<br /> Maximum group size: 4 students.<br /> Group project evaluation criteria:<br /> • the purpose of the study is clearly stated (1 point);<br /> • all steps of the research process are described in a clear and concise way (2 points);<br /> • research outcomes are clearly defined (2 points);<br /> • includes intuitive visualizations of research outcomes (2 points);<br /> • all members of the project team are able to explain the code used for computations (1 points);<br /> • code is properly structured (1 point);<br /> • meets submission timeline (1 point).<br /> <br /> '''Home assignments''' (10 pts/each) – week 2, 3, 4, 8, 9, 10, 13, 14<br /> A home assignment will be given 8 times during the course. These assignments are problem sets that are to be solved in Python.<br /> Sample problems:<br /> • Open file data.csv using pandas and find out whether it contains missing variables. If it does, remove them. Create a new column with boolen values (True or False) using condition by column Age: if age &lt; 18 – return False, otherwise return True. <br /> <br /> '''In-class assignments''' (10 pts/each) – week 6, 11<br /> An in-class assignment will be given two times during the course. In-class assignments are problem sets that are to be solved in Python. Each problem set concerns a particular topic. Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> Sample problems:<br /> • Generate a list of even numbers in a range from 0 to 100. Iterate over these numbers in a for-loop and print each of it. <br /> • Consider the daily oil prices and the USDRUB daily exchange rate. Compute the sample average, standard deviation of daily returns over the entire sample period. Test if mean values are significantly different from zero. Test if mean values significantly differ from each other. State explicitly your null and alternative hypotheses in each case. Plot histograms of the null distributions.<br /> <br /> ==Cheating and honor==<br /> <br /> You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].<br /> <br /> Please don’t cheat - the rumor has it HSE has quite severe penalties.<br /> <br /> To avoid being accused of plagiarism in “grey cases”, please disclose with whom and how you have collaborated on each assignment, except for the final group project. If you warn us, the worst thing that can happen to you after a good-faith mistake is to ask you to complete another version of the task, without disciplinary action and without notifying the HSE administration.</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=Data_Analysis_in_Python_2020-2021&diff=53106 2021-04-10T08:44:29Z

<p>Marina Ananyeva: /* Materials */</p> <hr /> <div>==About the course==<br /> <br /> The course is conducted for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'. <br /> <br /> '''Abstract:'''<br /> In this course students are introduced to the rapidly growing field of data analytics with the specific focus on Python programming language. Students will learn concepts, techniques and tools they need to make meaningful inferences from data. Students will be exposed to a real-world data sets to gain practical skills in data manipulations. Each week will involve seminars and coding simulations. In the final project students will build a working code that can be readily applied for exploratory data analysis in their own (future) research domain.<br /> <br /> Syllabus: [https://drive.google.com/file/d/14DW0yjDGHcpCsfJT58nCS1Glm4vQbIPD/view?usp=sharing open]<br /> <br /> ==Required Software==<br /> <br /> * Anaconda (Python version &gt;= 3.8)<br /> * Jupyter Notebook<br /> <br /> [https://drive.google.com/file/d/1Il0gPyzMahfdiISH0qw3d9yZl1rA5nv8/view?usp=sharing How to install Anaconda on Mac OS] &lt;br&gt;<br /> [https://drive.google.com/file/d/12Dk9bmYqpI09xC1Fl5ITN8khLrYmaOy1/view?usp=sharing How to install Anaconda on Windows]<br /> <br /> ==Materials==<br /> <br /> Presentations and all materials will be available immediately after each practice class. Additional materials will be used in quizzes at each next seminar.<br /> <br /> Github with the materials from our practical classes:<br /> https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Week !! Topic !! Slides !! Tutorial !! Additional Materials !! Assignment !! Deadline <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Introduction || [https://drive.google.com/file/d/1q9Fw0xd0y9bOP6qwrboLhRsJwo6i4pA3/view?usp=sharing Intro Slides] || [https://drive.google.com/file/d/1VKE77_ZTNj4uLpJTry4aHRiNbHLBH-l0/view?usp=sharing How to install Anaconda on Mac OS],<br /> [https://drive.google.com/file/d/1nR6S3vgOrZKl0zNBN19bIfqRA9BBZITL/view?usp=sharing How to install Anaconda on Windows] <br /> || 1. [https://docs.python.org/3.8/tutorial/ Official Python tutorial &amp; documentation] &lt;br&gt; 2. [https://www.coursera.org/specializations/python Coursera. Python for Everybody Specialization] &lt;br&gt; 3. [https://www.coursera.org/learn/python-crash-course?specialization=google-it-automation Coursera. Crash Course on Python] &lt;br&gt; 4. [https://snakify.org/en/lessons/print_input_numbers/ Snakify. A lot of online exercises in Python] || No assignment this time. Yay! ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Input, output. Numbers, strings. Arithmetical operations || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/week2.ipynb Tutorial] || 1. [https://www.python.org/dev/peps/pep-0008/ PEP8 Style Guide] &lt;br&gt; 2. [https://www.w3schools.com/python/python_numbers.asp Python Numbers Exercises] &lt;br&gt; 3. [https://realpython.com/python-input-output/ Input and Output in Python]|| [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/HA1.ipynb HA1] || 23:59, February 7, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Lists and tuples. For &amp; while loops|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week3/week3.ipynb Tutorial] || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Dictionaries, sets, strings. || - ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/week4.ipynb Tutorial] || ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/HA2.ipynb HA2] || 23:59, February 18, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Functions || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week5/week5_functions_initial.ipynb Tutorial] || || [https://classroom.github.com/a/vxyb_nMY HA3] || 23:59, March 3, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || In-class Assignment 1|| - || - || || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week6 Assignments of all groups] || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Introduction to data analysis, files processing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week7/week7.ipynb Tutorial] || [https://www.analyticsvidhya.com/blog/2017/03/read-commonly-used-formats-using-python/ How to read the most commonly used files] || -||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Pandas. Part 1 || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week8/week8.ipynb Tutorial] || [https://pandas.pydata.org/pandas-docs/stable/getting_started/tutorials.html Pandas Community Tutorials] || [https://classroom.github.com/a/Wz84c84k HA4] || 23:59, 25 March 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || Pandas. Part 2|| - || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week9 Tutorial] || <br /> [https://github.com/guipsamora/pandas_exercises Pandas Exercises on different topics] <br /> || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Web scraping &amp; parsing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week_10/sem10_parsing.ipynb Tutorial] || <br /> * [https://realpython.com/python-web-scraping-practical-introduction/ A Practical Introduction to Web Scraping in Python] &lt;br&gt;<br /> * [https://github.com/FUlyankin/Parsers/blob/master/Ryan_Mitchell_Web_Scraping_with_Python-_Collecting_Data_from_the_Modern_Web_2015.pdf Web_Scraping_with_Python (book)] &lt;br&gt;<br /> * [https://2.python-requests.org/en/master/user/advanced/ requests library for PRO]<br /> * [https://habr.com/ru/company/ods/blog/346632/) Parse memes in Python]<br /> * [https://github.com/anamarina/eds_spring_2020/blob/master/sem05_parsing/sem05_parsing_full.ipynb Initial reference for this notebook] <br /> || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || In-class Assignment 2|| - || - || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week_11/In_class_assignment_2.ipynb Assignment for all groups] || April 8, 23:59/ April 10, 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || || || || || ||<br /> |-<br /> |}<br /> <br /> ==Assignments==<br /> <br /> The course consists of 8 home assignments (10 pts/each), each of them performed individually. <br /> Short home assignments will be published almost every week after Week 2 (weeks 2, 3, 4, 8, 9, 10, 13, 14) based on the materials of the previous practical classes. <br /> <br /> There will be held 2 in-class assignments (10 pts/each) in the format of problem-solving tasks and coding in Python using an online platform (e.g. Yandex Contes or Github Classroom). Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> <br /> Each task is checked for plagiarism. <br /> Matching more than 25% of the code will be considered plagiarism and will result in 1 point out of 10 with the right to appeal. <br /> If the code matches more than 40%, the job will be canceled (0 points) without the right to appeal.<br /> After the deadline for each assignment, during the next week, each student will be offered a convenient time for her/him for participating in a conference in Zoom with a lecturer and TA to answer questions on code and explanations of solutions.<br /> <br /> '''Assignment title standard:'''<br /> Please, name your files with solutions in this format: Assignment # _ # Number # _ # Group number # _ # Name # _ # Surname #.<br /> Example: HA1_Morty_Smith_195.ipynb<br /> <br /> Github with tutorials and assignments: https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> Links for '''submitting''' your assignments: coming soon!<br /> <br /> ==Communication==<br /> <br /> All course materials, assignments, deadlines will be published on this page. <br /> <br /> Important announcements from the teaching team will be sent in Telegram channel: https://t.me/joinchat/UctGNtxs7zd4StM0<br /> <br /> The group with 24/7 online support in Telegram for Q&amp;A, discussions, technical issues, and moral support: https://t.me/joinchat/F_uIPvGE_zA8fftG<br /> <br /> Tutor: Marina Ananyeva [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> <br /> Module 3<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Tuesday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Tuesday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Tuesday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> |}<br /> <br /> Module 4<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Saturday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Saturday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Saturday 13.00-14.20<br /> |-<br /> |}<br /> <br /> ==Feedback==<br /> <br /> We’ll much appreciate it if you help us to make this course better by sharing your ideas and feedback. Feel free to do it!<br /> <br /> Anonymous feedback form: [https://docs.google.com/forms/d/e/1FAIpQLSe5e9p5OM-aTuFhw4y-xYEgrvap6VtfzzRUpH7PVBwdzT7Jng/viewform click_here]<br /> <br /> ==Grading==<br /> <br /> '''Final Grade = 0.4*home assignments + 0.3*group project + 0.2*in-class assignments + 0.1*in-class participation'''<br /> <br /> [https://drive.google.com/file/d/1zOf4z7kPGLlTNgcrY3_I10xbK6AgF4FA/view?usp=sharing Table with grades]<br /> <br /> '''In-class participation''' (10 pts) <br /> The activity during the class is graded by one point per seminar. It implies providing answers to the questions, solving tasks during the seminar. In case a student get more than 10 points in total, its rounded down to 10. <br /> <br /> '''Group project''' (10 pts)<br /> Maximum group size: 4 students.<br /> Group project evaluation criteria:<br /> • the purpose of the study is clearly stated (1 point);<br /> • all steps of the research process are described in a clear and concise way (2 points);<br /> • research outcomes are clearly defined (2 points);<br /> • includes intuitive visualizations of research outcomes (2 points);<br /> • all members of the project team are able to explain the code used for computations (1 points);<br /> • code is properly structured (1 point);<br /> • meets submission timeline (1 point).<br /> <br /> '''Home assignments''' (10 pts/each) – week 2, 3, 4, 8, 9, 10, 13, 14<br /> A home assignment will be given 8 times during the course. These assignments are problem sets that are to be solved in Python.<br /> Sample problems:<br /> • Open file data.csv using pandas and find out whether it contains missing variables. If it does, remove them. Create a new column with boolen values (True or False) using condition by column Age: if age &lt; 18 – return False, otherwise return True. <br /> <br /> '''In-class assignments''' (10 pts/each) – week 6, 11<br /> An in-class assignment will be given two times during the course. In-class assignments are problem sets that are to be solved in Python. Each problem set concerns a particular topic. Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> Sample problems:<br /> • Generate a list of even numbers in a range from 0 to 100. Iterate over these numbers in a for-loop and print each of it. <br /> • Consider the daily oil prices and the USDRUB daily exchange rate. Compute the sample average, standard deviation of daily returns over the entire sample period. Test if mean values are significantly different from zero. Test if mean values significantly differ from each other. State explicitly your null and alternative hypotheses in each case. Plot histograms of the null distributions.<br /> <br /> ==Cheating and honor==<br /> <br /> You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].<br /> <br /> Please don’t cheat - the rumor has it HSE has quite severe penalties.<br /> <br /> To avoid being accused of plagiarism in “grey cases”, please disclose with whom and how you have collaborated on each assignment, except for the final group project. If you warn us, the worst thing that can happen to you after a good-faith mistake is to ask you to complete another version of the task, without disciplinary action and without notifying the HSE administration.</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=Data_Analysis_in_Python_2020-2021&diff=53105 2021-04-10T08:44:12Z

<p>Marina Ananyeva: /* Materials */</p> <hr /> <div>==About the course==<br /> <br /> The course is conducted for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'. <br /> <br /> '''Abstract:'''<br /> In this course students are introduced to the rapidly growing field of data analytics with the specific focus on Python programming language. Students will learn concepts, techniques and tools they need to make meaningful inferences from data. Students will be exposed to a real-world data sets to gain practical skills in data manipulations. Each week will involve seminars and coding simulations. In the final project students will build a working code that can be readily applied for exploratory data analysis in their own (future) research domain.<br /> <br /> Syllabus: [https://drive.google.com/file/d/14DW0yjDGHcpCsfJT58nCS1Glm4vQbIPD/view?usp=sharing open]<br /> <br /> ==Required Software==<br /> <br /> * Anaconda (Python version &gt;= 3.8)<br /> * Jupyter Notebook<br /> <br /> [https://drive.google.com/file/d/1Il0gPyzMahfdiISH0qw3d9yZl1rA5nv8/view?usp=sharing How to install Anaconda on Mac OS] &lt;br&gt;<br /> [https://drive.google.com/file/d/12Dk9bmYqpI09xC1Fl5ITN8khLrYmaOy1/view?usp=sharing How to install Anaconda on Windows]<br /> <br /> ==Materials==<br /> <br /> Presentations and all materials will be available immediately after each practice class. Additional materials will be used in quizzes at each next seminar.<br /> <br /> Github with the materials from our practical classes:<br /> https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Week !! Topic !! Slides !! Tutorial !! Additional Materials !! Assignment !! Deadline <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Introduction || [https://drive.google.com/file/d/1q9Fw0xd0y9bOP6qwrboLhRsJwo6i4pA3/view?usp=sharing Intro Slides] || [https://drive.google.com/file/d/1VKE77_ZTNj4uLpJTry4aHRiNbHLBH-l0/view?usp=sharing How to install Anaconda on Mac OS],<br /> [https://drive.google.com/file/d/1nR6S3vgOrZKl0zNBN19bIfqRA9BBZITL/view?usp=sharing How to install Anaconda on Windows] <br /> || 1. [https://docs.python.org/3.8/tutorial/ Official Python tutorial &amp; documentation] &lt;br&gt; 2. [https://www.coursera.org/specializations/python Coursera. Python for Everybody Specialization] &lt;br&gt; 3. [https://www.coursera.org/learn/python-crash-course?specialization=google-it-automation Coursera. Crash Course on Python] &lt;br&gt; 4. [https://snakify.org/en/lessons/print_input_numbers/ Snakify. A lot of online exercises in Python] || No assignment this time. Yay! ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Input, output. Numbers, strings. Arithmetical operations || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/week2.ipynb Tutorial] || 1. [https://www.python.org/dev/peps/pep-0008/ PEP8 Style Guide] &lt;br&gt; 2. [https://www.w3schools.com/python/python_numbers.asp Python Numbers Exercises] &lt;br&gt; 3. [https://realpython.com/python-input-output/ Input and Output in Python]|| [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/HA1.ipynb HA1] || 23:59, February 7, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Lists and tuples. For &amp; while loops|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week3/week3.ipynb Tutorial] || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Dictionaries, sets, strings. || - ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/week4.ipynb Tutorial] || ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/HA2.ipynb HA2] || 23:59, February 18, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Functions || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week5/week5_functions_initial.ipynb Tutorial] || || [https://classroom.github.com/a/vxyb_nMY HA3] || 23:59, March 3, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || In-class Assignment 1|| - || - || || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week6 Assignments of all groups] || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Introduction to data analysis, files processing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week7/week7.ipynb Tutorial] || [https://www.analyticsvidhya.com/blog/2017/03/read-commonly-used-formats-using-python/ How to read the most commonly used files] || -||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Pandas. Part 1 || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week8/week8.ipynb Tutorial] || [https://pandas.pydata.org/pandas-docs/stable/getting_started/tutorials.html Pandas Community Tutorials] || [https://classroom.github.com/a/Wz84c84k HA4] || 23:59, 25 March 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || Pandas. Part 2|| - || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week9 Tutorial] || <br /> [https://github.com/guipsamora/pandas_exercises Pandas Exercises on different topics] <br /> || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Web scraping &amp; parsing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week_10/sem10_parsing.ipynb Tutorial] || <br /> * [https://realpython.com/python-web-scraping-practical-introduction/ A Practical Introduction to Web Scraping in Python] &lt;br&gt;<br /> * [https://github.com/FUlyankin/Parsers/blob/master/Ryan_Mitchell_Web_Scraping_with_Python-_Collecting_Data_from_the_Modern_Web_2015.pdf Web_Scraping_with_Python (book)] &lt;br&gt;<br /> * [https://2.python-requests.org/en/master/user/advanced/ requests library for PRO]<br /> * [https://habr.com/ru/company/ods/blog/346632/) Parse memes in Python]<br /> * [https://github.com/anamarina/eds_spring_2020/blob/master/sem05_parsing/sem05_parsing_full.ipynb Initial reference for this notebook] <br /> || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || In-class Assignment 2|| - || - || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week_11/In_class_assignment_2.ipynb all groups] || April 8, 23:59/ April 10, 23:59<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || || || || || ||<br /> |-<br /> |}<br /> <br /> ==Assignments==<br /> <br /> The course consists of 8 home assignments (10 pts/each), each of them performed individually. <br /> Short home assignments will be published almost every week after Week 2 (weeks 2, 3, 4, 8, 9, 10, 13, 14) based on the materials of the previous practical classes. <br /> <br /> There will be held 2 in-class assignments (10 pts/each) in the format of problem-solving tasks and coding in Python using an online platform (e.g. Yandex Contes or Github Classroom). Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> <br /> Each task is checked for plagiarism. <br /> Matching more than 25% of the code will be considered plagiarism and will result in 1 point out of 10 with the right to appeal. <br /> If the code matches more than 40%, the job will be canceled (0 points) without the right to appeal.<br /> After the deadline for each assignment, during the next week, each student will be offered a convenient time for her/him for participating in a conference in Zoom with a lecturer and TA to answer questions on code and explanations of solutions.<br /> <br /> '''Assignment title standard:'''<br /> Please, name your files with solutions in this format: Assignment # _ # Number # _ # Group number # _ # Name # _ # Surname #.<br /> Example: HA1_Morty_Smith_195.ipynb<br /> <br /> Github with tutorials and assignments: https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> Links for '''submitting''' your assignments: coming soon!<br /> <br /> ==Communication==<br /> <br /> All course materials, assignments, deadlines will be published on this page. <br /> <br /> Important announcements from the teaching team will be sent in Telegram channel: https://t.me/joinchat/UctGNtxs7zd4StM0<br /> <br /> The group with 24/7 online support in Telegram for Q&amp;A, discussions, technical issues, and moral support: https://t.me/joinchat/F_uIPvGE_zA8fftG<br /> <br /> Tutor: Marina Ananyeva [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> <br /> Module 3<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Tuesday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Tuesday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Tuesday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> |}<br /> <br /> Module 4<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Saturday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Saturday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Saturday 13.00-14.20<br /> |-<br /> |}<br /> <br /> ==Feedback==<br /> <br /> We’ll much appreciate it if you help us to make this course better by sharing your ideas and feedback. Feel free to do it!<br /> <br /> Anonymous feedback form: [https://docs.google.com/forms/d/e/1FAIpQLSe5e9p5OM-aTuFhw4y-xYEgrvap6VtfzzRUpH7PVBwdzT7Jng/viewform click_here]<br /> <br /> ==Grading==<br /> <br /> '''Final Grade = 0.4*home assignments + 0.3*group project + 0.2*in-class assignments + 0.1*in-class participation'''<br /> <br /> [https://drive.google.com/file/d/1zOf4z7kPGLlTNgcrY3_I10xbK6AgF4FA/view?usp=sharing Table with grades]<br /> <br /> '''In-class participation''' (10 pts) <br /> The activity during the class is graded by one point per seminar. It implies providing answers to the questions, solving tasks during the seminar. In case a student get more than 10 points in total, its rounded down to 10. <br /> <br /> '''Group project''' (10 pts)<br /> Maximum group size: 4 students.<br /> Group project evaluation criteria:<br /> • the purpose of the study is clearly stated (1 point);<br /> • all steps of the research process are described in a clear and concise way (2 points);<br /> • research outcomes are clearly defined (2 points);<br /> • includes intuitive visualizations of research outcomes (2 points);<br /> • all members of the project team are able to explain the code used for computations (1 points);<br /> • code is properly structured (1 point);<br /> • meets submission timeline (1 point).<br /> <br /> '''Home assignments''' (10 pts/each) – week 2, 3, 4, 8, 9, 10, 13, 14<br /> A home assignment will be given 8 times during the course. These assignments are problem sets that are to be solved in Python.<br /> Sample problems:<br /> • Open file data.csv using pandas and find out whether it contains missing variables. If it does, remove them. Create a new column with boolen values (True or False) using condition by column Age: if age &lt; 18 – return False, otherwise return True. <br /> <br /> '''In-class assignments''' (10 pts/each) – week 6, 11<br /> An in-class assignment will be given two times during the course. In-class assignments are problem sets that are to be solved in Python. Each problem set concerns a particular topic. Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> Sample problems:<br /> • Generate a list of even numbers in a range from 0 to 100. Iterate over these numbers in a for-loop and print each of it. <br /> • Consider the daily oil prices and the USDRUB daily exchange rate. Compute the sample average, standard deviation of daily returns over the entire sample period. Test if mean values are significantly different from zero. Test if mean values significantly differ from each other. State explicitly your null and alternative hypotheses in each case. Plot histograms of the null distributions.<br /> <br /> ==Cheating and honor==<br /> <br /> You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].<br /> <br /> Please don’t cheat - the rumor has it HSE has quite severe penalties.<br /> <br /> To avoid being accused of plagiarism in “grey cases”, please disclose with whom and how you have collaborated on each assignment, except for the final group project. If you warn us, the worst thing that can happen to you after a good-faith mistake is to ask you to complete another version of the task, without disciplinary action and without notifying the HSE administration.</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=Data_Analysis_in_Python_2020-2021&diff=53104 2021-04-10T08:43:23Z

<p>Marina Ananyeva: /* Materials */</p> <hr /> <div>==About the course==<br /> <br /> The course is conducted for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'. <br /> <br /> '''Abstract:'''<br /> In this course students are introduced to the rapidly growing field of data analytics with the specific focus on Python programming language. Students will learn concepts, techniques and tools they need to make meaningful inferences from data. Students will be exposed to a real-world data sets to gain practical skills in data manipulations. Each week will involve seminars and coding simulations. In the final project students will build a working code that can be readily applied for exploratory data analysis in their own (future) research domain.<br /> <br /> Syllabus: [https://drive.google.com/file/d/14DW0yjDGHcpCsfJT58nCS1Glm4vQbIPD/view?usp=sharing open]<br /> <br /> ==Required Software==<br /> <br /> * Anaconda (Python version &gt;= 3.8)<br /> * Jupyter Notebook<br /> <br /> [https://drive.google.com/file/d/1Il0gPyzMahfdiISH0qw3d9yZl1rA5nv8/view?usp=sharing How to install Anaconda on Mac OS] &lt;br&gt;<br /> [https://drive.google.com/file/d/12Dk9bmYqpI09xC1Fl5ITN8khLrYmaOy1/view?usp=sharing How to install Anaconda on Windows]<br /> <br /> ==Materials==<br /> <br /> Presentations and all materials will be available immediately after each practice class. Additional materials will be used in quizzes at each next seminar.<br /> <br /> Github with the materials from our practical classes:<br /> https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Week !! Topic !! Slides !! Tutorial !! Additional Materials !! Assignment !! Deadline <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Introduction || [https://drive.google.com/file/d/1q9Fw0xd0y9bOP6qwrboLhRsJwo6i4pA3/view?usp=sharing Intro Slides] || [https://drive.google.com/file/d/1VKE77_ZTNj4uLpJTry4aHRiNbHLBH-l0/view?usp=sharing How to install Anaconda on Mac OS],<br /> [https://drive.google.com/file/d/1nR6S3vgOrZKl0zNBN19bIfqRA9BBZITL/view?usp=sharing How to install Anaconda on Windows] <br /> || 1. [https://docs.python.org/3.8/tutorial/ Official Python tutorial &amp; documentation] &lt;br&gt; 2. [https://www.coursera.org/specializations/python Coursera. Python for Everybody Specialization] &lt;br&gt; 3. [https://www.coursera.org/learn/python-crash-course?specialization=google-it-automation Coursera. Crash Course on Python] &lt;br&gt; 4. [https://snakify.org/en/lessons/print_input_numbers/ Snakify. A lot of online exercises in Python] || No assignment this time. Yay! ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Input, output. Numbers, strings. Arithmetical operations || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/week2.ipynb Tutorial] || 1. [https://www.python.org/dev/peps/pep-0008/ PEP8 Style Guide] &lt;br&gt; 2. [https://www.w3schools.com/python/python_numbers.asp Python Numbers Exercises] &lt;br&gt; 3. [https://realpython.com/python-input-output/ Input and Output in Python]|| [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/HA1.ipynb HA1] || 23:59, February 7, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Lists and tuples. For &amp; while loops|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week3/week3.ipynb Tutorial] || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Dictionaries, sets, strings. || - ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/week4.ipynb Tutorial] || ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/HA2.ipynb HA2] || 23:59, February 18, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Functions || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week5/week5_functions_initial.ipynb Tutorial] || || [https://classroom.github.com/a/vxyb_nMY HA3] || 23:59, March 3, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || In-class Assignment 1|| - || - || || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week6 Assignments of all groups] || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Introduction to data analysis, files processing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week7/week7.ipynb Tutorial] || [https://www.analyticsvidhya.com/blog/2017/03/read-commonly-used-formats-using-python/ How to read the most commonly used files] || -||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Pandas. Part 1 || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week8/week8.ipynb Tutorial] || [https://pandas.pydata.org/pandas-docs/stable/getting_started/tutorials.html Pandas Community Tutorials] || [https://classroom.github.com/a/Wz84c84k HA4] || 23:59, 25 March 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || Pandas. Part 2|| - || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week9 Tutorial] || <br /> [https://github.com/guipsamora/pandas_exercises Pandas Exercises on different topics] <br /> || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Web scraping &amp; parsing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week_10/sem10_parsing.ipynb Tutorial] || <br /> * [https://realpython.com/python-web-scraping-practical-introduction/ A Practical Introduction to Web Scraping in Python] &lt;br&gt;<br /> * [https://github.com/FUlyankin/Parsers/blob/master/Ryan_Mitchell_Web_Scraping_with_Python-_Collecting_Data_from_the_Modern_Web_2015.pdf Web_Scraping_with_Python (book)] &lt;br&gt;<br /> * [https://2.python-requests.org/en/master/user/advanced/ requests library for PRO]<br /> * [https://habr.com/ru/company/ods/blog/346632/) Parse memes in Python]<br /> * [https://github.com/anamarina/eds_spring_2020/blob/master/sem05_parsing/sem05_parsing_full.ipynb Initial reference for this notebook] <br /> || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || In-class Assignment 2|| - || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week_11/In_class_assignment_2.ipynb all groups] || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || || || || || ||<br /> |-<br /> |}<br /> <br /> ==Assignments==<br /> <br /> The course consists of 8 home assignments (10 pts/each), each of them performed individually. <br /> Short home assignments will be published almost every week after Week 2 (weeks 2, 3, 4, 8, 9, 10, 13, 14) based on the materials of the previous practical classes. <br /> <br /> There will be held 2 in-class assignments (10 pts/each) in the format of problem-solving tasks and coding in Python using an online platform (e.g. Yandex Contes or Github Classroom). Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> <br /> Each task is checked for plagiarism. <br /> Matching more than 25% of the code will be considered plagiarism and will result in 1 point out of 10 with the right to appeal. <br /> If the code matches more than 40%, the job will be canceled (0 points) without the right to appeal.<br /> After the deadline for each assignment, during the next week, each student will be offered a convenient time for her/him for participating in a conference in Zoom with a lecturer and TA to answer questions on code and explanations of solutions.<br /> <br /> '''Assignment title standard:'''<br /> Please, name your files with solutions in this format: Assignment # _ # Number # _ # Group number # _ # Name # _ # Surname #.<br /> Example: HA1_Morty_Smith_195.ipynb<br /> <br /> Github with tutorials and assignments: https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> Links for '''submitting''' your assignments: coming soon!<br /> <br /> ==Communication==<br /> <br /> All course materials, assignments, deadlines will be published on this page. <br /> <br /> Important announcements from the teaching team will be sent in Telegram channel: https://t.me/joinchat/UctGNtxs7zd4StM0<br /> <br /> The group with 24/7 online support in Telegram for Q&amp;A, discussions, technical issues, and moral support: https://t.me/joinchat/F_uIPvGE_zA8fftG<br /> <br /> Tutor: Marina Ananyeva [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> <br /> Module 3<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Tuesday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Tuesday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Tuesday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> |}<br /> <br /> Module 4<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Saturday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Saturday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Saturday 13.00-14.20<br /> |-<br /> |}<br /> <br /> ==Feedback==<br /> <br /> We’ll much appreciate it if you help us to make this course better by sharing your ideas and feedback. Feel free to do it!<br /> <br /> Anonymous feedback form: [https://docs.google.com/forms/d/e/1FAIpQLSe5e9p5OM-aTuFhw4y-xYEgrvap6VtfzzRUpH7PVBwdzT7Jng/viewform click_here]<br /> <br /> ==Grading==<br /> <br /> '''Final Grade = 0.4*home assignments + 0.3*group project + 0.2*in-class assignments + 0.1*in-class participation'''<br /> <br /> [https://drive.google.com/file/d/1zOf4z7kPGLlTNgcrY3_I10xbK6AgF4FA/view?usp=sharing Table with grades]<br /> <br /> '''In-class participation''' (10 pts) <br /> The activity during the class is graded by one point per seminar. It implies providing answers to the questions, solving tasks during the seminar. In case a student get more than 10 points in total, its rounded down to 10. <br /> <br /> '''Group project''' (10 pts)<br /> Maximum group size: 4 students.<br /> Group project evaluation criteria:<br /> • the purpose of the study is clearly stated (1 point);<br /> • all steps of the research process are described in a clear and concise way (2 points);<br /> • research outcomes are clearly defined (2 points);<br /> • includes intuitive visualizations of research outcomes (2 points);<br /> • all members of the project team are able to explain the code used for computations (1 points);<br /> • code is properly structured (1 point);<br /> • meets submission timeline (1 point).<br /> <br /> '''Home assignments''' (10 pts/each) – week 2, 3, 4, 8, 9, 10, 13, 14<br /> A home assignment will be given 8 times during the course. These assignments are problem sets that are to be solved in Python.<br /> Sample problems:<br /> • Open file data.csv using pandas and find out whether it contains missing variables. If it does, remove them. Create a new column with boolen values (True or False) using condition by column Age: if age &lt; 18 – return False, otherwise return True. <br /> <br /> '''In-class assignments''' (10 pts/each) – week 6, 11<br /> An in-class assignment will be given two times during the course. In-class assignments are problem sets that are to be solved in Python. Each problem set concerns a particular topic. Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> Sample problems:<br /> • Generate a list of even numbers in a range from 0 to 100. Iterate over these numbers in a for-loop and print each of it. <br /> • Consider the daily oil prices and the USDRUB daily exchange rate. Compute the sample average, standard deviation of daily returns over the entire sample period. Test if mean values are significantly different from zero. Test if mean values significantly differ from each other. State explicitly your null and alternative hypotheses in each case. Plot histograms of the null distributions.<br /> <br /> ==Cheating and honor==<br /> <br /> You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].<br /> <br /> Please don’t cheat - the rumor has it HSE has quite severe penalties.<br /> <br /> To avoid being accused of plagiarism in “grey cases”, please disclose with whom and how you have collaborated on each assignment, except for the final group project. If you warn us, the worst thing that can happen to you after a good-faith mistake is to ask you to complete another version of the task, without disciplinary action and without notifying the HSE administration.</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=Data_Analysis_in_Python_2020-2021&diff=53103 2021-04-10T08:39:02Z

<p>Marina Ananyeva: /* Materials */</p> <hr /> <div>==About the course==<br /> <br /> The course is conducted for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'. <br /> <br /> '''Abstract:'''<br /> In this course students are introduced to the rapidly growing field of data analytics with the specific focus on Python programming language. Students will learn concepts, techniques and tools they need to make meaningful inferences from data. Students will be exposed to a real-world data sets to gain practical skills in data manipulations. Each week will involve seminars and coding simulations. In the final project students will build a working code that can be readily applied for exploratory data analysis in their own (future) research domain.<br /> <br /> Syllabus: [https://drive.google.com/file/d/14DW0yjDGHcpCsfJT58nCS1Glm4vQbIPD/view?usp=sharing open]<br /> <br /> ==Required Software==<br /> <br /> * Anaconda (Python version &gt;= 3.8)<br /> * Jupyter Notebook<br /> <br /> [https://drive.google.com/file/d/1Il0gPyzMahfdiISH0qw3d9yZl1rA5nv8/view?usp=sharing How to install Anaconda on Mac OS] &lt;br&gt;<br /> [https://drive.google.com/file/d/12Dk9bmYqpI09xC1Fl5ITN8khLrYmaOy1/view?usp=sharing How to install Anaconda on Windows]<br /> <br /> ==Materials==<br /> <br /> Presentations and all materials will be available immediately after each practice class. Additional materials will be used in quizzes at each next seminar.<br /> <br /> Github with the materials from our practical classes:<br /> https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Week !! Topic !! Slides !! Tutorial !! Additional Materials !! Assignment !! Deadline <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Introduction || [https://drive.google.com/file/d/1q9Fw0xd0y9bOP6qwrboLhRsJwo6i4pA3/view?usp=sharing Intro Slides] || [https://drive.google.com/file/d/1VKE77_ZTNj4uLpJTry4aHRiNbHLBH-l0/view?usp=sharing How to install Anaconda on Mac OS],<br /> [https://drive.google.com/file/d/1nR6S3vgOrZKl0zNBN19bIfqRA9BBZITL/view?usp=sharing How to install Anaconda on Windows] <br /> || 1. [https://docs.python.org/3.8/tutorial/ Official Python tutorial &amp; documentation] &lt;br&gt; 2. [https://www.coursera.org/specializations/python Coursera. Python for Everybody Specialization] &lt;br&gt; 3. [https://www.coursera.org/learn/python-crash-course?specialization=google-it-automation Coursera. Crash Course on Python] &lt;br&gt; 4. [https://snakify.org/en/lessons/print_input_numbers/ Snakify. A lot of online exercises in Python] || No assignment this time. Yay! ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Input, output. Numbers, strings. Arithmetical operations || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/week2.ipynb Tutorial] || 1. [https://www.python.org/dev/peps/pep-0008/ PEP8 Style Guide] &lt;br&gt; 2. [https://www.w3schools.com/python/python_numbers.asp Python Numbers Exercises] &lt;br&gt; 3. [https://realpython.com/python-input-output/ Input and Output in Python]|| [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/HA1.ipynb HA1] || 23:59, February 7, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Lists and tuples. For &amp; while loops|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week3/week3.ipynb Tutorial] || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Dictionaries, sets, strings. || - ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/week4.ipynb Tutorial] || ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/HA2.ipynb HA2] || 23:59, February 18, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Functions || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week5/week5_functions_initial.ipynb Tutorial] || || [https://classroom.github.com/a/vxyb_nMY HA3] || 23:59, March 3, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || In-class Assignment|| - || - || || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week6 Assignments of all groups] || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Introduction to data analysis, files processing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week7/week7.ipynb Tutorial] || [https://www.analyticsvidhya.com/blog/2017/03/read-commonly-used-formats-using-python/ How to read the most commonly used files] || -||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Pandas. Part 1 || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week8/week8.ipynb Tutorial] || [https://pandas.pydata.org/pandas-docs/stable/getting_started/tutorials.html Pandas Community Tutorials] || [https://classroom.github.com/a/Wz84c84k HA4] || 23:59, 25 March 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || Pandas. Part 2|| - || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week9 Tutorial] || <br /> [https://github.com/guipsamora/pandas_exercises Pandas Exercises on different topics] <br /> || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Web scraping &amp; parsing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week_10/sem10_parsing.ipynb Tutorial] || <br /> * [https://realpython.com/python-web-scraping-practical-introduction/ A Practical Introduction to Web Scraping in Python] &lt;br&gt;<br /> * [https://github.com/FUlyankin/Parsers/blob/master/Ryan_Mitchell_Web_Scraping_with_Python-_Collecting_Data_from_the_Modern_Web_2015.pdf Web_Scraping_with_Python (book)] &lt;br&gt;<br /> * [https://2.python-requests.org/en/master/user/advanced/ requests library for PRO]<br /> * [https://habr.com/ru/company/ods/blog/346632/) Parse memes in Python]<br /> * [https://github.com/anamarina/eds_spring_2020/blob/master/sem05_parsing/sem05_parsing_full.ipynb Initial reference for this notebook] <br /> || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || || || || || ||<br /> |-<br /> |}<br /> <br /> ==Assignments==<br /> <br /> The course consists of 8 home assignments (10 pts/each), each of them performed individually. <br /> Short home assignments will be published almost every week after Week 2 (weeks 2, 3, 4, 8, 9, 10, 13, 14) based on the materials of the previous practical classes. <br /> <br /> There will be held 2 in-class assignments (10 pts/each) in the format of problem-solving tasks and coding in Python using an online platform (e.g. Yandex Contes or Github Classroom). Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> <br /> Each task is checked for plagiarism. <br /> Matching more than 25% of the code will be considered plagiarism and will result in 1 point out of 10 with the right to appeal. <br /> If the code matches more than 40%, the job will be canceled (0 points) without the right to appeal.<br /> After the deadline for each assignment, during the next week, each student will be offered a convenient time for her/him for participating in a conference in Zoom with a lecturer and TA to answer questions on code and explanations of solutions.<br /> <br /> '''Assignment title standard:'''<br /> Please, name your files with solutions in this format: Assignment # _ # Number # _ # Group number # _ # Name # _ # Surname #.<br /> Example: HA1_Morty_Smith_195.ipynb<br /> <br /> Github with tutorials and assignments: https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> Links for '''submitting''' your assignments: coming soon!<br /> <br /> ==Communication==<br /> <br /> All course materials, assignments, deadlines will be published on this page. <br /> <br /> Important announcements from the teaching team will be sent in Telegram channel: https://t.me/joinchat/UctGNtxs7zd4StM0<br /> <br /> The group with 24/7 online support in Telegram for Q&amp;A, discussions, technical issues, and moral support: https://t.me/joinchat/F_uIPvGE_zA8fftG<br /> <br /> Tutor: Marina Ananyeva [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> <br /> Module 3<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Tuesday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Tuesday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Tuesday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> |}<br /> <br /> Module 4<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Saturday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Saturday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Saturday 13.00-14.20<br /> |-<br /> |}<br /> <br /> ==Feedback==<br /> <br /> We’ll much appreciate it if you help us to make this course better by sharing your ideas and feedback. Feel free to do it!<br /> <br /> Anonymous feedback form: [https://docs.google.com/forms/d/e/1FAIpQLSe5e9p5OM-aTuFhw4y-xYEgrvap6VtfzzRUpH7PVBwdzT7Jng/viewform click_here]<br /> <br /> ==Grading==<br /> <br /> '''Final Grade = 0.4*home assignments + 0.3*group project + 0.2*in-class assignments + 0.1*in-class participation'''<br /> <br /> [https://drive.google.com/file/d/1zOf4z7kPGLlTNgcrY3_I10xbK6AgF4FA/view?usp=sharing Table with grades]<br /> <br /> '''In-class participation''' (10 pts) <br /> The activity during the class is graded by one point per seminar. It implies providing answers to the questions, solving tasks during the seminar. In case a student get more than 10 points in total, its rounded down to 10. <br /> <br /> '''Group project''' (10 pts)<br /> Maximum group size: 4 students.<br /> Group project evaluation criteria:<br /> • the purpose of the study is clearly stated (1 point);<br /> • all steps of the research process are described in a clear and concise way (2 points);<br /> • research outcomes are clearly defined (2 points);<br /> • includes intuitive visualizations of research outcomes (2 points);<br /> • all members of the project team are able to explain the code used for computations (1 points);<br /> • code is properly structured (1 point);<br /> • meets submission timeline (1 point).<br /> <br /> '''Home assignments''' (10 pts/each) – week 2, 3, 4, 8, 9, 10, 13, 14<br /> A home assignment will be given 8 times during the course. These assignments are problem sets that are to be solved in Python.<br /> Sample problems:<br /> • Open file data.csv using pandas and find out whether it contains missing variables. If it does, remove them. Create a new column with boolen values (True or False) using condition by column Age: if age &lt; 18 – return False, otherwise return True. <br /> <br /> '''In-class assignments''' (10 pts/each) – week 6, 11<br /> An in-class assignment will be given two times during the course. In-class assignments are problem sets that are to be solved in Python. Each problem set concerns a particular topic. Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> Sample problems:<br /> • Generate a list of even numbers in a range from 0 to 100. Iterate over these numbers in a for-loop and print each of it. <br /> • Consider the daily oil prices and the USDRUB daily exchange rate. Compute the sample average, standard deviation of daily returns over the entire sample period. Test if mean values are significantly different from zero. Test if mean values significantly differ from each other. State explicitly your null and alternative hypotheses in each case. Plot histograms of the null distributions.<br /> <br /> ==Cheating and honor==<br /> <br /> You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].<br /> <br /> Please don’t cheat - the rumor has it HSE has quite severe penalties.<br /> <br /> To avoid being accused of plagiarism in “grey cases”, please disclose with whom and how you have collaborated on each assignment, except for the final group project. If you warn us, the worst thing that can happen to you after a good-faith mistake is to ask you to complete another version of the task, without disciplinary action and without notifying the HSE administration.</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=Data_Analysis_in_Python_2020-2021&diff=53102 2021-04-10T08:29:26Z

<p>Marina Ananyeva: /* Materials */</p> <hr /> <div>==About the course==<br /> <br /> The course is conducted for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'. <br /> <br /> '''Abstract:'''<br /> In this course students are introduced to the rapidly growing field of data analytics with the specific focus on Python programming language. Students will learn concepts, techniques and tools they need to make meaningful inferences from data. Students will be exposed to a real-world data sets to gain practical skills in data manipulations. Each week will involve seminars and coding simulations. In the final project students will build a working code that can be readily applied for exploratory data analysis in their own (future) research domain.<br /> <br /> Syllabus: [https://drive.google.com/file/d/14DW0yjDGHcpCsfJT58nCS1Glm4vQbIPD/view?usp=sharing open]<br /> <br /> ==Required Software==<br /> <br /> * Anaconda (Python version &gt;= 3.8)<br /> * Jupyter Notebook<br /> <br /> [https://drive.google.com/file/d/1Il0gPyzMahfdiISH0qw3d9yZl1rA5nv8/view?usp=sharing How to install Anaconda on Mac OS] &lt;br&gt;<br /> [https://drive.google.com/file/d/12Dk9bmYqpI09xC1Fl5ITN8khLrYmaOy1/view?usp=sharing How to install Anaconda on Windows]<br /> <br /> ==Materials==<br /> <br /> Presentations and all materials will be available immediately after each practice class. Additional materials will be used in quizzes at each next seminar.<br /> <br /> Github with the materials from our practical classes:<br /> https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Week !! Topic !! Slides !! Tutorial !! Additional Materials !! Assignment !! Deadline <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Introduction || [https://drive.google.com/file/d/1q9Fw0xd0y9bOP6qwrboLhRsJwo6i4pA3/view?usp=sharing Intro Slides] || [https://drive.google.com/file/d/1VKE77_ZTNj4uLpJTry4aHRiNbHLBH-l0/view?usp=sharing How to install Anaconda on Mac OS],<br /> [https://drive.google.com/file/d/1nR6S3vgOrZKl0zNBN19bIfqRA9BBZITL/view?usp=sharing How to install Anaconda on Windows] <br /> || 1. [https://docs.python.org/3.8/tutorial/ Official Python tutorial &amp; documentation] &lt;br&gt; 2. [https://www.coursera.org/specializations/python Coursera. Python for Everybody Specialization] &lt;br&gt; 3. [https://www.coursera.org/learn/python-crash-course?specialization=google-it-automation Coursera. Crash Course on Python] &lt;br&gt; 4. [https://snakify.org/en/lessons/print_input_numbers/ Snakify. A lot of online exercises in Python] || No assignment this time. Yay! ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Input, output. Numbers, strings. Arithmetical operations || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/week2.ipynb Tutorial] || 1. [https://www.python.org/dev/peps/pep-0008/ PEP8 Style Guide] &lt;br&gt; 2. [https://www.w3schools.com/python/python_numbers.asp Python Numbers Exercises] &lt;br&gt; 3. [https://realpython.com/python-input-output/ Input and Output in Python]|| [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/HA1.ipynb HA1] || 23:59, February 7, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Lists and tuples. For &amp; while loops|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week3/week3.ipynb Tutorial] || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Dictionaries, sets, strings. || - ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/week4.ipynb Tutorial] || ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/HA2.ipynb HA2] || 23:59, February 18, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Functions || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week5/week5_functions_initial.ipynb Tutorial] || || [https://classroom.github.com/a/vxyb_nMY HA3] || 23:59, March 3, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || In-class Assignment|| - || - || || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week6 Assignments of all groups] || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Introduction to data analysis, files processing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week7/week7.ipynb Tutorial] || - || -||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Pandas. Part 1 || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week8/week8.ipynb Tutorial] || [https://pandas.pydata.org/pandas-docs/stable/getting_started/tutorials.html Pandas Community Tutorials] || [https://classroom.github.com/a/Wz84c84k HA4] || 23:59, 25 March 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || Pandas. Part 2|| - || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week9 Tutorial] || <br /> [https://github.com/guipsamora/pandas_exercises Pandas Exercises on different topics] <br /> || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Web scraping &amp; parsing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week_10/sem10_parsing.ipynb Tutorial] || <br /> * [https://realpython.com/python-web-scraping-practical-introduction/ A Practical Introduction to Web Scraping in Python] &lt;br&gt;<br /> * [https://github.com/FUlyankin/Parsers/blob/master/Ryan_Mitchell_Web_Scraping_with_Python-_Collecting_Data_from_the_Modern_Web_2015.pdf Web_Scraping_with_Python (book)] &lt;br&gt;<br /> * [https://2.python-requests.org/en/master/user/advanced/ requests library for PRO]<br /> * [https://habr.com/ru/company/ods/blog/346632/) Parse memes in Python]<br /> * [https://github.com/anamarina/eds_spring_2020/blob/master/sem05_parsing/sem05_parsing_full.ipynb Initial reference for this notebook] <br /> || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || || || || || ||<br /> |-<br /> |}<br /> <br /> ==Assignments==<br /> <br /> The course consists of 8 home assignments (10 pts/each), each of them performed individually. <br /> Short home assignments will be published almost every week after Week 2 (weeks 2, 3, 4, 8, 9, 10, 13, 14) based on the materials of the previous practical classes. <br /> <br /> There will be held 2 in-class assignments (10 pts/each) in the format of problem-solving tasks and coding in Python using an online platform (e.g. Yandex Contes or Github Classroom). Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> <br /> Each task is checked for plagiarism. <br /> Matching more than 25% of the code will be considered plagiarism and will result in 1 point out of 10 with the right to appeal. <br /> If the code matches more than 40%, the job will be canceled (0 points) without the right to appeal.<br /> After the deadline for each assignment, during the next week, each student will be offered a convenient time for her/him for participating in a conference in Zoom with a lecturer and TA to answer questions on code and explanations of solutions.<br /> <br /> '''Assignment title standard:'''<br /> Please, name your files with solutions in this format: Assignment # _ # Number # _ # Group number # _ # Name # _ # Surname #.<br /> Example: HA1_Morty_Smith_195.ipynb<br /> <br /> Github with tutorials and assignments: https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> Links for '''submitting''' your assignments: coming soon!<br /> <br /> ==Communication==<br /> <br /> All course materials, assignments, deadlines will be published on this page. <br /> <br /> Important announcements from the teaching team will be sent in Telegram channel: https://t.me/joinchat/UctGNtxs7zd4StM0<br /> <br /> The group with 24/7 online support in Telegram for Q&amp;A, discussions, technical issues, and moral support: https://t.me/joinchat/F_uIPvGE_zA8fftG<br /> <br /> Tutor: Marina Ananyeva [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> <br /> Module 3<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Tuesday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Tuesday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Tuesday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> |}<br /> <br /> Module 4<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Saturday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Saturday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Saturday 13.00-14.20<br /> |-<br /> |}<br /> <br /> ==Feedback==<br /> <br /> We’ll much appreciate it if you help us to make this course better by sharing your ideas and feedback. Feel free to do it!<br /> <br /> Anonymous feedback form: [https://docs.google.com/forms/d/e/1FAIpQLSe5e9p5OM-aTuFhw4y-xYEgrvap6VtfzzRUpH7PVBwdzT7Jng/viewform click_here]<br /> <br /> ==Grading==<br /> <br /> '''Final Grade = 0.4*home assignments + 0.3*group project + 0.2*in-class assignments + 0.1*in-class participation'''<br /> <br /> [https://drive.google.com/file/d/1zOf4z7kPGLlTNgcrY3_I10xbK6AgF4FA/view?usp=sharing Table with grades]<br /> <br /> '''In-class participation''' (10 pts) <br /> The activity during the class is graded by one point per seminar. It implies providing answers to the questions, solving tasks during the seminar. In case a student get more than 10 points in total, its rounded down to 10. <br /> <br /> '''Group project''' (10 pts)<br /> Maximum group size: 4 students.<br /> Group project evaluation criteria:<br /> • the purpose of the study is clearly stated (1 point);<br /> • all steps of the research process are described in a clear and concise way (2 points);<br /> • research outcomes are clearly defined (2 points);<br /> • includes intuitive visualizations of research outcomes (2 points);<br /> • all members of the project team are able to explain the code used for computations (1 points);<br /> • code is properly structured (1 point);<br /> • meets submission timeline (1 point).<br /> <br /> '''Home assignments''' (10 pts/each) – week 2, 3, 4, 8, 9, 10, 13, 14<br /> A home assignment will be given 8 times during the course. These assignments are problem sets that are to be solved in Python.<br /> Sample problems:<br /> • Open file data.csv using pandas and find out whether it contains missing variables. If it does, remove them. Create a new column with boolen values (True or False) using condition by column Age: if age &lt; 18 – return False, otherwise return True. <br /> <br /> '''In-class assignments''' (10 pts/each) – week 6, 11<br /> An in-class assignment will be given two times during the course. In-class assignments are problem sets that are to be solved in Python. Each problem set concerns a particular topic. Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> Sample problems:<br /> • Generate a list of even numbers in a range from 0 to 100. Iterate over these numbers in a for-loop and print each of it. <br /> • Consider the daily oil prices and the USDRUB daily exchange rate. Compute the sample average, standard deviation of daily returns over the entire sample period. Test if mean values are significantly different from zero. Test if mean values significantly differ from each other. State explicitly your null and alternative hypotheses in each case. Plot histograms of the null distributions.<br /> <br /> ==Cheating and honor==<br /> <br /> You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].<br /> <br /> Please don’t cheat - the rumor has it HSE has quite severe penalties.<br /> <br /> To avoid being accused of plagiarism in “grey cases”, please disclose with whom and how you have collaborated on each assignment, except for the final group project. If you warn us, the worst thing that can happen to you after a good-faith mistake is to ask you to complete another version of the task, without disciplinary action and without notifying the HSE administration.</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=Data_Analysis_in_Python_2020-2021&diff=53101 2021-04-10T08:28:45Z

<p>Marina Ananyeva: /* Materials */</p> <hr /> <div>==About the course==<br /> <br /> The course is conducted for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'. <br /> <br /> '''Abstract:'''<br /> In this course students are introduced to the rapidly growing field of data analytics with the specific focus on Python programming language. Students will learn concepts, techniques and tools they need to make meaningful inferences from data. Students will be exposed to a real-world data sets to gain practical skills in data manipulations. Each week will involve seminars and coding simulations. In the final project students will build a working code that can be readily applied for exploratory data analysis in their own (future) research domain.<br /> <br /> Syllabus: [https://drive.google.com/file/d/14DW0yjDGHcpCsfJT58nCS1Glm4vQbIPD/view?usp=sharing open]<br /> <br /> ==Required Software==<br /> <br /> * Anaconda (Python version &gt;= 3.8)<br /> * Jupyter Notebook<br /> <br /> [https://drive.google.com/file/d/1Il0gPyzMahfdiISH0qw3d9yZl1rA5nv8/view?usp=sharing How to install Anaconda on Mac OS] &lt;br&gt;<br /> [https://drive.google.com/file/d/12Dk9bmYqpI09xC1Fl5ITN8khLrYmaOy1/view?usp=sharing How to install Anaconda on Windows]<br /> <br /> ==Materials==<br /> <br /> Presentations and all materials will be available immediately after each practice class. Additional materials will be used in quizzes at each next seminar.<br /> <br /> Github with the materials from our practical classes:<br /> https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Week !! Topic !! Slides !! Tutorial !! Additional Materials !! Assignment !! Deadline <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Introduction || [https://drive.google.com/file/d/1q9Fw0xd0y9bOP6qwrboLhRsJwo6i4pA3/view?usp=sharing Intro Slides] || [https://drive.google.com/file/d/1VKE77_ZTNj4uLpJTry4aHRiNbHLBH-l0/view?usp=sharing How to install Anaconda on Mac OS],<br /> [https://drive.google.com/file/d/1nR6S3vgOrZKl0zNBN19bIfqRA9BBZITL/view?usp=sharing How to install Anaconda on Windows] <br /> || 1. [https://docs.python.org/3.8/tutorial/ Official Python tutorial &amp; documentation] &lt;br&gt; 2. [https://www.coursera.org/specializations/python Coursera. Python for Everybody Specialization] &lt;br&gt; 3. [https://www.coursera.org/learn/python-crash-course?specialization=google-it-automation Coursera. Crash Course on Python] &lt;br&gt; 4. [https://snakify.org/en/lessons/print_input_numbers/ Snakify. A lot of online exercises in Python] || No assignment this time. Yay! ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Input, output. Numbers, strings. Arithmetical operations || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/week2.ipynb Tutorial] || 1. [https://www.python.org/dev/peps/pep-0008/ PEP8 Style Guide] &lt;br&gt; 2. [https://www.w3schools.com/python/python_numbers.asp Python Numbers Exercises] &lt;br&gt; 3. [https://realpython.com/python-input-output/ Input and Output in Python]|| [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/HA1.ipynb HA1] || 23:59, February 7, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Lists and tuples. For &amp; while loops|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week3/week3.ipynb Tutorial] || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Dictionaries, sets, strings. || - ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/week4.ipynb Tutorial] || ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/HA2.ipynb HA2] || 23:59, February 18, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Functions || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week5/week5_functions_initial.ipynb Tutorial] || || [https://classroom.github.com/a/vxyb_nMY HA3] || 23:59, March 3, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || In-class Assignment|| - || - || || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week6 Assignments of all groups] || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Introduction to data analysis, files processing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week7/week7.ipynb Tutorial] || - || -||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Pandas. Part 1 || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week8/week8.ipynb Tutorial] || || [https://classroom.github.com/a/Wz84c84k HA4] || 23:59, 25 March 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || Pandas. Part 2|| - || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week9 Tutorial] || <br /> * [https://pandas.pydata.org/pandas-docs/stable/getting_started/tutorials.html Pandas Community Tutorials]<br /> * [https://github.com/guipsamora/pandas_exercises Pandas Exercises on different topics] <br /> || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Web scraping &amp; parsing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week_10/sem10_parsing.ipynb Tutorial] || <br /> * [https://realpython.com/python-web-scraping-practical-introduction/ A Practical Introduction to Web Scraping in Python] &lt;br&gt;<br /> * [https://github.com/FUlyankin/Parsers/blob/master/Ryan_Mitchell_Web_Scraping_with_Python-_Collecting_Data_from_the_Modern_Web_2015.pdf Web_Scraping_with_Python (book)] &lt;br&gt;<br /> * [https://2.python-requests.org/en/master/user/advanced/ requests library for PRO]<br /> * [https://habr.com/ru/company/ods/blog/346632/) Parse memes in Python]<br /> * [https://github.com/anamarina/eds_spring_2020/blob/master/sem05_parsing/sem05_parsing_full.ipynb Initial reference for this notebook] <br /> || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || || || || || ||<br /> |-<br /> |}<br /> <br /> ==Assignments==<br /> <br /> The course consists of 8 home assignments (10 pts/each), each of them performed individually. <br /> Short home assignments will be published almost every week after Week 2 (weeks 2, 3, 4, 8, 9, 10, 13, 14) based on the materials of the previous practical classes. <br /> <br /> There will be held 2 in-class assignments (10 pts/each) in the format of problem-solving tasks and coding in Python using an online platform (e.g. Yandex Contes or Github Classroom). Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> <br /> Each task is checked for plagiarism. <br /> Matching more than 25% of the code will be considered plagiarism and will result in 1 point out of 10 with the right to appeal. <br /> If the code matches more than 40%, the job will be canceled (0 points) without the right to appeal.<br /> After the deadline for each assignment, during the next week, each student will be offered a convenient time for her/him for participating in a conference in Zoom with a lecturer and TA to answer questions on code and explanations of solutions.<br /> <br /> '''Assignment title standard:'''<br /> Please, name your files with solutions in this format: Assignment # _ # Number # _ # Group number # _ # Name # _ # Surname #.<br /> Example: HA1_Morty_Smith_195.ipynb<br /> <br /> Github with tutorials and assignments: https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> Links for '''submitting''' your assignments: coming soon!<br /> <br /> ==Communication==<br /> <br /> All course materials, assignments, deadlines will be published on this page. <br /> <br /> Important announcements from the teaching team will be sent in Telegram channel: https://t.me/joinchat/UctGNtxs7zd4StM0<br /> <br /> The group with 24/7 online support in Telegram for Q&amp;A, discussions, technical issues, and moral support: https://t.me/joinchat/F_uIPvGE_zA8fftG<br /> <br /> Tutor: Marina Ananyeva [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> <br /> Module 3<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Tuesday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Tuesday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Tuesday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> |}<br /> <br /> Module 4<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Saturday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Saturday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Saturday 13.00-14.20<br /> |-<br /> |}<br /> <br /> ==Feedback==<br /> <br /> We’ll much appreciate it if you help us to make this course better by sharing your ideas and feedback. Feel free to do it!<br /> <br /> Anonymous feedback form: [https://docs.google.com/forms/d/e/1FAIpQLSe5e9p5OM-aTuFhw4y-xYEgrvap6VtfzzRUpH7PVBwdzT7Jng/viewform click_here]<br /> <br /> ==Grading==<br /> <br /> '''Final Grade = 0.4*home assignments + 0.3*group project + 0.2*in-class assignments + 0.1*in-class participation'''<br /> <br /> [https://drive.google.com/file/d/1zOf4z7kPGLlTNgcrY3_I10xbK6AgF4FA/view?usp=sharing Table with grades]<br /> <br /> '''In-class participation''' (10 pts) <br /> The activity during the class is graded by one point per seminar. It implies providing answers to the questions, solving tasks during the seminar. In case a student get more than 10 points in total, its rounded down to 10. <br /> <br /> '''Group project''' (10 pts)<br /> Maximum group size: 4 students.<br /> Group project evaluation criteria:<br /> • the purpose of the study is clearly stated (1 point);<br /> • all steps of the research process are described in a clear and concise way (2 points);<br /> • research outcomes are clearly defined (2 points);<br /> • includes intuitive visualizations of research outcomes (2 points);<br /> • all members of the project team are able to explain the code used for computations (1 points);<br /> • code is properly structured (1 point);<br /> • meets submission timeline (1 point).<br /> <br /> '''Home assignments''' (10 pts/each) – week 2, 3, 4, 8, 9, 10, 13, 14<br /> A home assignment will be given 8 times during the course. These assignments are problem sets that are to be solved in Python.<br /> Sample problems:<br /> • Open file data.csv using pandas and find out whether it contains missing variables. If it does, remove them. Create a new column with boolen values (True or False) using condition by column Age: if age &lt; 18 – return False, otherwise return True. <br /> <br /> '''In-class assignments''' (10 pts/each) – week 6, 11<br /> An in-class assignment will be given two times during the course. In-class assignments are problem sets that are to be solved in Python. Each problem set concerns a particular topic. Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> Sample problems:<br /> • Generate a list of even numbers in a range from 0 to 100. Iterate over these numbers in a for-loop and print each of it. <br /> • Consider the daily oil prices and the USDRUB daily exchange rate. Compute the sample average, standard deviation of daily returns over the entire sample period. Test if mean values are significantly different from zero. Test if mean values significantly differ from each other. State explicitly your null and alternative hypotheses in each case. Plot histograms of the null distributions.<br /> <br /> ==Cheating and honor==<br /> <br /> You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].<br /> <br /> Please don’t cheat - the rumor has it HSE has quite severe penalties.<br /> <br /> To avoid being accused of plagiarism in “grey cases”, please disclose with whom and how you have collaborated on each assignment, except for the final group project. If you warn us, the worst thing that can happen to you after a good-faith mistake is to ask you to complete another version of the task, without disciplinary action and without notifying the HSE administration.</div>

Marina Ananyeva https://wiki.cs.hse.ru/index.php?title=Data_Analysis_in_Python_2020-2021&diff=53099 2021-04-10T08:27:49Z

<p>Marina Ananyeva: /* Materials */</p> <hr /> <div>==About the course==<br /> <br /> The course is conducted for students of Bachelor’s Programme 'HSE and University of London Parallel Degree Programme in International Relations'. <br /> <br /> '''Abstract:'''<br /> In this course students are introduced to the rapidly growing field of data analytics with the specific focus on Python programming language. Students will learn concepts, techniques and tools they need to make meaningful inferences from data. Students will be exposed to a real-world data sets to gain practical skills in data manipulations. Each week will involve seminars and coding simulations. In the final project students will build a working code that can be readily applied for exploratory data analysis in their own (future) research domain.<br /> <br /> Syllabus: [https://drive.google.com/file/d/14DW0yjDGHcpCsfJT58nCS1Glm4vQbIPD/view?usp=sharing open]<br /> <br /> ==Required Software==<br /> <br /> * Anaconda (Python version &gt;= 3.8)<br /> * Jupyter Notebook<br /> <br /> [https://drive.google.com/file/d/1Il0gPyzMahfdiISH0qw3d9yZl1rA5nv8/view?usp=sharing How to install Anaconda on Mac OS] &lt;br&gt;<br /> [https://drive.google.com/file/d/12Dk9bmYqpI09xC1Fl5ITN8khLrYmaOy1/view?usp=sharing How to install Anaconda on Windows]<br /> <br /> ==Materials==<br /> <br /> Presentations and all materials will be available immediately after each practice class. Additional materials will be used in quizzes at each next seminar.<br /> <br /> Github with the materials from our practical classes:<br /> https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Week !! Topic !! Slides !! Tutorial !! Additional Materials !! Assignment !! Deadline <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''1''' || Introduction || [https://drive.google.com/file/d/1q9Fw0xd0y9bOP6qwrboLhRsJwo6i4pA3/view?usp=sharing Intro Slides] || [https://drive.google.com/file/d/1VKE77_ZTNj4uLpJTry4aHRiNbHLBH-l0/view?usp=sharing How to install Anaconda on Mac OS],<br /> [https://drive.google.com/file/d/1nR6S3vgOrZKl0zNBN19bIfqRA9BBZITL/view?usp=sharing How to install Anaconda on Windows] <br /> || 1. [https://docs.python.org/3.8/tutorial/ Official Python tutorial &amp; documentation] &lt;br&gt; 2. [https://www.coursera.org/specializations/python Coursera. Python for Everybody Specialization] &lt;br&gt; 3. [https://www.coursera.org/learn/python-crash-course?specialization=google-it-automation Coursera. Crash Course on Python] &lt;br&gt; 4. [https://snakify.org/en/lessons/print_input_numbers/ Snakify. A lot of online exercises in Python] || No assignment this time. Yay! ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''2''' || Input, output. Numbers, strings. Arithmetical operations || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/week2.ipynb Tutorial] || 1. [https://www.python.org/dev/peps/pep-0008/ PEP8 Style Guide] &lt;br&gt; 2. [https://www.w3schools.com/python/python_numbers.asp Python Numbers Exercises] &lt;br&gt; 3. [https://realpython.com/python-input-output/ Input and Output in Python]|| [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week2/HA1.ipynb HA1] || 23:59, February 7, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''3''' || Lists and tuples. For &amp; while loops|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week3/week3.ipynb Tutorial] || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''4''' || Dictionaries, sets, strings. || - ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/week4.ipynb Tutorial] || ||[https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week4/HA2.ipynb HA2] || 23:59, February 18, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''5''' || Functions || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week5/week5_functions_initial.ipynb Tutorial] || || [https://classroom.github.com/a/vxyb_nMY HA3] || 23:59, March 3, 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''6''' || In-class Assignment|| - || - || || [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week6 Assignments of all groups] || <br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''7''' || Introduction to data analysis, files processing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week7/week7.ipynb Tutorial] || - || -||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''8''' || Pandas. Part 1 || - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week8/week8.ipynb Tutorial] || || [https://classroom.github.com/a/Wz84c84k HA4] || 23:59, 25 March 2021<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''9''' || Pandas. Part 2|| - || <br /> * [https://pandas.pydata.org/pandas-docs/stable/getting_started/tutorials.html Pandas Community Tutorials]<br /> * [https://github.com/anamarina/Data_Analysis_in_Python/tree/main/week9 Tutorial] || [https://github.com/guipsamora/pandas_exercises Pandas Exercises on different topics] || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''10''' || Web scraping &amp; parsing|| - || [https://github.com/anamarina/Data_Analysis_in_Python/blob/main/week_10/sem10_parsing.ipynb Tutorial] || <br /> * [https://realpython.com/python-web-scraping-practical-introduction/ A Practical Introduction to Web Scraping in Python] &lt;br&gt;<br /> * [https://github.com/FUlyankin/Parsers/blob/master/Ryan_Mitchell_Web_Scraping_with_Python-_Collecting_Data_from_the_Modern_Web_2015.pdf Web_Scraping_with_Python (book)] &lt;br&gt;<br /> * [https://2.python-requests.org/en/master/user/advanced/ requests library for PRO]<br /> * [https://habr.com/ru/company/ods/blog/346632/) Parse memes in Python]<br /> * [https://github.com/anamarina/eds_spring_2020/blob/master/sem05_parsing/sem05_parsing_full.ipynb Initial reference for this notebook] <br /> || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''11''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''12''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''13''' || || || || || ||<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''14''' || || || || || ||<br /> |-<br /> |}<br /> <br /> ==Assignments==<br /> <br /> The course consists of 8 home assignments (10 pts/each), each of them performed individually. <br /> Short home assignments will be published almost every week after Week 2 (weeks 2, 3, 4, 8, 9, 10, 13, 14) based on the materials of the previous practical classes. <br /> <br /> There will be held 2 in-class assignments (10 pts/each) in the format of problem-solving tasks and coding in Python using an online platform (e.g. Yandex Contes or Github Classroom). Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> <br /> Each task is checked for plagiarism. <br /> Matching more than 25% of the code will be considered plagiarism and will result in 1 point out of 10 with the right to appeal. <br /> If the code matches more than 40%, the job will be canceled (0 points) without the right to appeal.<br /> After the deadline for each assignment, during the next week, each student will be offered a convenient time for her/him for participating in a conference in Zoom with a lecturer and TA to answer questions on code and explanations of solutions.<br /> <br /> '''Assignment title standard:'''<br /> Please, name your files with solutions in this format: Assignment # _ # Number # _ # Group number # _ # Name # _ # Surname #.<br /> Example: HA1_Morty_Smith_195.ipynb<br /> <br /> Github with tutorials and assignments: https://github.com/anamarina/Data_Analysis_in_Python<br /> <br /> Links for '''submitting''' your assignments: coming soon!<br /> <br /> ==Communication==<br /> <br /> All course materials, assignments, deadlines will be published on this page. <br /> <br /> Important announcements from the teaching team will be sent in Telegram channel: https://t.me/joinchat/UctGNtxs7zd4StM0<br /> <br /> The group with 24/7 online support in Telegram for Q&amp;A, discussions, technical issues, and moral support: https://t.me/joinchat/F_uIPvGE_zA8fftG<br /> <br /> Tutor: Marina Ananyeva [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br /> <br /> Module 3<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Tuesday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Tuesday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Tuesday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> |}<br /> <br /> Module 4<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Group !! Schedule<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''194''' || Thursday 9.30-10.50<br /> |- <br /> | style=&quot;background:#eaecf0;&quot; | '''192''' || Thursday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''193''' || Thursday 13.00-14.20<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''191''' || Saturday 9.30-10.50<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''196''' || Saturday 11.10-12.30<br /> |-<br /> | style=&quot;background:#eaecf0;&quot; | '''195''' || Saturday 13.00-14.20<br /> |-<br /> |}<br /> <br /> ==Feedback==<br /> <br /> We’ll much appreciate it if you help us to make this course better by sharing your ideas and feedback. Feel free to do it!<br /> <br /> Anonymous feedback form: [https://docs.google.com/forms/d/e/1FAIpQLSe5e9p5OM-aTuFhw4y-xYEgrvap6VtfzzRUpH7PVBwdzT7Jng/viewform click_here]<br /> <br /> ==Grading==<br /> <br /> '''Final Grade = 0.4*home assignments + 0.3*group project + 0.2*in-class assignments + 0.1*in-class participation'''<br /> <br /> [https://drive.google.com/file/d/1zOf4z7kPGLlTNgcrY3_I10xbK6AgF4FA/view?usp=sharing Table with grades]<br /> <br /> '''In-class participation''' (10 pts) <br /> The activity during the class is graded by one point per seminar. It implies providing answers to the questions, solving tasks during the seminar. In case a student get more than 10 points in total, its rounded down to 10. <br /> <br /> '''Group project''' (10 pts)<br /> Maximum group size: 4 students.<br /> Group project evaluation criteria:<br /> • the purpose of the study is clearly stated (1 point);<br /> • all steps of the research process are described in a clear and concise way (2 points);<br /> • research outcomes are clearly defined (2 points);<br /> • includes intuitive visualizations of research outcomes (2 points);<br /> • all members of the project team are able to explain the code used for computations (1 points);<br /> • code is properly structured (1 point);<br /> • meets submission timeline (1 point).<br /> <br /> '''Home assignments''' (10 pts/each) – week 2, 3, 4, 8, 9, 10, 13, 14<br /> A home assignment will be given 8 times during the course. These assignments are problem sets that are to be solved in Python.<br /> Sample problems:<br /> • Open file data.csv using pandas and find out whether it contains missing variables. If it does, remove them. Create a new column with boolen values (True or False) using condition by column Age: if age &lt; 18 – return False, otherwise return True. <br /> <br /> '''In-class assignments''' (10 pts/each) – week 6, 11<br /> An in-class assignment will be given two times during the course. In-class assignments are problem sets that are to be solved in Python. Each problem set concerns a particular topic. Problem set 1 deals with the basics of working in Python with data types and data structures, problem set 2 involves performing tasks on data exploratory analysis and visualization.<br /> Sample problems:<br /> • Generate a list of even numbers in a range from 0 to 100. Iterate over these numbers in a for-loop and print each of it. <br /> • Consider the daily oil prices and the USDRUB daily exchange rate. Compute the sample average, standard deviation of daily returns over the entire sample period. Test if mean values are significantly different from zero. Test if mean values significantly differ from each other. State explicitly your null and alternative hypotheses in each case. Plot histograms of the null distributions.<br /> <br /> ==Cheating and honor==<br /> <br /> You must abide by the [https://docs.google.com/document/d/1y4JHIdxCriFIrSHO1ZmeWi9Tjx01o4umqnoFxQtVSrI/mobilebasic Honor Code].<br /> <br /> Please don’t cheat - the rumor has it HSE has quite severe penalties.<br /> <br /> To avoid being accused of plagiarism in “grey cases”, please disclose with whom and how you have collaborated on each assignment, except for the final group project. If you warn us, the worst thing that can happen to you after a good-faith mistake is to ask you to complete another version of the task, without disciplinary action and without notifying the HSE administration.</div>

Marina Ananyeva