Wiki - Факультет компьютерных наук - Вклад [ru]

Глубинное обучение (АДД 2026)

2026-04-02T16:35:17Z

Mhushchyn:

== О курсе ==

Курс читается для студентов 1 курса магистерской программы "Анализ данных в девелопменте" в 3-4 модулях.

[https://www.hse.ru/edu/courses/914869156 Карточка курса и программа.]

[https://github.com/hushchyn-mikhail/deep_learning_dad Репозиторий с материалами курса на GitHub.]

[https://t.me/+OJC6ja7UTK5iNGUy Чат в телеграме]

[Анонимная форма обратной связи]

[Таблица с оценками]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru)

Лекции проходят по четвергам в 18:10 (G116).

=== Семинары ===

Семинарист: [https://www.hse.ru/org/persons/190918370 Азиз Темирханов] (atemirkhanov@hse.ru)

Семинары проходят по вторникам в 19:40 (G116).

=== Учебные ассистенты ===

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.5 * ДЗ + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

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

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в глубинное обучение. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture01-intro.pdf Слайды]]

'''Лекция 2.''' Полносвязные нейронные сети. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture02-mlp.pdf Слайды]]

'''Лекция 3.''' Обучение нейронных сетей. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture03-optim.pdf Слайды]]

'''Лекция 4.''' Регуляризация. Dropout. Batch Normalization. Автокодировщики. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture04-ae.pdf Слайды]]

'''Лекция 5.''' Изображения. Операция свёртки. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture05-conv.pdf Слайды]]

'''Лекция 6.''' Свёрточные нейронные сети. Интерпретация моделей. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture06-cnn.pdf Слайды]]

'''Лекция 7.''' Архитектуры свёрточных нейронных сетей. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture07-arc.pdf Слайды]]

'''Лекция 8.''' Детектирование объектов. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture08-detection.pdf Слайды]]

'''Лекция 9.''' Сегментация изображений. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture09-segmentation.pdf Слайды]]

'''Лекция 10.''' Векторное представление текста, word2vec. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture10-word2vec.pdf Слайды]]

'''Лекция 11.''' Рекуррентные нейронные сети. LSTM. GRU. [[https://github.com/hushchyn-mikhail/deep_learning_dad/blob/main/2026/lectures/lecture11-rnn.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в глубинное обучение.

== Домашние задания ==

После дедлайна работы не принимаются.

== Промежуточная контрольная работа ==

Промежуточная контрольная работа состоится 09 апреля во время лекции (18:10 - 19:30).

[https://docs.google.com/document/d/1jXsSyDzqOb0Y-Eq60_Sdq7UTnD7S4n2oFUmrGRyXPHs/edit?usp=sharing Вопросы для подготовки]

[https://github.com/hse-ds/iad-deep-learning/blob/master/2023/iad-dl-midterm-var0.pdf Нулевой вариант 1]

[https://github.com/hse-ds/iad-deep-learning/blob/master/2023/iad-dl-midterm-var02.pdf Нулевой вариант 2]

В варианте будет 4-5 вопросов. Обратите внимание на примеры типовых задач в списке вопросов.

==Экзамен==

== Материалы прошлых лет ==

[http://wiki.cs.hse.ru/Глубинное_обучение_(АДД_2024) Глубинное обучение 2024]

[http://wiki.cs.hse.ru/Глубинное_обучение_(АДД_2025) Глубинное обучение 2025]

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [http://wiki.cs.hse.ru/Основы_глубинного_обучения/2023 Основы глубинного обучения, ВШЭ]
* [https://github.com/mryab/dl-hse-ami Глубинное обучение, ВШЭ ]
* [https://stepik.org/course/124069/promo, Глубинное обучение 1, МФТИ]
* [https://stepik.org/course/111171/promo, Глубинное обучение 2, МФТИ]
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]

===Книги===
* [https://d2l.ai/ Dive into Deep Learning]
* [https://www.deeplearningbook.org/ Goodfellow I., Bengio Y. and Courville A., Deep Learning]
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

Глубинное обучение (АДД 2026)

2026-01-15T15:23:07Z

Mhushchyn: Новая страница: «== О курсе == Курс читается для студентов 1 курса магистерской программы "Анализ данных в д…»

Машинное обучение (сов. бак. ВШЭ-РЭШ 2025)

2025-12-11T15:58:59Z

Mhushchyn:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/900069480 Карточка курса и программа.]

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+rD7OtklPNclkYTMy Чат в телеграме]

[ТУДУ Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mhushchyn)

Лекции проходят по средам в 16:20 (R503).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [ссылка Чат] || R611 || пятница, 16:20
|-
| МО-2 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [ссылка Чат] || R609 || пятница, 18:10
|-
| МО-3 || [https://t.me/horror_in_black Александра Коган] || [ссылка Чат] || T316 || пятница, 16:20
|-
|}

=== Учебные ассистенты ===

{| class="wikitable"
|-
! Учебный ассистент
|-
| [https://t.me/dmitriy_den Дмитрий Денисенко]
|-
| [https://t.me/ariad_naaaa Ариадна Гоженко]
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.6 * ДЗ + 0.2 * КР + 0.2 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

Условие выставления автомата: (ДЗ >=6 and КР >= 6)

В случае автомата итоговая оценка считается так:

Oитоговая = Округление((0.6 * ДЗ + 0.2 * КР) / 0.8)

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

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

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture03-grad.pdf Слайды]]

'''Лекция 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture04-logreg.pdf Слайды]]

'''Лекция 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture05-metrics.pdf Слайды]]

'''Лекция 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture06-trees.pdf Слайды]]

'''Лекция 7.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture07-bagging.pdf Слайды]]

'''Лекция 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture08-boosting.pdf Слайды]]

'''Лекция 9.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture09-texts.pdf Слайды]]

'''Лекция 10.''' Отбор признаков. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture10-features.pdf Слайды]]

'''Лекция 11.''' Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture11-dim.pdf Слайды]]

'''Лекция 12.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture12-clustering.pdf Слайды]]

'''Лекция 13.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture13-nn.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar02/linear_regression_intro.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar02/linear_regression_intro.ipynb Colab]]

'''Семинар 3.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar03/lin_reg_SGD.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar03/lin_reg_SGD.ipynb Colab]]

'''Семинар 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar04/logreg.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar04/logreg.ipynb Colab]]

'''Семинар 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar05/seminar05_quality.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar05/seminar05_quality.ipynb Colab]]

'''Семинар 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar06/sem06_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar06/sem06_trees.ipynb Colab]]

'''Семинар 7.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar07/sem07_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar07/sem07_rf.ipynb Colab]]

'''Семинар 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar08/sem08_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar08/sem08_boosting.ipynb Colab]]

'''Семинар 9.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar09/sem09_texts.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar09/sem09_texts.ipynb Colab]]

'''Семинар 10.''' Отбор признаков. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar10/sem10_features.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar10/sem10_features.ipynb Colab]]

'''Семинар 11.''' Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar11/sem11_pca_tsne_umap.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar11/sem11_pca_tsne_umap.ipynb Colab]]

'''Семинар 12.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar12/sem12_clustering.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar12/sem12_clustering.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlib.

'''Мягкий дедлайн''': 30 сентября 2025 года 23:59

'''Дедлайн''': 04 октября 2025 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2025/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 18 октября 2025 года 23:59

'''Дедлайн''': 22 октября 2025 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2025/homeworks/homework_2.ipynb

===Задание 3. Логистическая регрессия. ===
Вам предстоит реализовать логистическую регрессию с оптимизацией параметров методом градиентного спуска и немного поупражняться с подсчетом метрик качества классифифкации на синтетическом наборе данных.

'''Мягкий дедлайн''': 4 ноября 2025 года 23:59

'''Дедлайн''': 8 ноября 2025 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2025/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья. ===
Вам предстоит освоить работу с решающими деревьями на примере задач классификации.

'''Мягкий дедлайн''': 13 ноября 2025 года 23:59

'''Дедлайн''': 17 ноября 2025 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2025/homeworks/homework_4

===Задание 5. Композиции алгоритмов. ===
В этом задании вам нужно решить несколько задач по ансамблям моделей.

'''Мягкий дедлайн''': 26 ноября 2025 года 23:59

'''Дедлайн''': 30 ноября 2025 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2025/homeworks/homework_5.ipynb

== Контрольная работа ==

[[https://disk.yandex.ru/i/nupFNBkhOktOpw Вопросы и задачи к контрольной работе (мидтерму) 2025)]]

'''Дата проведения:''' 12 ноября 2025 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 8 вопросов и 2 задачи из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==
[[https://disk.yandex.ru/d/MmJYYEqtGIw4qg Вопросы к экзамену 2025]]

'''Дата проведения:''' 17 декабря 2025 г. на лекции в 16:20.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 10 вопросов из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===
[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2024) Страница курса 2024 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2023) Страница курса 2023 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2025)

2025-12-11T15:47:34Z

Mhushchyn:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/900069480 Карточка курса и программа.]

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+rD7OtklPNclkYTMy Чат в телеграме]

[ТУДУ Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mhushchyn)

Лекции проходят по средам в 16:20 (R503).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [ссылка Чат] || R611 || пятница, 16:20
|-
| МО-2 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [ссылка Чат] || R609 || пятница, 18:10
|-
| МО-3 || [https://t.me/horror_in_black Александра Коган] || [ссылка Чат] || T316 || пятница, 16:20
|-
|}

=== Учебные ассистенты ===

{| class="wikitable"
|-
! Учебный ассистент
|-
| [https://t.me/dmitriy_den Дмитрий Денисенко]
|-
| [https://t.me/ariad_naaaa Ариадна Гоженко]
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.6 * ДЗ + 0.2 * КР + 0.2 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

Условие выставления автомата: (ДЗ >=6 and КР >= 6)

В случае автомата итоговая оценка считается так:

Oитоговая = Округление((0.6 * ДЗ + 0.2 * КР) / 0.8)

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

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

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture03-grad.pdf Слайды]]

'''Лекция 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture04-logreg.pdf Слайды]]

'''Лекция 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture05-metrics.pdf Слайды]]

'''Лекция 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture06-trees.pdf Слайды]]

'''Лекция 7.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture07-bagging.pdf Слайды]]

'''Лекция 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture08-boosting.pdf Слайды]]

'''Лекция 9.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture09-texts.pdf Слайды]]

'''Лекция 10.''' Отбор признаков. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture10-features.pdf Слайды]]

'''Лекция 11.''' Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture11-dim.pdf Слайды]]

'''Лекция 12.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture12-clustering.pdf Слайды]]

'''Лекция 13.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture13-nn.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar02/linear_regression_intro.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar02/linear_regression_intro.ipynb Colab]]

'''Семинар 3.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar03/lin_reg_SGD.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar03/lin_reg_SGD.ipynb Colab]]

'''Семинар 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar04/logreg.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar04/logreg.ipynb Colab]]

'''Семинар 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar05/seminar05_quality.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar05/seminar05_quality.ipynb Colab]]

'''Семинар 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar06/sem06_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar06/sem06_trees.ipynb Colab]]

'''Семинар 7.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar07/sem07_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar07/sem07_rf.ipynb Colab]]

'''Семинар 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar08/sem08_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar08/sem08_boosting.ipynb Colab]]

'''Семинар 9.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar09/sem09_texts.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar09/sem09_texts.ipynb Colab]]

'''Семинар 10.''' Отбор признаков. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar10/sem10_features.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar10/sem10_features.ipynb Colab]]

'''Семинар 11.''' Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar11/sem11_pca_tsne_umap.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar11/sem11_pca_tsne_umap.ipynb Colab]]

'''Семинар 12.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar12/sem12_clustering.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar12/sem12_clustering.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlib.

'''Мягкий дедлайн''': 30 сентября 2025 года 23:59

'''Дедлайн''': 04 октября 2025 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2025/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 18 октября 2025 года 23:59

'''Дедлайн''': 22 октября 2025 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2025/homeworks/homework_2.ipynb

===Задание 3. Логистическая регрессия. ===
Вам предстоит реализовать логистическую регрессию с оптимизацией параметров методом градиентного спуска и немного поупражняться с подсчетом метрик качества классифифкации на синтетическом наборе данных.

'''Мягкий дедлайн''': 4 ноября 2025 года 23:59

'''Дедлайн''': 8 ноября 2025 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2025/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья. ===
Вам предстоит освоить работу с решающими деревьями на примере задач классификации.

'''Мягкий дедлайн''': 13 ноября 2025 года 23:59

'''Дедлайн''': 17 ноября 2025 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2025/homeworks/homework_4

===Задание 5. Композиции алгоритмов. ===
В этом задании вам нужно решить несколько задач по ансамблям моделей.

'''Мягкий дедлайн''': 26 ноября 2025 года 23:59

'''Дедлайн''': 30 ноября 2025 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2025/homeworks/homework_5.ipynb

== Контрольная работа ==

[[https://disk.yandex.ru/i/nupFNBkhOktOpw Вопросы и задачи к контрольной работе (мидтерму) 2025)]]

'''Дата проведения:''' 12 ноября 2025 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 8 вопросов и 2 задачи из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===
[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2024) Страница курса 2024 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2023) Страница курса 2023 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2025)

2025-11-05T15:42:24Z

Mhushchyn:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/900069480 Карточка курса и программа.]

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+rD7OtklPNclkYTMy Чат в телеграме]

[ТУДУ Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mhushchyn)

Лекции проходят по средам в 16:20 (R503).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [ссылка Чат] || R611 || пятница, 16:20
|-
| МО-2 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [ссылка Чат] || R609 || пятница, 18:10
|-
| МО-3 || [https://t.me/horror_in_black Александра Коган] || [ссылка Чат] || T316 || пятница, 16:20
|-
|}

=== Учебные ассистенты ===

{| class="wikitable"
|-
! Учебный ассистент
|-
| [https://t.me/dmitriy_den Дмитрий Денисенко]
|-
| [https://t.me/ariad_naaaa Ариадна Гоженко]
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.6 * ДЗ + 0.2 * КР + 0.2 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

Условие выставления автомата: (ДЗ >=6 and КР >= 6)

В случае автомата итоговая оценка считается так:

Oитоговая = Округление((0.6 * ДЗ + 0.2 * КР) / 0.8)

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

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

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture03-grad.pdf Слайды]]

'''Лекция 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture04-logreg.pdf Слайды]]

'''Лекция 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture05-metrics.pdf Слайды]]

'''Лекция 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture06-trees.pdf Слайды]]

'''Лекция 7.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture07-bagging.pdf Слайды]]

'''Лекция 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture08-boosting.pdf Слайды]]

'''Лекция 9.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/lectures/lecture09-texts.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar02/linear_regression_intro.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar02/linear_regression_intro.ipynb Colab]]

'''Семинар 3.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar03/lin_reg_SGD.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar03/lin_reg_SGD.ipynb Colab]]

'''Семинар 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar04/logreg.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar04/logreg.ipynb Colab]]

'''Семинар 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar05/seminar05_quality.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar05/seminar05_quality.ipynb Colab]]

'''Семинар 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar06/sem06_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar06/sem06_trees.ipynb Colab]]

'''Семинар 7.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar07/sem07_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar07/sem07_rf.ipynb Colab]]

'''Семинар 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar08/sem08_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar08/sem08_boosting.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlib.

'''Мягкий дедлайн''': 30 сентября 2025 года 23:59

'''Дедлайн''': 04 октября 2025 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2025/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 18 октября 2025 года 23:59

'''Дедлайн''': 22 октября 2025 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2025/homeworks/homework_2.ipynb

===Задание 3. Логистическая регрессия. ===
Вам предстоит реализовать логистическую регрессию с оптимизацией параметров методом градиентного спуска и немного поупражняться с подсчетом метрик качества классифифкации на синтетическом наборе данных.

'''Мягкий дедлайн''': 4 ноября 2025 года 23:59

'''Дедлайн''': 8 ноября 2025 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2025/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья. ===
Вам предстоит освоить работу с решающими деревьями на примере задач классификации.

'''Мягкий дедлайн''': 13 ноября 2025 года 23:59

'''Дедлайн''': 17 ноября 2025 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2025/homeworks/homework_4

== Контрольная работа ==

[[https://disk.yandex.ru/i/nupFNBkhOktOpw Вопросы и задачи к контрольной работе (мидтерму) 2025)]]

'''Дата проведения:''' 12 ноября 2025 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 8 вопросов и 2 задачи из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===
[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2024) Страница курса 2024 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2023) Страница курса 2023 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2025)

2025-10-31T15:50:29Z

2024-09-13T13:02:25Z

Mhushchyn:

Генеративные модели в машинном обучении (ИИ 2024)

2024-09-13T13:00:09Z

Mhushchyn: