https://wiki.cs.hse.ru/api.php?action=feedcontributions&feedformat=atom&user=Nadiinchi 2026-09-21T17:56:57Z Вклад MediaWiki 1.43.9 https://wiki.cs.hse.ru/index.php?title=%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D1%8B_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F/2023&diff=64489 2022-01-19T12:00:00Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 2-го курса [https://electives.hse.ru/minor_intel/ майнора ИАД] в 3-4 модулях.<br /> <br /> Проводится с 2015 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят онлайн по средам в 11:10.<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/edu/courses/450828864 Карточка курса и программа]<br /> <br /> [https://github.com/hse-ds/iad-intro-ds Репозиторий с материалами на GitHub]<br /> <br /> [https://www.youtube.com/playlist?list=PLEwK9wdS5g0rco8Fan1hA-bV2DXOyRkXQ Записи занятий]<br /> <br /> Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.minor.dm+&lt;номер группы&gt;@gmail.com (например, hse.minor.dm+3@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://t.me/hse_iad_22<br /> <br /> Чат в telegram для флуда: https://t.me/+pbt8rRfldsUzZGUy<br /> <br /> Ссылка на курс в Anytask: https://anytask.org/course/??<br /> <br /> Таблица с оценками: https://docs.google.com/spreadsheets/d/130puDf_28fPRNKJqtyQAkIyoKnjbVHFtpAcX5zm4CsA/edit?usp=sharing<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебные ассистенты !! Zoom-конференция !! Ссылка на чат !! Материалы семинаров !! Инвайт в anytask <br /> |-<br /> | ИАД-1 || Алвандян Нарек || Плахин Александр, Макаров Антон || [https://zoom.us/j/93410637894?pwd=NG1yMllOZWtTRzNuYTY5T0QwTHVtZz09 Zoom] || [https://t.me/+OghU7AZvqqhlODZi Чат] || - || -<br /> |-<br /> | ИАД-2 || Косарев Илья || Никифоров Михаил, Пащенко Анатолий || [https://zoom.us/j/96875144987?pwd=c1Vqd2t2OWVaY2VlNllCVU82WW5mQT09 Zoom] || [https://t.me/+sqgSOPgr5HZmZTQy Чат] || - || -<br /> |-<br /> | ИАД-3 || Кантонистова Елена || Прохоров Савелий, Червяков Артем || [https://zoom.us/j/92527076732?pwd=dWxHMXczUlkyMXdmaG1NYlA5QjUrUT09 Zoom] || [https://t.me/+LSgeYDy2Fio1NmM6 Чат] || - || -<br /> |-<br /> | ИАД-4 || [https://t.me/vsomelyusik Владимир Омелюсик] || Альмухаметов Денис, Жуматаев Жанту || [https://zoom.us/j/94478987033?pwd=QlIwUkRyVFh0UVEzS1VBT2RGT2lQZz09 Zoom] || [https://t.me/+9hLzy1jv1tczNWMy Чат] || [https://github.com/V-Marco/hse_iad4_2022 Материалы] || -<br /> |-<br /> | ИАД-5 || Альперович Вадим || Пономаренко Александр, Лапшина Ксения || [https://zoom.us/j/99240916833?pwd=bDZISE4vbTIzOFprVjFzY1dBaFM3QT09 Zoom] || [https://t.me/+TSPjYC7CpYA4NGQy Чат] || - || -<br /> |-<br /> | ИАД-6 || Серякова Василиса ||Смоленчук Иван, Гудзикевич Максим || [https://zoom.us/j/98698466454?pwd=ZG9yR0liVnk4K0JOdWRQb2RDL2lIZz09 Zoom] || [https://t.me/+YvHUyon7GqBlZjZi Чат] || || -<br /> |-<br /> | ИАД-7 || Чиркова Надежда || Короткова Юлия, Кострыкина Екатерина || [https://zoom.us/j/94594342525?pwd=bXR5YzdEQWg1cm85citKdWR0Y2M0Zz09 Zoom] || [https://t.me/+f_60KCmo80hhN2Ni Чат] || [https://github.com/nadiinchi/iad2022/ Материалы] || -<br /> |-<br /> | ИАД-8 || Семенов Дмитрий || - || [https://zoom.us/j/99921792854?pwd=b1JpazNtVEVwaWZYK1RDYWQ1NFNhdz09 Zoom] || [https://t.me/+H0EwJppMUMBhMjcy Чат] || - || -<br /> |-<br /> | ИАД-9 ||Карпова Ася ||Масликов Егор, Кирилл Сафонов || [https://zoom.us/j/94217882025?pwd=TzNJb296OEw1dHhLRDZjeWxIbHVKZz09 Zoom] || [https://t.me/+u4MqYwV6XINmYjcy Чат] || -|| -<br /> |-<br /> |}<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров<br /> * Практические домашние работы на Python<br /> * Контрольная где-то в середине курса<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> Два раза студент может сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов. Также разрешается в конце курса написать одну проверочную, пропущенную без уважительной причины.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (10.01.2022). Введение в машинное обучение и анализ данных. [[https://github.com/hse-ds/iad-intro-ds/blob/master/2022/lectures/lecture01-intro.pdf Слайды]] [[https://www.youtube.com/watch?v=CWqurj-JjkQ Запись лекции]]<br /> <br /> == Семинары ==<br /> <br /> <br /> == Практические задания ==<br /> <br /> 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.<br /> <br /> В некоторых группах домашние задания могут отличаться. Уточняйте у семинариста.<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> В соревновании по анализу данных вам предлагается по имеющимся данным решить некоторую задачу, оптимизируя указанную метрику, и отправить ответы для заданного тестового множества. Максимальное количество посылок в сутки ограничено (как правило, разрешается сделать 2 посылки), ближе к концу соревнования вам будем необходимо выбрать 2 посылки, которые вы считаете лучшими. Тестовые данные делятся на публичные и приватные в некотором соотношении, на основе которых строятся публичный и приватный лидерборды соответственно, при этом публичный лидерборд доступен в течение всего соревнования, а приватный строится после его окончания для выбранных вами посылок.<br /> <br /> Студент, занявший в соревновании место i, получает оценку<br /> <br /> 10 - 10 * (i - 1) / M,<br /> <br /> где M — количество студентов, принявших участие в соревновании;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов.<br /> <br /> Чтобы вас не пропустили при проверке решений соревнования, '''необходимо''' использовать следующий формат для имени команды (вкладка Team): <br /> <br /> «Имя Фамилия номер_группы»<br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''. Под внешними данными понимаются размеченные данные, где разметка имеет прямое отношение к решаемой задаче. Грубо говоря, сборник текстов с википедии не считается внешними данными.<br /> <br /> == Контрольная работа ==<br /> <br /> == Экзамен ==<br /> <br /> ==Полезные материалы==<br /> ===Курсы по машинному обучению и анализу данных===<br /> Максимально близко к материалам курса: [https://www.coursera.org/specializations/machine-learning-from-statistics-to-neural-networks Специализация &quot;Машинное обучение: от статистики до нейросетей&quot;] (речь про два курса: &quot;Основы машинного обучения&quot; и &quot;Продвинутые методы машинного обучения&quot;)<br /> <br /> Для тех, кто хочет подтянуть математику: [https://www.coursera.org/specializations/maths-for-data-analysis Специализация &quot;Математика для анализа данных&quot;]<br /> <br /> Более сложная версия этого курса с ПМИ: [[Машинное обучение 1]]<br /> <br /> Ещё материалы:<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.<br /> <br /> == Страницы прошлых лет ==<br /> <br /> [[Введение_в_анализ_данных_(майнор_ИАД) | 2020/21 учебный год]]<br /> <br /> [[Введение_в_анализ_данных_(майнор_ИАД)_2019/2020 | 2019/20 учебный год]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных | 2018/19 учебный год ]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2017-2018 | 2017/18 учебный год ]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2016-2017 | 2016/17 учебный год ]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2015-2016 | 2015/16 учебный год ]]<br /> <br /> [[Category:Майнор &quot;Интеллектуальный анализ данных&quot;]]</div>

Nadiinchi 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_(%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)&diff=63260 2021-12-21T20:07:02Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinchi)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистенты:''' Александр Югай (@AleksandrY99), Екатерина Кострыкина (@ekostrykina)<br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (в классе, R503).<br /> <br /> [https://t.me/joinchat/rxR_925TcI40Y2Zi Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание материала лекций и семинаров, могут включать теоретические задачи (всего 4-6 проверочных)<br /> * Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Бонусные баллы в курсе не предусмотрены (за исключением, может быть, участия в соревновании в четвертом модуле)<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> ==Экзамен==<br /> [[https://docs.google.com/document/d/1NyLOt9I3KXddB7ZPS_nLO_ggLJA8c1NqtONIB-T8cjA/edit?usp=sharing Вопросы к экзамену]]<br /> <br /> Экзамен состоится 27 декабря в 11:10 офлайн в ауд. R503, длительность 1 час 20 мин. Экзамен письменный, проходит в режиме closed-book (пользоваться ничем нельзя).<br /> <br /> Содержание работы: теоретические вопросы из списка (возможны измененные формулировки) + теоретические задачи. Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию экзамена:<br /> 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.<br /> <br /> == Контрольная работа ==<br /> <br /> [[https://drive.google.com/file/d/1XSuR3bAh9ve33KZXtrGlp7q4jyN9CxT4/view?usp=sharing Вопросы к контрольной работе (мидтерму) 2021)]]<br /> <br /> Порядок проведения контрольной работы и экзамена:<br /> <br /> 1) При написании работы пользоваться ничем нельзя (closed-book)<br /> <br /> 2) У студента должны быть включены камера и микрофон в течение всего времени проведения работы. Нужно будет установить камеру телефона так, чтобы вас было целиком видно (ваши голова и руки, стол, листок, на котором вы пишете). Проверьте, что у вас хорошее интернет-соединение. Будет вестись запись. Если вы заходите с 2-х устройств (одно, на котором вас хорошо видно, другое - ноутбук с заданием), то выключите камеру на ноутбуке.<br /> <br /> <br /> 3) Вы открываете работу на компьютере в начале написания и больше не используете мышь/тачпад/клавитатуру и тд. Работа будет помещаться в один экран, отрегулируйте заранее настройки экрана, чтобы он не погас. Это очень важный пункт: нельзя использовать никакие средства ввода и вообще как-либо управлять компьютером или телефоном.<br /> <br /> 4) Каждый студент должен в начале своей работы от руки написать следующую фразу:<br /> &quot;Настоящим подтверждаю, что я, Ф.И.О., внимательно изучил и понял все требования к данной контрольной работе и готов их выполнить. Подпись, расшифровка, число&quot;. Работы без данной подписи приниматься не будут.<br /> <br /> Время написания работы: 1 час 20 минут.<br /> <br /> 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.<br /> <br /> Содержание работы: теоретические вопросы из списка (возможны измененные формулировки) + теоретические задачи. Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Лекции ==<br /> <br /> Указаны прошлогодние материалы, при необходимости в течение курса они будут обновляться.<br /> <br /> Тема 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> <br /> Тема 2. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Тема 3. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Тема 4. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Тема 5. (вошла в семинары) Многоклассовая линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] <br /> <br /> Тема 6. (вошла в семинары) Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Тема 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Тема 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Тема 9. Отбор признаков<br /> [[https://github.com/hse-ds/iad-intro-ds/blob/master/2021/lectures/lecture15-reduction.pdf Презентация]]<br /> <br /> Тема 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в методе главных компонент (доп. материал)]]<br /> <br /> Тема 11. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Тема 12. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> Тема 13. Сверточные нейросети. Регуляризация нейронных сетей.<br /> [[https://drive.google.com/file/d/1uSVdPsn5wznk510gS9N1K9DXITpxNFXt/view Презентация]] (на лекции было больше материала)<br /> <br /> Тема 14. Нейронные сети в анализе текстов.<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/NLP_lecture.pdf Презентация]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2021 Github] с семинарами и домашками.<br /> <br /> На семинарах будут разбираться теоретические задачи, новый теоретический материал и практические задания. Практика в курсе проводится с использованием языка Python, среды Jupyter Notebook и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://openedu.ru/course/hse/INTRML/ Курс на платформе &quot;Открытое образование&quot;]<br /> * [https://www.coursera.org/specializations/machine-learning-from-statistics-to-neural-networks Специализация на платформе Coursera]<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/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<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_2020) Страница прошлого года]</div>

Nadiinchi 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_(%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)&diff=61768 2021-11-22T10:05:37Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinchi)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистенты:''' Александр Югай (@AleksandrY99), Екатерина Кострыкина (@ekostrykina)<br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (в классе, R503).<br /> <br /> [https://t.me/joinchat/rxR_925TcI40Y2Zi Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание материала лекций и семинаров, могут включать теоретические задачи (всего 4-6 проверочных)<br /> * Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Бонусные баллы в курсе не предусмотрены (за исключением, может быть, участия в соревновании в четвертом модуле)<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Контрольная работа ==<br /> <br /> [[https://drive.google.com/file/d/1XSuR3bAh9ve33KZXtrGlp7q4jyN9CxT4/view?usp=sharing Вопросы к контрольной работе (мидтерму) 2021)]]<br /> <br /> Порядок проведения контрольной работы и экзамена:<br /> <br /> 1) При написании работы пользоваться ничем нельзя (closed-book)<br /> <br /> 2) У студента должны быть включены камера и микрофон в течение всего времени проведения работы. Нужно будет установить камеру телефона так, чтобы вас было целиком видно (ваши голова и руки, стол, листок, на котором вы пишете). Проверьте, что у вас хорошее интернет-соединение. Будет вестись запись. Если вы заходите с 2-х устройств (одно, на котором вас хорошо видно, другое - ноутбук с заданием), то выключите камеру на ноутбуке.<br /> <br /> <br /> 3) Вы открываете работу на компьютере в начале написания и больше не используете мышь/тачпад/клавитатуру и тд. Работа будет помещаться в один экран, отрегулируйте заранее настройки экрана, чтобы он не погас. Это очень важный пункт: нельзя использовать никакие средства ввода и вообще как-либо управлять компьютером или телефоном.<br /> <br /> 4) Каждый студент должен в начале своей работы от руки написать следующую фразу:<br /> &quot;Настоящим подтверждаю, что я, Ф.И.О., внимательно изучил и понял все требования к данной контрольной работе и готов их выполнить. Подпись, расшифровка, число&quot;. Работы без данной подписи приниматься не будут.<br /> <br /> Время написания работы: 1 час 20 минут.<br /> <br /> 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.<br /> <br /> Содержание работы: теоретические вопросы из списка (возможны измененные формулировки) + теоретические задачи. Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Лекции ==<br /> <br /> Указаны прошлогодние материалы, при необходимости в течение курса они будут обновляться.<br /> <br /> Тема 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> <br /> Тема 2. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Тема 3. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Тема 4. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Тема 5. (вошла в семинары) Многоклассовая линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] <br /> <br /> Тема 6. (вошла в семинары) Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Тема 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Тема 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Тема 9. Отбор признаков<br /> [[https://github.com/hse-ds/iad-intro-ds/blob/master/2021/lectures/lecture15-reduction.pdf Презентация]]<br /> <br /> Тема 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в методе главных компонент (доп. материал)]]<br /> <br /> Тема 11. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Тема 12. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> Тема 13. Сверточные нейросети. Регуляризация нейронных сетей.<br /> [[https://drive.google.com/file/d/1uSVdPsn5wznk510gS9N1K9DXITpxNFXt/view Презентация]] (на лекции было больше материала)<br /> <br /> Тема 14. Нейронные сети в анализе текстов.<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/NLP_lecture.pdf Презентация]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2021 Github] с семинарами и домашками.<br /> <br /> На семинарах будут разбираться теоретические задачи, новый теоретический материал и практические задания. Практика в курсе проводится с использованием языка Python, среды Jupyter Notebook и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://openedu.ru/course/hse/INTRML/ Курс на платформе &quot;Открытое образование&quot;]<br /> * [https://www.coursera.org/specializations/machine-learning-from-statistics-to-neural-networks Специализация на платформе Coursera]<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/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<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_2020) Страница прошлого года]</div>

Nadiinchi 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_(%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)&diff=61766 2021-11-22T09:56:04Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinchi)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистенты:''' Александр Югай (@AleksandrY99), Екатерина Кострыкина (@ekostrykina)<br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (в классе, R503).<br /> <br /> [https://t.me/joinchat/rxR_925TcI40Y2Zi Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание материала лекций и семинаров, могут включать теоретические задачи (всего 4-6 проверочных)<br /> * Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Бонусные баллы в курсе не предусмотрены (за исключением, может быть, участия в соревновании в четвертом модуле)<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Контрольная работа ==<br /> <br /> [[https://drive.google.com/file/d/1XSuR3bAh9ve33KZXtrGlp7q4jyN9CxT4/view?usp=sharing Вопросы к контрольной работе (мидтерму) 2021)]]<br /> <br /> Порядок проведения контрольной работы и экзамена:<br /> <br /> 1) При написании работы пользоваться ничем нельзя (closed-book)<br /> <br /> 2) У студента должны быть включены камера и микрофон в течение всего времени проведения работы. Нужно будет установить камеру телефона так, чтобы вас было целиком видно (ваши голова и руки, стол, листок, на котором вы пишете). Проверьте, что у вас хорошее интернет-соединение. Будет вестись запись.<br /> <br /> 3) Вы открываете работу на компьютере в начале написания и больше не используете мышь/тачпад/клавитатуру и тд. Работа будет помещаться в один экран, отрегулируйте заранее настройки экрана, чтобы он не погас. Это очень важный пункт: нельзя использовать никакие средства ввода и вообще как-либо управлять компьютером или телефоном.<br /> <br /> 4) Каждый студент должен в начале своей работы от руки написать следующую фразу:<br /> &quot;Настоящим подтверждаю, что я, Ф.И.О., внимательно изучил и понял все требования к данной контрольной работе и готов их выполнить. Подпись, расшифровка, число&quot;. Работы без данной подписи приниматься не будут.<br /> <br /> Время написания работы: 1 час 20 минут.<br /> <br /> 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.<br /> <br /> Содержание работы: теоретические вопросы из списка (возможны измененные формулировки) + теоретические задачи. Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Лекции ==<br /> <br /> Указаны прошлогодние материалы, при необходимости в течение курса они будут обновляться.<br /> <br /> Тема 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> <br /> Тема 2. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Тема 3. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Тема 4. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Тема 5. (вошла в семинары) Многоклассовая линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] <br /> <br /> Тема 6. (вошла в семинары) Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Тема 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Тема 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Тема 9. Отбор признаков<br /> [[https://github.com/hse-ds/iad-intro-ds/blob/master/2021/lectures/lecture15-reduction.pdf Презентация]]<br /> <br /> Тема 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в методе главных компонент (доп. материал)]]<br /> <br /> Тема 11. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Тема 12. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> Тема 13. Сверточные нейросети. Регуляризация нейронных сетей.<br /> [[https://drive.google.com/file/d/1uSVdPsn5wznk510gS9N1K9DXITpxNFXt/view Презентация]] (на лекции было больше материала)<br /> <br /> Тема 14. Нейронные сети в анализе текстов.<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/NLP_lecture.pdf Презентация]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2021 Github] с семинарами и домашками.<br /> <br /> На семинарах будут разбираться теоретические задачи, новый теоретический материал и практические задания. Практика в курсе проводится с использованием языка Python, среды Jupyter Notebook и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://openedu.ru/course/hse/INTRML/ Курс на платформе &quot;Открытое образование&quot;]<br /> * [https://www.coursera.org/specializations/machine-learning-from-statistics-to-neural-networks Специализация на платформе Coursera]<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/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<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_2020) Страница прошлого года]</div>

Nadiinchi 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_(%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)&diff=61765 2021-11-22T09:52:41Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinchi)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистенты:''' Александр Югай (@AleksandrY99), Екатерина Кострыкина (@ekostrykina)<br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (в классе, R503).<br /> <br /> [https://t.me/joinchat/rxR_925TcI40Y2Zi Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание материала лекций и семинаров, могут включать теоретические задачи (всего 4-6 проверочных)<br /> * Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Бонусные баллы в курсе не предусмотрены (за исключением, может быть, участия в соревновании в четвертом модуле)<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Контрольная работа ==<br /> <br /> [[https://drive.google.com/file/d/1XSuR3bAh9ve33KZXtrGlp7q4jyN9CxT4/view?usp=sharing Вопросы к контрольной работе (мидтерму) 2021)]]<br /> <br /> Порядок проведения контрольной работы и экзамена:<br /> <br /> 1) При написании работы пользоваться ничем нельзя (closed-book)<br /> <br /> 2) У студента должны быть включены камера и микрофон в течение всего времени проведения работы. Нужно будет установить камеру телефона так, чтобы вас было целиком видно (вы, стол, листок, на котором вы пишете). Именно целиком, а не часть вас и не часть листка. Проверьте, что у вас хорошее интернет-соединение. Будет вестись запись.<br /> <br /> 3) Вы открываете работу на компьютере в начале написания и больше не используете мышь/тачпад/клавитатуру и тд. Работа будет помещаться в один экран, отрегулируйте заранее настройки экрана, чтобы он не погас. Это очень важный пункт: нельзя использовать никакие средства ввода и вообще как-либо управлять компьютером или телефоном.<br /> <br /> 4) Каждый студент должен в начале своей работы от руки написать следующую фразу:<br /> &quot;Настоящим подтверждаю, что я, Ф.И.О., внимательно изучил и понял все требования к данной контрольной работе и готов их выполнить. Подпись, расшифровка, число&quot;. Работы без данной подписи приниматься не будут.<br /> <br /> Время написания работы: 1 час 20 минут.<br /> <br /> 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.<br /> <br /> Содержание работы: теоретические вопросы из списка (возможны измененные формулировки) + теоретические задачи. Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Лекции ==<br /> <br /> Указаны прошлогодние материалы, при необходимости в течение курса они будут обновляться.<br /> <br /> Тема 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> <br /> Тема 2. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Тема 3. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Тема 4. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Тема 5. (вошла в семинары) Многоклассовая линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] <br /> <br /> Тема 6. (вошла в семинары) Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Тема 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Тема 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Тема 9. Отбор признаков<br /> [[https://github.com/hse-ds/iad-intro-ds/blob/master/2021/lectures/lecture15-reduction.pdf Презентация]]<br /> <br /> Тема 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в методе главных компонент (доп. материал)]]<br /> <br /> Тема 11. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Тема 12. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> Тема 13. Сверточные нейросети. Регуляризация нейронных сетей.<br /> [[https://drive.google.com/file/d/1uSVdPsn5wznk510gS9N1K9DXITpxNFXt/view Презентация]] (на лекции было больше материала)<br /> <br /> Тема 14. Нейронные сети в анализе текстов.<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/NLP_lecture.pdf Презентация]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2021 Github] с семинарами и домашками.<br /> <br /> На семинарах будут разбираться теоретические задачи, новый теоретический материал и практические задания. Практика в курсе проводится с использованием языка Python, среды Jupyter Notebook и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://openedu.ru/course/hse/INTRML/ Курс на платформе &quot;Открытое образование&quot;]<br /> * [https://www.coursera.org/specializations/machine-learning-from-statistics-to-neural-networks Специализация на платформе Coursera]<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/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<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_2020) Страница прошлого года]</div>

Nadiinchi 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_(%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)&diff=61764 2021-11-22T09:50:03Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinchi)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистенты:''' Александр Югай (@AleksandrY99), Екатерина Кострыкина (@ekostrykina)<br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (в классе, R503).<br /> <br /> [https://t.me/joinchat/rxR_925TcI40Y2Zi Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание материала лекций и семинаров, могут включать теоретические задачи (всего 4-6 проверочных)<br /> * Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Бонусные баллы в курсе не предусмотрены (за исключением, может быть, участия в соревновании в четвертом модуле)<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Контрольная работа ==<br /> <br /> [[https://drive.google.com/file/d/1XSuR3bAh9ve33KZXtrGlp7q4jyN9CxT4/view?usp=sharing Вопросы к контрольной работе (мидтерму) 2021)]]<br /> <br /> Порядок проведения контрольной работы и экзамена:<br /> <br /> 1) При написании работы пользоваться ничем нельзя (closed-book)<br /> <br /> 2) У студента должна быть включена камера все время проведения работы. Нужно будет установить камеру телефона так, чтобы вас было целиком видно (вы, стол, листок, на котором вы пишете). Именно целиком, а не часть вас и не часть листка. Звук не нужен. Проверьте, что у вас хорошее интернет-соединение. Будет вестись запись.<br /> <br /> 3) Вы открываете работу на компьютере в начале написания и больше не используете мышь/тачпад/клавитатуру и тд. Работа будет помещаться в один экран, отрегулируйте заранее настройки экрана, чтобы он не погас. Это очень важный пункт: нельзя использовать никакие средства ввода и вообще как-либо управлять компьютером или телефоном.<br /> <br /> 4) Каждый студент должен в начале своей работы от руки написать следующую фразу:<br /> &quot;Настоящим подтверждаю, что я, Ф.И.О., внимательно изучил и понял все требования к данной контрольной работе и готов их выполнить. Подпись, расшифровка, число&quot;. Работы без данной подписи приниматься не будут.<br /> <br /> Время написания работы: 1 час 20 минут.<br /> <br /> 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.<br /> <br /> Содержание работы: теоретические вопросы из списка (возможны измененные формулировки) + теоретические задачи. Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Лекции ==<br /> <br /> Указаны прошлогодние материалы, при необходимости в течение курса они будут обновляться.<br /> <br /> Тема 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> <br /> Тема 2. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Тема 3. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Тема 4. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Тема 5. (вошла в семинары) Многоклассовая линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] <br /> <br /> Тема 6. (вошла в семинары) Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Тема 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Тема 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Тема 9. Отбор признаков<br /> [[https://github.com/hse-ds/iad-intro-ds/blob/master/2021/lectures/lecture15-reduction.pdf Презентация]]<br /> <br /> Тема 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в методе главных компонент (доп. материал)]]<br /> <br /> Тема 11. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Тема 12. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> Тема 13. Сверточные нейросети. Регуляризация нейронных сетей.<br /> [[https://drive.google.com/file/d/1uSVdPsn5wznk510gS9N1K9DXITpxNFXt/view Презентация]] (на лекции было больше материала)<br /> <br /> Тема 14. Нейронные сети в анализе текстов.<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/NLP_lecture.pdf Презентация]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2021 Github] с семинарами и домашками.<br /> <br /> На семинарах будут разбираться теоретические задачи, новый теоретический материал и практические задания. Практика в курсе проводится с использованием языка Python, среды Jupyter Notebook и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://openedu.ru/course/hse/INTRML/ Курс на платформе &quot;Открытое образование&quot;]<br /> * [https://www.coursera.org/specializations/machine-learning-from-statistics-to-neural-networks Специализация на платформе Coursera]<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/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<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_2020) Страница прошлого года]</div>

Nadiinchi 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_(%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)&diff=61763 2021-11-22T09:45:15Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinchi)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистенты:''' Александр Югай (@AleksandrY99), Екатерина Кострыкина (@ekostrykina)<br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (в классе, R503).<br /> <br /> [https://t.me/joinchat/rxR_925TcI40Y2Zi Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание материала лекций и семинаров, могут включать теоретические задачи (всего 4-6 проверочных)<br /> * Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Бонусные баллы в курсе не предусмотрены (за исключением, может быть, участия в соревновании в четвертом модуле)<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Контрольная работа ==<br /> <br /> [[https://drive.google.com/file/d/1XSuR3bAh9ve33KZXtrGlp7q4jyN9CxT4/view?usp=sharing Вопросы к контрольной работе (мидтерму) 2021)]]<br /> <br /> Порядок проведения контрольной работы и экзамена:<br /> <br /> 1) При написании работы пользоваться ничем нельзя (closed-book)<br /> <br /> 2) У студента должна быть включена камера все время проведения работы. Нужно будет установить камеру телефона так, чтобы вас было целиком видно (вы, стол, листок, на котором вы пишете). Именно целиком, а не часть вас и не часть листка. Звук не нужен. Проверьте, что у вас хорошее интернет-соединение. Будет вестись запись.<br /> <br /> 3) Вы открываете работу на компьютере в начале написания и больше не используете мышь/тачпад/клавитатуру и тд. Работа будет помещаться в один экран, отрегулируйте заранее настройки экрана, чтобы он не погас. Это очень важный пункт: нельзя использовать никакие средства ввода и вообще как-либо управлять компьютером или телефоном.<br /> <br /> 4) Каждый студент должен в начале своей работы от руки написать следующую фразу:<br /> &quot;Настоящим подтверждаю, что я, Ф.И.О., внимательно изучил и понял все требования к данной контрольной работе и готов их выполнить. Подпись, расшифровка, число&quot;. Работы без данной подписи приниматься не будут.<br /> <br /> Время написания работы: 1 час 20 минут.<br /> <br /> 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.<br /> <br /> Содержание работы: теоретические вопросы из списка (возможны измененные формулировки) + теоретические задачи. Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> == Лекции ==<br /> <br /> Указаны прошлогодние материалы, при необходимости в течение курса они будут обновляться.<br /> <br /> Тема 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> <br /> Тема 2. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Тема 3. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Тема 4. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Тема 5. (вошла в семинары) Многоклассовая линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] <br /> <br /> Тема 6. (вошла в семинары) Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Тема 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Тема 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Тема 9. Отбор признаков<br /> [[https://github.com/hse-ds/iad-intro-ds/blob/master/2021/lectures/lecture15-reduction.pdf Презентация]]<br /> <br /> Тема 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в методе главных компонент (доп. материал)]]<br /> <br /> Тема 11. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Тема 12. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> Тема 13. Сверточные нейросети. Регуляризация нейронных сетей.<br /> [[https://drive.google.com/file/d/1uSVdPsn5wznk510gS9N1K9DXITpxNFXt/view Презентация]] (на лекции было больше материала)<br /> <br /> Тема 14. Нейронные сети в анализе текстов.<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/NLP_lecture.pdf Презентация]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2021 Github] с семинарами и домашками.<br /> <br /> На семинарах будут разбираться теоретические задачи, новый теоретический материал и практические задания. Практика в курсе проводится с использованием языка Python, среды Jupyter Notebook и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://openedu.ru/course/hse/INTRML/ Курс на платформе &quot;Открытое образование&quot;]<br /> * [https://www.coursera.org/specializations/machine-learning-from-statistics-to-neural-networks Специализация на платформе Coursera]<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/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<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_2020) Страница прошлого года]</div>

Nadiinchi 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_(%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)&diff=61460 2021-11-15T21:29:01Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinchi)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистенты:''' Александр Югай (@AleksandrY99), Екатерина Кострыкина (@ekostrykina)<br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (в классе, R503).<br /> <br /> [https://t.me/joinchat/rxR_925TcI40Y2Zi Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание материала лекций и семинаров, могут включать теоретические задачи (всего 4-6 проверочных)<br /> * Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Бонусные баллы в курсе не предусмотрены (за исключением, может быть, участия в соревновании в четвертом модуле)<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> Указаны прошлогодние материалы, при необходимости в течение курса они будут обновляться.<br /> <br /> Тема 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> <br /> Тема 2. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Тема 3. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Тема 4. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Тема 5. (вошла в семинары) Многоклассовая линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] <br /> <br /> Тема 6. (вошла в семинары) Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Тема 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Тема 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Тема 9. Отбор признаков<br /> [[https://github.com/hse-ds/iad-intro-ds/blob/master/2021/lectures/lecture15-reduction.pdf Презентация]]<br /> <br /> Тема 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в методе главных компонент (доп. материал)]]<br /> <br /> Тема 11. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Тема 12. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> Тема 13. Сверточные нейросети. Регуляризация нейронных сетей.<br /> [[https://drive.google.com/file/d/1uSVdPsn5wznk510gS9N1K9DXITpxNFXt/view Презентация]] (на лекции было больше материала)<br /> <br /> Тема 14. Нейронные сети в анализе текстов.<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/NLP_lecture.pdf Презентация]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2021 Github] с семинарами и домашками.<br /> <br /> На семинарах будут разбираться теоретические задачи, новый теоретический материал и практические задания. Практика в курсе проводится с использованием языка Python, среды Jupyter Notebook и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> == Контрольная работа (общая информация) ==<br /> [[https://drive.google.com/file/d/1XSuR3bAh9ve33KZXtrGlp7q4jyN9CxT4/view?usp=sharing Вопросы к контрольной работе (мидтерму) 2021)]]<br /> <br /> Содержание контрольной работы и экзамена: теоретические вопросы из списка (возможны измененные формулировки) + теоретические задачи. Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://openedu.ru/course/hse/INTRML/ Курс на платформе &quot;Открытое образование&quot;]<br /> * [https://www.coursera.org/specializations/machine-learning-from-statistics-to-neural-networks Специализация на платформе Coursera]<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/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<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_2020) Страница прошлого года]</div>

Nadiinchi 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_(%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)&diff=61302 2021-11-12T11:32:10Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinchi)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистенты:''' Александр Югай (@AleksandrY99), Екатерина Кострыкина (@ekostrykina)<br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (в классе, R503).<br /> <br /> [https://t.me/joinchat/rxR_925TcI40Y2Zi Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание материала лекций и семинаров, могут включать теоретические задачи (всего 4-6 проверочных)<br /> * Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Бонусные баллы в курсе не предусмотрены (за исключением, может быть, участия в соревновании в четвертом модуле)<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> Указаны прошлогодние материалы, при необходимости в течение курса они будут обновляться.<br /> <br /> Тема 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> <br /> Тема 2. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Тема 3. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Тема 4. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Тема 5. (вошла в семинары) Многоклассовая линейная классификация. Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] <br /> <br /> Тема 6. (вошла в семинары) [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Тема 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Тема 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Тема 9. Отбор признаков<br /> [[https://github.com/hse-ds/iad-intro-ds/blob/master/2021/lectures/lecture15-reduction.pdf Презентация]]<br /> <br /> Тема 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в методе главных компонент (доп. материал)]]<br /> <br /> Тема 11. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Тема 12. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> Тема 13. Сверточные нейросети. Регуляризация нейронных сетей.<br /> [[https://drive.google.com/file/d/1uSVdPsn5wznk510gS9N1K9DXITpxNFXt/view Презентация]] (на лекции было больше материала)<br /> <br /> Тема 14. Нейронные сети в анализе текстов.<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/NLP_lecture.pdf Презентация]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2021 Github] с семинарами и домашками.<br /> <br /> На семинарах будут разбираться теоретические задачи, новый теоретический материал и практические задания. Практика в курсе проводится с использованием языка Python, среды Jupyter Notebook и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> == Контрольная работа (общая информация) ==<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/exam_ml2020.pdf Вопросы к экзамену 2020 года (пока не обновлялись в 2021!)]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%92%D0%BE%D0%BF%D1%80%D0%BE%D1%81%D1%8B%20%D0%BA%20%D0%BA%D0%BE%D0%BD%D1%82%D1%80%D0%BE%D0%BB%D1%8C%D0%BD%D0%BE%D0%B8%CC%86%20%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B5%202020.pdf Вопросы к контрольной работе 2020 года (пока не обновлялись в 2021!)]]<br /> <br /> Содержание контрольной работы и экзамена: теоретические вопросы из списка (возможны измененные формулировки) + теоретические задачи. Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://openedu.ru/course/hse/INTRML/ Курс на платформе &quot;Открытое образование&quot;]<br /> * [https://www.coursera.org/specializations/machine-learning-from-statistics-to-neural-networks Специализация на платформе Coursera]<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/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<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_2020) Страница прошлого года]</div>

Nadiinchi https://wiki.cs.hse.ru/index.php?title=Wiki_%D0%A4%D0%9A%D0%9D&diff=57128 2021-09-02T19:11:14Z

<p>Nadiinchi: /* 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 /> '''ПИ'''<br /> <br /> '''ПАД'''<br /> <br /> [[Discrete Mathematics DSBA 2021/2022 | Discrete Mathematics (DSBA)]]<br /> <br /> '''КНАД'''<br /> <br /> [[Математический_анализ_(КНАД) | Математический анализ (КНАД)]]<br /> <br /> ||<br /> <br /> '''ПМИ'''<br /> <br /> [[Теория_вероятностей_и_математическая_статистика_2021/2022_(пилотный_поток)| ТВиМС (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 /> [[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 /> [[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 /> '''ПИ'''<br /> <br /> [[ML4SE_1 | НИС Машинное обучение для программной инженерии]]<br /> <br /> '''ПАД'''<br /> ||<br /> <br /> '''ПМИ / МОП'''<br /> <br /> [[Statistical_learning_theory_2021 | Statistical learning theory]]<br /> <br /> '''ПМИ / РС'''<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 /> ||<br /> <br /> [[Введение_в_программирование_21/22_(майнор_ИАД) | Введение в программирование 21/22 (майнор ИАД)]]<br /> <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_2020/2021 Цифровая грамотность] ||История || 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_(%D1%84%D0%B8%D0%BB%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F)_2020 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_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] || 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/Phyton_%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 Phyton для извлечения и обработки 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 /> = 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 | 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>

Nadiinchi 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_(%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)&diff=57127 2021-09-02T19:10:08Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinchi)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистенты:''' <br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (онлайн, см. чат).<br /> <br /> [https://t.me/joinchat/rxR_925TcI40Y2Zi Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание материала лекций и семинаров, могут включать теоретические задачи (всего 4-6 проверочных)<br /> * Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Бонусные баллы в курсе не предусмотрены (за исключением, может быть, участия в соревновании в четвертом модуле)<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> Указаны прошлогодние материалы, при необходимости в течение курса они будут обновляться.<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> Лекции 2-3. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Лекция 4. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Лекция 5. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Лекция 6. Многоклассовая линейная классификация. Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Лекция 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Лекция 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Лекция 8. Разложение ошибки на смещение и разброс<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект(стр. 3-6)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/seminars/sem08-bvd.pdf Конспект c примерами(стр. 1-4)]]<br /> <br /> Лекция 9. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Лекция 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в меоде главных компонент (доп. материал)]]<br /> <br /> Лекция 11. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> Лекция 12. Сверточные нейросети. Регуляризация нейронных сетей.<br /> [[https://drive.google.com/file/d/1uSVdPsn5wznk510gS9N1K9DXITpxNFXt/view Презентация]] (на лекции было больше материала)<br /> <br /> Лекция 13. Нейронные сети в анализе текстов.<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/NLP_lecture.pdf Презентация]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> Материалы семинаров и домашек лежат [https://github.com/AsyaKarpova/ml_nes_2020 здесь TO BE UPDATED].<br /> <br /> На семинарах будут разбираться теоретические задачи, новый теоретический материал и практические задания. Практика в курсе проводится с использованием языка Python, среды Jupyter Notebook и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> == Контрольная работа (общая информация) ==<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/exam_ml2020.pdf Вопросы к экзамену 2020 года (пока не обновлялись в 2021!)]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%92%D0%BE%D0%BF%D1%80%D0%BE%D1%81%D1%8B%20%D0%BA%20%D0%BA%D0%BE%D0%BD%D1%82%D1%80%D0%BE%D0%BB%D1%8C%D0%BD%D0%BE%D0%B8%CC%86%20%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B5%202020.pdf Вопросы к контрольной работе 2020 года (пока не обновлялись в 2021!)]]<br /> <br /> Содержание контрольной работы и экзамена: теоретические вопросы из списка (возможны измененные формулировки) + теоретические задачи. Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://openedu.ru/course/hse/INTRML/ Курс на платформе &quot;Открытое образование&quot;]<br /> * [https://www.coursera.org/specializations/machine-learning-from-statistics-to-neural-networks Специализация на платформе Coursera]<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/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.<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_2020) Страница прошлого года]</div>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=57126 2021-09-02T19:09:00Z

<p>Nadiinchi: Отмена правки 57124, сделанной участником Nadiinchi (обс.)</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (онлайн, см. чат).<br /> <br /> [https://t.me/joinchat/EQ3MjUwbiQ0JyGz7ItqosA Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за накопленную оценку (ДЗ+ПР) (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> === Контрольная работа (мидтерм) и экзамен ===<br /> <br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/exam_ml2020.pdf Вопросы к экзамену]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%92%D0%BE%D0%BF%D1%80%D0%BE%D1%81%D1%8B%20%D0%BA%20%D0%BA%D0%BE%D0%BD%D1%82%D1%80%D0%BE%D0%BB%D1%8C%D0%BD%D0%BE%D0%B8%CC%86%20%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B5%202020.pdf Вопросы к контрольной работе]]<br /> <br /> Экзамен состоится 23 декаюря в 11:10-12:30, в режиме онлайн.<br /> <br /> Контрольная работа состоится 13 ноября во время лекции, в режиме онлайн. <br /> <br /> Порядок проведения контрольной работы и экзамена:<br /> <br /> 1) У студента должна быть включена камера все время проведения работы. Нужно будет установить камеру телефона так, чтобы вас было целиком видно (вы, стол, листок, на котором вы пишете). Именно целиком, а не часть вас и не часть листка. Звук не нужен. Проверьте, что у вас хорошее интернет-соединение. Будет вестись запись.<br /> <br /> 2) Вы открываете работу на компьютере в начале написания и больше не используете мышь/тачпад/клавитатуру и тд. Работа будет помещаться в один экран, отрегулируйте заранее настройки экрана, чтобы он не погас. Это очень важный пункт: нельзя использовать никакие средства ввода и вообще как-либо упралять компьютером или телефоном.<br /> <br /> Время написания работы: 1 час 20 минут.<br /> <br /> 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.<br /> <br /> Содержание работы: теоретические вопросы из списка (возможны измененные формулировки) + задачи (аналогичные семинарам).<br /> <br /> <br /> == Лекции ==<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> Лекции 2-3. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Лекция 4. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Лекция 5. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Лекция 6. Многоклассовая линейная классификация. Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Лекция 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Лекция 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Лекция 8. Разложение ошибки на смещение и разброс<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект(стр. 3-6)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/seminars/sem08-bvd.pdf Конспект c примерами(стр. 1-4)]]<br /> <br /> Лекция 9. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Лекция 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в меоде главных компонент (доп. материал)]]<br /> <br /> Лекция 11. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> Лекция 12. Сверточные нейросети. Регуляризация нейронных сетей.<br /> [[https://drive.google.com/file/d/1uSVdPsn5wznk510gS9N1K9DXITpxNFXt/view Презентация]] (на лекции было больше материала)<br /> <br /> Лекция 13. Нейронные сети в анализе текстов.<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/NLP_lecture.pdf Презентация]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> Материалы семинаров и домашек лежат [https://github.com/AsyaKarpova/ml_nes_2020 здесь].<br /> <br /> На семинарах будут разбираться теоретические задачи и практические задания. Практика в курсе проводится с использованием языка Python и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> '''Семинар 1.''' <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem1/Sem1_done.ipynb Повторение Python и Numpy]<br /> <br /> '''Семинар 2.'''<br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem2/Sem2_done.ipynb Таблички-картиночки]<br /> <br /> '''Семинар 3.'''<br /> Дифференцирование по вектору и неправильный вывод оценки для ridge-регрессии 👒<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Lesson3.pdf Заметки с семинара с подвохом]<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Sem3-4.ipynb Компьютерные заметки]<br /> <br /> '''Семинар 4.'''<br /> Правильный вывод оценки для ridge-регрессии 👒 Нормализация данных. Кросс-валидация.<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem4/Lesson4.pdf Заметки c семинара]<br /> <br /> '''Семинар 5.'''<br /> Задача классификации. Логистическая регрессия.<br /> <br /> '''Семинар 6.'''<br /> Метрики в задачах классификации. ROC-AUC.<br /> <br /> [https://www.overleaf.com/read/jqmqmpbzdkwh Проверочная]<br /> <br /> [https://youtu.be/qDYqR2zZKQM Видео]<br /> <br /> '''Семинар 7.'''<br /> kNN. Метрики.<br /> <br /> Здесь появятся заметки.<br /> <br /> '''Для тех, кто не боится быть любознательным''' 👒<br /> <br /> [http://tylerneylon.com/a/lsh1/ Красиво об LSH]<br /> <br /> [https://www.inf.fu-berlin.de/inst/ag-ki/rojas_home/documents/tutorials/dimensionality.pdf Сферическое проклятие. 👒]<br /> <br /> <br /> '''Семинар 8.'''<br /> <br /> [https://www.overleaf.com/project/5f95bd7001b97e000189abea Проверочная]<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/sem8/Lesson8.pdf Заметки]<br /> <br /> == Домашние задания ==<br /> <br /> '''Домашняя работа 1'''. [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/homeworks/homework1.ipynb Задачки в Numpy. Линейная регрессия]<br /> <br /> '''Домашняя работа 2'''. [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/homeworks/homework2.ipynb Логистическая регрессия. Преобразование признаков]<br /> <br /> == Контрольная работа (общая информация) ==<br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf Вопросы для подготовки в прошлом году]<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Соревнования ==<br /> <br /> Задача: выявление мошеннических тразнакций<br /> <br /> Это соревнование на бонусные баллы, оно не является обязательным.<br /> <br /> Ссылка для участия: https://www.kaggle.com/t/c70d9edc863e4b709f12256091e2d394<br /> <br /> Дедлайн: 15.12.2020 23:59MSK<br /> <br /> В задании всего один бейзлайн (lightgbm), ненулевые баллы получают решения, преодолевшие его на приватном лидерборде. Все решения выше этого бейзлайна оцениваются по равномерной шкале от 0 до 5.<br /> <br /> Обратите внимание на раздел Baselines на Kaggle — там можно найти много полезного.<br /> <br /> Задание выполняется индивидуально :)<br /> Для подтверждения результатов на лидерборде в my.nes надо будет загрузить ноутбук с решением, выдающим тот же скор.<br /> <br /> ==Полезные материалы==<br /> [https://github.com/nadiinchi/ml_hse_nes_2019 Страница курса прошлого года]<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi 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_(%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)&diff=57125 2021-09-02T19:08:11Z

<p>Nadiinchi: Новая страница: «== О курсе == Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 мо…»</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinchi)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистенты:''' <br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (онлайн, см. чат).<br /> <br /> [https://t.me/joinchat/rxR_925TcI40Y2Zi Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание материала лекций и семинаров, могут включать теоретические задачи (всего 4-6 проверочных)<br /> * Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Бонусные баллы в курсе не предусмотрены (за исключением, может быть, участия в соревновании в четвертом модуле)<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> Указаны прошлогодние материалы, при необходимости в течение курса они будут обновляться.<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> Лекции 2-3. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Лекция 4. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Лекция 5. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Лекция 6. Многоклассовая линейная классификация. Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Лекция 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Лекция 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Лекция 8. Разложение ошибки на смещение и разброс<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект(стр. 3-6)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/seminars/sem08-bvd.pdf Конспект c примерами(стр. 1-4)]]<br /> <br /> Лекция 9. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Лекция 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в меоде главных компонент (доп. материал)]]<br /> <br /> Лекция 11. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> Лекция 12. Сверточные нейросети. Регуляризация нейронных сетей.<br /> [[https://drive.google.com/file/d/1uSVdPsn5wznk510gS9N1K9DXITpxNFXt/view Презентация]] (на лекции было больше материала)<br /> <br /> Лекция 13. Нейронные сети в анализе текстов.<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/NLP_lecture.pdf Презентация]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> Материалы семинаров и домашек лежат [https://github.com/AsyaKarpova/ml_nes_2020 здесь TO BE UPDATED].<br /> <br /> На семинарах будут разбираться теоретические задачи, новый теоретический материал и практические задания. Практика в курсе проводится с использованием языка Python, среды Jupyter Notebook и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> == Контрольная работа (общая информация) ==<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/exam_ml2020.pdf Вопросы к экзамену 2020 года (пока не обновлялись в 2021!)]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%92%D0%BE%D0%BF%D1%80%D0%BE%D1%81%D1%8B%20%D0%BA%20%D0%BA%D0%BE%D0%BD%D1%82%D1%80%D0%BE%D0%BB%D1%8C%D0%BD%D0%BE%D0%B8%CC%86%20%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B5%202020.pdf Вопросы к контрольной работе 2020 года (пока не обновлялись в 2021!)]]<br /> <br /> Содержание контрольной работы и экзамена: теоретические вопросы из списка (возможны измененные формулировки) + теоретические задачи. Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://openedu.ru/course/hse/INTRML/ Курс на платформе &quot;Открытое образование&quot;]<br /> * [https://www.coursera.org/specializations/machine-learning-from-statistics-to-neural-networks Специализация на платформе Coursera]<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/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.</div>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=57124 2021-09-02T19:05:57Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinchi)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистенты:''' <br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (онлайн, см. чат).<br /> <br /> [https://t.me/joinchat/rxR_925TcI40Y2Zi Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание материала лекций и семинаров, могут включать теоретические задачи (всего 4-6 проверочных)<br /> * Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Бонусные баллы в курсе не предусмотрены (за исключением, может быть, участия в соревновании в четвертом модуле)<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> Указаны прошлогодние материалы, при необходимости в течение курса они будут обновляться.<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> Лекции 2-3. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Лекция 4. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Лекция 5. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Лекция 6. Многоклассовая линейная классификация. Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Лекция 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Лекция 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Лекция 8. Разложение ошибки на смещение и разброс<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект(стр. 3-6)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/seminars/sem08-bvd.pdf Конспект c примерами(стр. 1-4)]]<br /> <br /> Лекция 9. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Лекция 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в меоде главных компонент (доп. материал)]]<br /> <br /> Лекция 11. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> Лекция 12. Сверточные нейросети. Регуляризация нейронных сетей.<br /> [[https://drive.google.com/file/d/1uSVdPsn5wznk510gS9N1K9DXITpxNFXt/view Презентация]] (на лекции было больше материала)<br /> <br /> Лекция 13. Нейронные сети в анализе текстов.<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/NLP_lecture.pdf Презентация]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> Материалы семинаров и домашек лежат [https://github.com/AsyaKarpova/ml_nes_2020 здесь TO BE UPDATED].<br /> <br /> На семинарах будут разбираться теоретические задачи, новый теоретический материал и практические задания. Практика в курсе проводится с использованием языка Python, среды Jupyter Notebook и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> == Контрольная работа (общая информация) ==<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/exam_ml2020.pdf Вопросы к экзамену 2020 года (пока не обновлялись в 2021!)]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%92%D0%BE%D0%BF%D1%80%D0%BE%D1%81%D1%8B%20%D0%BA%20%D0%BA%D0%BE%D0%BD%D1%82%D1%80%D0%BE%D0%BB%D1%8C%D0%BD%D0%BE%D0%B8%CC%86%20%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B5%202020.pdf Вопросы к контрольной работе 2020 года (пока не обновлялись в 2021!)]]<br /> <br /> Содержание контрольной работы и экзамена: теоретические вопросы из списка (возможны измененные формулировки) + теоретические задачи. Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> ===Курсы по машинному обучению и анализу данных===<br /> * [https://openedu.ru/course/hse/INTRML/ Курс на платформе &quot;Открытое образование&quot;]<br /> * [https://www.coursera.org/specializations/machine-learning-from-statistics-to-neural-networks Специализация на платформе Coursera]<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/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.</div>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=48757 2020-12-18T12:01:21Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (онлайн, см. чат).<br /> <br /> [https://t.me/joinchat/EQ3MjUwbiQ0JyGz7ItqosA Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за накопленную оценку (ДЗ+ПР) (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> === Контрольная работа (мидтерм) и экзамен ===<br /> <br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/exam_ml2020.pdf Вопросы к экзамену]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%92%D0%BE%D0%BF%D1%80%D0%BE%D1%81%D1%8B%20%D0%BA%20%D0%BA%D0%BE%D0%BD%D1%82%D1%80%D0%BE%D0%BB%D1%8C%D0%BD%D0%BE%D0%B8%CC%86%20%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B5%202020.pdf Вопросы к контрольной работе]]<br /> <br /> Экзамен состоится 23 декаюря в 11:10-12:30, в режиме онлайн.<br /> <br /> Контрольная работа состоится 13 ноября во время лекции, в режиме онлайн. <br /> <br /> Порядок проведения контрольной работы и экзамена:<br /> <br /> 1) У студента должна быть включена камера все время проведения работы. Нужно будет установить камеру телефона так, чтобы вас было целиком видно (вы, стол, листок, на котором вы пишете). Именно целиком, а не часть вас и не часть листка. Звук не нужен. Проверьте, что у вас хорошее интернет-соединение. Будет вестись запись.<br /> <br /> 2) Вы открываете работу на компьютере в начале написания и больше не используете мышь/тачпад/клавитатуру и тд. Работа будет помещаться в один экран, отрегулируйте заранее настройки экрана, чтобы он не погас. Это очень важный пункт: нельзя использовать никакие средства ввода и вообще как-либо упралять компьютером или телефоном.<br /> <br /> Время написания работы: 1 час 20 минут.<br /> <br /> 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.<br /> <br /> Содержание работы: теоретические вопросы из списка (возможны измененные формулировки) + задачи (аналогичные семинарам).<br /> <br /> <br /> == Лекции ==<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> Лекции 2-3. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Лекция 4. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Лекция 5. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Лекция 6. Многоклассовая линейная классификация. Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Лекция 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Лекция 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Лекция 8. Разложение ошибки на смещение и разброс<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект(стр. 3-6)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/seminars/sem08-bvd.pdf Конспект c примерами(стр. 1-4)]]<br /> <br /> Лекция 9. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Лекция 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в меоде главных компонент (доп. материал)]]<br /> <br /> Лекция 11. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> Лекция 12. Сверточные нейросети. Регуляризация нейронных сетей.<br /> [[https://drive.google.com/file/d/1uSVdPsn5wznk510gS9N1K9DXITpxNFXt/view Презентация]] (на лекции было больше материала)<br /> <br /> Лекция 13. Нейронные сети в анализе текстов.<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/NLP_lecture.pdf Презентация]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> Материалы семинаров и домашек лежат [https://github.com/AsyaKarpova/ml_nes_2020 здесь].<br /> <br /> На семинарах будут разбираться теоретические задачи и практические задания. Практика в курсе проводится с использованием языка Python и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> '''Семинар 1.''' <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem1/Sem1_done.ipynb Повторение Python и Numpy]<br /> <br /> '''Семинар 2.'''<br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem2/Sem2_done.ipynb Таблички-картиночки]<br /> <br /> '''Семинар 3.'''<br /> Дифференцирование по вектору и неправильный вывод оценки для ridge-регрессии 👒<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Lesson3.pdf Заметки с семинара с подвохом]<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Sem3-4.ipynb Компьютерные заметки]<br /> <br /> '''Семинар 4.'''<br /> Правильный вывод оценки для ridge-регрессии 👒 Нормализация данных. Кросс-валидация.<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem4/Lesson4.pdf Заметки c семинара]<br /> <br /> '''Семинар 5.'''<br /> Задача классификации. Логистическая регрессия.<br /> <br /> '''Семинар 6.'''<br /> Метрики в задачах классификации. ROC-AUC.<br /> <br /> [https://www.overleaf.com/read/jqmqmpbzdkwh Проверочная]<br /> <br /> [https://youtu.be/qDYqR2zZKQM Видео]<br /> <br /> '''Семинар 7.'''<br /> kNN. Метрики.<br /> <br /> Здесь появятся заметки.<br /> <br /> '''Для тех, кто не боится быть любознательным''' 👒<br /> <br /> [http://tylerneylon.com/a/lsh1/ Красиво об LSH]<br /> <br /> [https://www.inf.fu-berlin.de/inst/ag-ki/rojas_home/documents/tutorials/dimensionality.pdf Сферическое проклятие. 👒]<br /> <br /> <br /> '''Семинар 8.'''<br /> <br /> [https://www.overleaf.com/project/5f95bd7001b97e000189abea Проверочная]<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/sem8/Lesson8.pdf Заметки]<br /> <br /> == Домашние задания ==<br /> <br /> '''Домашняя работа 1'''. [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/homeworks/homework1.ipynb Задачки в Numpy. Линейная регрессия]<br /> <br /> '''Домашняя работа 2'''. [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/homeworks/homework2.ipynb Логистическая регрессия. Преобразование признаков]<br /> <br /> == Контрольная работа (общая информация) ==<br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf Вопросы для подготовки в прошлом году]<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Соревнования ==<br /> <br /> Задача: выявление мошеннических тразнакций<br /> <br /> Это соревнование на бонусные баллы, оно не является обязательным.<br /> <br /> Ссылка для участия: https://www.kaggle.com/t/c70d9edc863e4b709f12256091e2d394<br /> <br /> Дедлайн: 15.12.2020 23:59MSK<br /> <br /> В задании всего один бейзлайн (lightgbm), ненулевые баллы получают решения, преодолевшие его на приватном лидерборде. Все решения выше этого бейзлайна оцениваются по равномерной шкале от 0 до 5.<br /> <br /> Обратите внимание на раздел Baselines на Kaggle — там можно найти много полезного.<br /> <br /> Задание выполняется индивидуально :)<br /> Для подтверждения результатов на лидерборде в my.nes надо будет загрузить ноутбук с решением, выдающим тот же скор.<br /> <br /> ==Полезные материалы==<br /> [https://github.com/nadiinchi/ml_hse_nes_2019 Страница курса прошлого года]<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=48470 2020-12-11T11:29:09Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (онлайн, см. чат).<br /> <br /> [https://t.me/joinchat/EQ3MjUwbiQ0JyGz7ItqosA Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за накопленную оценку (ДЗ+ПР) (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> === Контрольная работа (мидтерм) ===<br /> <br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%92%D0%BE%D0%BF%D1%80%D0%BE%D1%81%D1%8B%20%D0%BA%20%D0%BA%D0%BE%D0%BD%D1%82%D1%80%D0%BE%D0%BB%D1%8C%D0%BD%D0%BE%D0%B8%CC%86%20%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B5%202020.pdf Вопросы к контрольной работе]]<br /> <br /> Контрольная работа состоится 13 ноября во время лекции, в режиме онлайн. <br /> <br /> Порядок проведения контрольной работы:<br /> <br /> 1) У студента должна быть включена камера все время проведения КР. Нужно будет установить камеру телефона так, чтобы вас было целиком видно (вы, стол, листок, на котором вы пишете). Именно целиком, а не часть вас и не часть листка. Звук не нужен. Проверьте, что у вас хорошее интернет-соединение. Будет вестись запись.<br /> <br /> 2) Вы открываете работу на компьютере в начале написания и больше не используете мышь/тачпад/клавитатуру и тд. Работа будет помещаться в один экран, отрегулируйте заранее настройки экрана, чтобы он не погас. Это очень важный пункт: нельзя использовать никакие средства ввода и вообще как-либо упралять компьютером или телефоном.<br /> <br /> Время написания работы: 1 час 20 минут.<br /> <br /> 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.<br /> <br /> Содержание работы: теоретические вопросы из списка (возможны измененные формулировки) + задачи (аналогичные семинарам).<br /> <br /> <br /> == Лекции ==<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> Лекции 2-3. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Лекция 4. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Лекция 5. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Лекция 6. Многоклассовая линейная классификация. Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Лекция 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Лекция 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Лекция 8. Разложение ошибки на смещение и разброс<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект(стр. 3-6)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/seminars/sem08-bvd.pdf Конспект c примерами(стр. 1-4)]]<br /> <br /> Лекция 9. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Лекция 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в меоде главных компонент (доп. материал)]]<br /> <br /> Лекция 11. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> Лекция 12. Сверточные нейросети. Регуляризация нейронных сетей.<br /> [[https://drive.google.com/file/d/1uSVdPsn5wznk510gS9N1K9DXITpxNFXt/view Презентация]] (на лекции было больше материала)<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> Материалы семинаров и домашек лежат [https://github.com/AsyaKarpova/ml_nes_2020 здесь].<br /> <br /> На семинарах будут разбираться теоретические задачи и практические задания. Практика в курсе проводится с использованием языка Python и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> '''Семинар 1.''' <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem1/Sem1_done.ipynb Повторение Python и Numpy]<br /> <br /> '''Семинар 2.'''<br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem2/Sem2_done.ipynb Таблички-картиночки]<br /> <br /> '''Семинар 3.'''<br /> Дифференцирование по вектору и неправильный вывод оценки для ridge-регрессии 👒<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Lesson3.pdf Заметки с семинара с подвохом]<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Sem3-4.ipynb Компьютерные заметки]<br /> <br /> '''Семинар 4.'''<br /> Правильный вывод оценки для ridge-регрессии 👒 Нормализация данных. Кросс-валидация.<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem4/Lesson4.pdf Заметки c семинара]<br /> <br /> '''Семинар 5.'''<br /> Задача классификации. Логистическая регрессия.<br /> <br /> '''Семинар 6.'''<br /> Метрики в задачах классификации. ROC-AUC.<br /> <br /> [https://www.overleaf.com/read/jqmqmpbzdkwh Проверочная]<br /> <br /> [https://youtu.be/qDYqR2zZKQM Видео]<br /> <br /> '''Семинар 7.'''<br /> kNN. Метрики.<br /> <br /> Здесь появятся заметки.<br /> <br /> '''Для тех, кто не боится быть любознательным''' 👒<br /> <br /> [http://tylerneylon.com/a/lsh1/ Красиво об LSH]<br /> <br /> [https://www.inf.fu-berlin.de/inst/ag-ki/rojas_home/documents/tutorials/dimensionality.pdf Сферическое проклятие. 👒]<br /> <br /> <br /> '''Семинар 8.'''<br /> <br /> [https://www.overleaf.com/project/5f95bd7001b97e000189abea Проверочная]<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/sem8/Lesson8.pdf Заметки]<br /> <br /> == Домашние задания ==<br /> <br /> '''Домашняя работа 1'''. [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/homeworks/homework1.ipynb Задачки в Numpy. Линейная регрессия]<br /> <br /> '''Домашняя работа 2'''. [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/homeworks/homework2.ipynb Логистическая регрессия. Преобразование признаков]<br /> <br /> == Контрольная работа ==<br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf Вопросы для подготовки в прошлом году]<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Экзамен ==<br /> <br /> Формат такой же, как у КР, но по всему курсу.<br /> <br /> == Соревнования ==<br /> <br /> Задача: выявление мошеннических тразнакций<br /> <br /> Это соревнование на бонусные баллы, оно не является обязательным.<br /> <br /> Ссылка для участия: https://www.kaggle.com/t/c70d9edc863e4b709f12256091e2d394<br /> <br /> Дедлайн: 15.12.2020 23:59MSK<br /> <br /> В задании всего один бейзлайн (lightgbm), ненулевые баллы получают решения, преодолевшие его на приватном лидерборде. Все решения выше этого бейзлайна оцениваются по равномерной шкале от 0 до 5.<br /> <br /> Обратите внимание на раздел Baselines на Kaggle — там можно найти много полезного.<br /> <br /> Задание выполняется индивидуально :)<br /> Для подтверждения результатов на лидерборде в my.nes надо будет загрузить ноутбук с решением, выдающим тот же скор.<br /> <br /> ==Полезные материалы==<br /> [https://github.com/nadiinchi/ml_hse_nes_2019 Страница курса прошлого года]<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=48469 2020-12-11T11:28:48Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (онлайн, см. чат).<br /> <br /> [https://t.me/joinchat/EQ3MjUwbiQ0JyGz7ItqosA Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за накопленную оценку (ДЗ+ПР) (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> === Контрольная работа (мидтерм) ===<br /> <br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%92%D0%BE%D0%BF%D1%80%D0%BE%D1%81%D1%8B%20%D0%BA%20%D0%BA%D0%BE%D0%BD%D1%82%D1%80%D0%BE%D0%BB%D1%8C%D0%BD%D0%BE%D0%B8%CC%86%20%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B5%202020.pdf Вопросы к контрольной работе]]<br /> <br /> Контрольная работа состоится 13 ноября во время лекции, в режиме онлайн. <br /> <br /> Порядок проведения контрольной работы:<br /> <br /> 1) У студента должна быть включена камера все время проведения КР. Нужно будет установить камеру телефона так, чтобы вас было целиком видно (вы, стол, листок, на котором вы пишете). Именно целиком, а не часть вас и не часть листка. Звук не нужен. Проверьте, что у вас хорошее интернет-соединение. Будет вестись запись.<br /> <br /> 2) Вы открываете работу на компьютере в начале написания и больше не используете мышь/тачпад/клавитатуру и тд. Работа будет помещаться в один экран, отрегулируйте заранее настройки экрана, чтобы он не погас. Это очень важный пункт: нельзя использовать никакие средства ввода и вообще как-либо упралять компьютером или телефоном.<br /> <br /> Время написания работы: 1 час 20 минут.<br /> <br /> 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.<br /> <br /> Содержание работы: теоретические вопросы из списка (возможны измененные формулировки) + задачи (аналогичные семинарам).<br /> <br /> <br /> == Лекции ==<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> Лекции 2-3. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Лекция 4. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Лекция 5. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Лекция 6. Многоклассовая линейная классификация. Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Лекция 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Лекция 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Лекция 8. Разложение ошибки на смещение и разброс<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект(стр. 3-6)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/seminars/sem08-bvd.pdf Конспект c примерами(стр. 1-4)]]<br /> <br /> Лекция 9. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Лекция 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в меоде главных компонент (доп. материал)]]<br /> <br /> Лекция 11. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> Лекция 12. Сверточные нейросети. Регуляризация нейронных сетей.<br /> [[https://drive.google.com/file/d/1uSVdPsn5wznk510gS9N1K9DXITpxNFXt/view<br /> Презентация]] (на лекции было больше материала)<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> Материалы семинаров и домашек лежат [https://github.com/AsyaKarpova/ml_nes_2020 здесь].<br /> <br /> На семинарах будут разбираться теоретические задачи и практические задания. Практика в курсе проводится с использованием языка Python и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> '''Семинар 1.''' <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem1/Sem1_done.ipynb Повторение Python и Numpy]<br /> <br /> '''Семинар 2.'''<br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem2/Sem2_done.ipynb Таблички-картиночки]<br /> <br /> '''Семинар 3.'''<br /> Дифференцирование по вектору и неправильный вывод оценки для ridge-регрессии 👒<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Lesson3.pdf Заметки с семинара с подвохом]<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Sem3-4.ipynb Компьютерные заметки]<br /> <br /> '''Семинар 4.'''<br /> Правильный вывод оценки для ridge-регрессии 👒 Нормализация данных. Кросс-валидация.<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem4/Lesson4.pdf Заметки c семинара]<br /> <br /> '''Семинар 5.'''<br /> Задача классификации. Логистическая регрессия.<br /> <br /> '''Семинар 6.'''<br /> Метрики в задачах классификации. ROC-AUC.<br /> <br /> [https://www.overleaf.com/read/jqmqmpbzdkwh Проверочная]<br /> <br /> [https://youtu.be/qDYqR2zZKQM Видео]<br /> <br /> '''Семинар 7.'''<br /> kNN. Метрики.<br /> <br /> Здесь появятся заметки.<br /> <br /> '''Для тех, кто не боится быть любознательным''' 👒<br /> <br /> [http://tylerneylon.com/a/lsh1/ Красиво об LSH]<br /> <br /> [https://www.inf.fu-berlin.de/inst/ag-ki/rojas_home/documents/tutorials/dimensionality.pdf Сферическое проклятие. 👒]<br /> <br /> <br /> '''Семинар 8.'''<br /> <br /> [https://www.overleaf.com/project/5f95bd7001b97e000189abea Проверочная]<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/sem8/Lesson8.pdf Заметки]<br /> <br /> == Домашние задания ==<br /> <br /> '''Домашняя работа 1'''. [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/homeworks/homework1.ipynb Задачки в Numpy. Линейная регрессия]<br /> <br /> '''Домашняя работа 2'''. [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/homeworks/homework2.ipynb Логистическая регрессия. Преобразование признаков]<br /> <br /> == Контрольная работа ==<br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf Вопросы для подготовки в прошлом году]<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Экзамен ==<br /> <br /> Формат такой же, как у КР, но по всему курсу.<br /> <br /> == Соревнования ==<br /> <br /> Задача: выявление мошеннических тразнакций<br /> <br /> Это соревнование на бонусные баллы, оно не является обязательным.<br /> <br /> Ссылка для участия: https://www.kaggle.com/t/c70d9edc863e4b709f12256091e2d394<br /> <br /> Дедлайн: 15.12.2020 23:59MSK<br /> <br /> В задании всего один бейзлайн (lightgbm), ненулевые баллы получают решения, преодолевшие его на приватном лидерборде. Все решения выше этого бейзлайна оцениваются по равномерной шкале от 0 до 5.<br /> <br /> Обратите внимание на раздел Baselines на Kaggle — там можно найти много полезного.<br /> <br /> Задание выполняется индивидуально :)<br /> Для подтверждения результатов на лидерборде в my.nes надо будет загрузить ноутбук с решением, выдающим тот же скор.<br /> <br /> ==Полезные материалы==<br /> [https://github.com/nadiinchi/ml_hse_nes_2019 Страница курса прошлого года]<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=48153 2020-12-04T11:45:24Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (онлайн, см. чат).<br /> <br /> [https://t.me/joinchat/EQ3MjUwbiQ0JyGz7ItqosA Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за накопленную оценку (ДЗ+ПР) (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> === Контрольная работа (мидтерм) ===<br /> <br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%92%D0%BE%D0%BF%D1%80%D0%BE%D1%81%D1%8B%20%D0%BA%20%D0%BA%D0%BE%D0%BD%D1%82%D1%80%D0%BE%D0%BB%D1%8C%D0%BD%D0%BE%D0%B8%CC%86%20%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B5%202020.pdf Вопросы к контрольной работе]]<br /> <br /> Контрольная работа состоится 13 ноября во время лекции, в режиме онлайн. <br /> <br /> Порядок проведения контрольной работы:<br /> <br /> 1) У студента должна быть включена камера все время проведения КР. Нужно будет установить камеру телефона так, чтобы вас было целиком видно (вы, стол, листок, на котором вы пишете). Именно целиком, а не часть вас и не часть листка. Звук не нужен. Проверьте, что у вас хорошее интернет-соединение. Будет вестись запись.<br /> <br /> 2) Вы открываете работу на компьютере в начале написания и больше не используете мышь/тачпад/клавитатуру и тд. Работа будет помещаться в один экран, отрегулируйте заранее настройки экрана, чтобы он не погас. Это очень важный пункт: нельзя использовать никакие средства ввода и вообще как-либо упралять компьютером или телефоном.<br /> <br /> Время написания работы: 1 час 20 минут.<br /> <br /> 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.<br /> <br /> Содержание работы: теоретические вопросы из списка (возможны измененные формулировки) + задачи (аналогичные семинарам).<br /> <br /> <br /> == Лекции ==<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> Лекции 2-3. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Лекция 4. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Лекция 5. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Лекция 6. Многоклассовая линейная классификация. Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Лекция 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Лекция 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Лекция 8. Разложение ошибки на смещение и разброс<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект(стр. 3-6)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/seminars/sem08-bvd.pdf Конспект c примерами(стр. 1-4)]]<br /> <br /> Лекция 9. Рекомендательные системы<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture12-factorizations.pdf Конспект (стр. 3-7)]]<br /> <br /> Лекция 10. Кластеризация и методы понижения размерности<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture11-unsupervised.pdf Конспект по кластеризации и визуализации]]<br /> [[https://ru.coursera.org/lecture/vvedenie-mashinnoe-obuchenie/mietod-ghlavnykh-komponient-Ey95r Видео про метод главных компонент]]<br /> [[https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem06_pca.pdf Вывод решения в меоде главных компонент (доп. материал)]]<br /> <br /> Лекция 11. Введение в нейронные сети<br /> [[https://github.com/nadiinchi/ml_workshop_nov2020/blob/main/DL_slides.pdf Презентация]] (на лекции было больше материала)<br /> <br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> На семинарах будут разбираться теоретические задачи и практические задания. Практика в курсе проводится с использованием языка Python и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> '''Семинар 1.''' <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem1/Sem1_done.ipynb Повторение Python и Numpy]<br /> <br /> '''Семинар 2.'''<br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem2/Sem2_done.ipynb Таблички-картиночки]<br /> <br /> '''Семинар 3.'''<br /> Дифференцирование по вектору и неправильный вывод оценки для ridge-регрессии 👒<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Lesson3.pdf Заметки с семинара с подвохом]<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Sem3-4.ipynb Компьютерные заметки]<br /> <br /> '''Семинар 4.'''<br /> Правильный вывод оценки для ridge-регрессии 👒 Нормализация данных. Кросс-валидация.<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem4/Lesson4.pdf Заметки c семинара]<br /> <br /> '''Семинар 5.'''<br /> Задача классификации. Логистическая регрессия.<br /> <br /> '''Семинар 6.'''<br /> Метрики в задачах классификации. ROC-AUC.<br /> <br /> [https://www.overleaf.com/read/jqmqmpbzdkwh Проверочная]<br /> <br /> [https://youtu.be/qDYqR2zZKQM Видео]<br /> <br /> '''Семинар 7.'''<br /> kNN. Метрики.<br /> <br /> Здесь появятся заметки.<br /> <br /> '''Для тех, кто не боится быть любознательным''' 👒<br /> <br /> [http://tylerneylon.com/a/lsh1/ Красиво об LSH]<br /> <br /> [https://www.inf.fu-berlin.de/inst/ag-ki/rojas_home/documents/tutorials/dimensionality.pdf Сферическое проклятие. 👒]<br /> <br /> <br /> '''Семинар 8.'''<br /> <br /> [https://www.overleaf.com/project/5f95bd7001b97e000189abea Проверочная]<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/sem8/Lesson8.pdf Заметки]<br /> <br /> == Домашние задания ==<br /> <br /> '''Домашняя работа 1'''. [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/homeworks/homework1.ipynb Задачки в Numpy. Линейная регрессия]<br /> <br /> '''Домашняя работа 2'''. [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/homeworks/homework2.ipynb Логистическая регрессия. Преобразование признаков]<br /> <br /> == Контрольная работа ==<br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf Вопросы для подготовки в прошлом году]<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Экзамен ==<br /> <br /> Формат такой же, как у КР, но по всему курсу.<br /> <br /> == Соревнования ==<br /> <br /> В конце курса, возможно, будет организовано соревнование на бонусные баллы.<br /> <br /> ==Полезные материалы==<br /> [https://github.com/nadiinchi/ml_hse_nes_2019 Страница курса прошлого года]<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=46982 2020-11-06T11:36:16Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (онлайн, см. чат).<br /> <br /> Семинары проходят по средам в 9:30 (онлайн, см. чат).<br /> <br /> [https://t.me/joinchat/EQ3MjUwbiQ0JyGz7ItqosA Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за накопленную оценку (ДЗ+ПР) (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> === Контрольная работа (мидтерм) ===<br /> <br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%92%D0%BE%D0%BF%D1%80%D0%BE%D1%81%D1%8B%20%D0%BA%20%D0%BA%D0%BE%D0%BD%D1%82%D1%80%D0%BE%D0%BB%D1%8C%D0%BD%D0%BE%D0%B8%CC%86%20%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B5%202020.pdf Вопросы к контрольной работе]]<br /> <br /> Контрольная работа состоится 13 ноября во время лекции, в режиме онлайн. <br /> <br /> Порядок проведения контрольной работы:<br /> <br /> 1) У студента должна быть включена камера все время проведения КР. Нужно будет установить камеру телефона так, чтобы вас было целиком видно (вы, стол, листок, на котором вы пишете). Именно целиком, а не часть вас и не часть листка. Звук не нужен. Проверьте, что у вас хорошее интернет-соединение. Будет вестись запись.<br /> <br /> 2) Вы открываете работу на компьютере в начале написания и больше не используете мышь/тачпад/клавитатуру и тд. Работа будет помещаться в один экран, отрегулируйте заранее настройки экрана, чтобы он не погас. Это очень важный пункт: нельзя использовать никакие средства ввода и вообще как-либо упралять компьютером или телефоном.<br /> <br /> Время написания работы: 1 час 20 минут.<br /> <br /> 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.<br /> <br /> Содержание работы: теоретические вопросы из списка (возможны измененные формулировки) + задачи (аналогичные семинарам).<br /> <br /> <br /> == Лекции ==<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> Лекции 2-3. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Лекция 4. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Лекция 5. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Лекция 6. Многоклассовая линейная классификация. Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Лекция 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Лекция 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Лекция 8. Разложение ошибки на смещение и разброс<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект(стр. 3-6)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/seminars/sem08-bvd.pdf Конспект c примерами(стр. 1-4)]]<br /> <br /> <br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> На семинарах будут разбираться теоретические задачи и практические задания. Практика в курсе проводится с использованием языка Python и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> '''Семинар 1.''' <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem1/Sem1_done.ipynb Повторение Python и Numpy]<br /> <br /> '''Семинар 2.'''<br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem2/Sem2_done.ipynb Таблички-картиночки]<br /> <br /> '''Семинар 3.'''<br /> Дифференцирование по вектору и неправильный вывод оценки для ridge-регрессии 👒<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Lesson3.pdf Заметки с семинара с подвохом]<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Sem3-4.ipynb Компьютерные заметки]<br /> <br /> '''Семинар 4.'''<br /> Правильный вывод оценки для ridge-регрессии 👒 Нормализация данных. Кросс-валидация.<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem4/Lesson4.pdf Заметки c семинара]<br /> <br /> '''Семинар 5.'''<br /> Задача классификации. Логистическая регрессия.<br /> <br /> '''Семинар 6.'''<br /> Метрики в задачах классификации. ROC-AUC.<br /> <br /> [https://www.overleaf.com/read/jqmqmpbzdkwh Проверочная]<br /> <br /> [https://youtu.be/qDYqR2zZKQM Видео]<br /> <br /> '''Семинар 7.'''<br /> kNN. Метрики.<br /> <br /> Здесь появятся заметки.<br /> <br /> '''Для тех, кто не боится быть любознательным''' 👒<br /> <br /> [http://tylerneylon.com/a/lsh1/ Красиво об LSH]<br /> <br /> [https://www.inf.fu-berlin.de/inst/ag-ki/rojas_home/documents/tutorials/dimensionality.pdf Сферическое проклятие. 👒]<br /> <br /> <br /> '''Семинар 8.'''<br /> <br /> [https://www.overleaf.com/project/5f95bd7001b97e000189abea Проверочная]<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/sem8/Lesson8.pdf Заметки]<br /> <br /> == Домашние задания ==<br /> <br /> '''Домашняя работа 1'''. [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/homeworks/homework1.ipynb Задачки в Numpy. Линейная регрессия]<br /> <br /> '''Домашняя работа 2'''. [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/homeworks/homework2.ipynb Логистическая регрессия. Преобразование признаков]<br /> <br /> == Контрольная работа ==<br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf Вопросы для подготовки в прошлом году]<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Экзамен ==<br /> <br /> Формат такой же, как у КР, но по всему курсу.<br /> <br /> == Соревнования ==<br /> <br /> В конце курса, возможно, будет организовано соревнование на бонусные баллы.<br /> <br /> ==Полезные материалы==<br /> [https://github.com/nadiinchi/ml_hse_nes_2019 Страница курса прошлого года]<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=46748 2020-10-31T19:50:52Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> Семинары проходят по средам в 9:30 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> [https://t.me/joinchat/EQ3MjUwbiQ0JyGz7ItqosA Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за экзамен (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> === Контрольная работа (мидтерм) ===<br /> <br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%92%D0%BE%D0%BF%D1%80%D0%BE%D1%81%D1%8B%20%D0%BA%20%D0%BA%D0%BE%D0%BD%D1%82%D1%80%D0%BE%D0%BB%D1%8C%D0%BD%D0%BE%D0%B8%CC%86%20%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B5%202020.pdf Вопросы к контрольной работе]]<br /> <br /> Контрольная работа состоится 13 ноября во время лекции, в режиме онлайн. <br /> <br /> Порядок проведения контрольной работы:<br /> <br /> 1) У студента должна быть включена камера все время проведения КР. Нужно будет установить камеру телефона так, чтобы вас было целиком видно (вы, стол, листок, на котором вы пишете). Именно целиком, а не часть вас и не часть листка. Звук не нужен. Проверьте, что у вас хорошее интернет-соединение. Будет вестись запись.<br /> <br /> 2) Вы открываете работу на компьютере в начале написания и больше не используете мышь/тачпад/клавитатуру и тд. Работа будет помещаться в один экран, отрегулируйте заранее настройки экрана, чтобы он не погас. Это очень важный пункт: нельзя использовать никакие средства ввода и вообще как-либо упралять компьютером или телефоном.<br /> <br /> Время написания работы: 1 час 20 минут.<br /> <br /> 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.<br /> <br /> Содержание работы: теоретические вопросы из списка (возможны измененные формулировки) + задачи (аналогичные семинарам).<br /> <br /> <br /> == Лекции ==<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> Лекции 2-3. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Лекция 4. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Лекция 5. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Лекция 6. Многоклассовая линейная классификация. Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Лекция 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Лекция 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Лекция 8. Разложение ошибки на смещение и разброс<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект(стр. 3-6)]]<br /> <br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> На семинарах будут разбираться теоретические задачи и практические задания. Практика в курсе проводится с использованием языка Python и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> '''Семинар 1.''' <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem1/Sem1_done.ipynb Повторение Python и Numpy]<br /> <br /> '''Семинар 2.'''<br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem2/Sem2_done.ipynb Таблички-картиночки]<br /> <br /> '''Семинар 3.'''<br /> Дифференцирование по вектору и неправильный вывод оценки для ridge-регрессии 👒<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Lesson3.pdf Заметки с семинара с подвохом]<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Sem3-4.ipynb Компьютерные заметки]<br /> <br /> '''Семинар 4.'''<br /> Правильный вывод оценки для ridge-регрессии 👒 Нормализация данных. Кросс-валидация.<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem4/Lesson4.pdf Заметки c семинара]<br /> <br /> '''Семинар 5.'''<br /> Задача классификации. Логистическая регрессия.<br /> <br /> '''Семинар 6.'''<br /> Метрики в задачах классификации. ROC-AUC.<br /> <br /> [https://www.overleaf.com/read/jqmqmpbzdkwh Проверочная]<br /> <br /> [https://youtu.be/qDYqR2zZKQM Видео]<br /> <br /> '''Семинар 7.'''<br /> kNN. Метрики.<br /> <br /> Здесь появятся заметки.<br /> <br /> '''Для тех, кто не боится быть любознательным''' 👒<br /> <br /> [http://tylerneylon.com/a/lsh1/ Красиво об LSH]<br /> <br /> [https://www.inf.fu-berlin.de/inst/ag-ki/rojas_home/documents/tutorials/dimensionality.pdf Сферическое проклятие. 👒]<br /> <br /> <br /> '''Семинар 8.'''<br /> <br /> [https://www.overleaf.com/project/5f95bd7001b97e000189abea Проверочная]<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/sem8/Lesson8.pdf Заметки]<br /> <br /> == Домашние задания ==<br /> <br /> '''Домашняя работа 1'''. [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/homeworks/homework1.ipynb Задачки в Numpy. Линейная регрессия]<br /> <br /> '''Домашняя работа 2'''. [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/homeworks/homework2.ipynb Логистическая регрессия. Преобразование признаков]<br /> <br /> == Контрольная работа ==<br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf Вопросы для подготовки в прошлом году]<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Экзамен ==<br /> <br /> Формат такой же, как у КР, но по всему курсу.<br /> <br /> == Соревнования ==<br /> <br /> В конце курса, возможно, будет организовано соревнование на бонусные баллы.<br /> <br /> ==Полезные материалы==<br /> [https://github.com/nadiinchi/ml_hse_nes_2019 Страница курса прошлого года]<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=46747 2020-10-31T19:46:17Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> Семинары проходят по средам в 9:30 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> [https://t.me/joinchat/EQ3MjUwbiQ0JyGz7ItqosA Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за экзамен (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> Лекции 2-3. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Лекция 4. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Лекция 5. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Лекция 6. Многоклассовая линейная классификация. Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Лекция 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> Лекция 8. Композиции алгоритмов<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект про бэггинг и случайные леса (стр. 1, 2, 9)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект про градиентный бустинг (стр. 1-4)]]<br /> <br /> Лекция 8. Разложение ошибки на смещение и разброс<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture08-ensembles.pdf Конспект(стр. 3-6)]]<br /> <br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> На семинарах будут разбираться теоретические задачи и практические задания. Практика в курсе проводится с использованием языка Python и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> '''Семинар 1.''' <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem1/Sem1_done.ipynb Повторение Python и Numpy]<br /> <br /> '''Семинар 2.'''<br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem2/Sem2_done.ipynb Таблички-картиночки]<br /> <br /> '''Семинар 3.'''<br /> Дифференцирование по вектору и неправильный вывод оценки для ridge-регрессии 👒<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Lesson3.pdf Заметки с семинара с подвохом]<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Sem3-4.ipynb Компьютерные заметки]<br /> <br /> '''Семинар 4.'''<br /> Правильный вывод оценки для ridge-регрессии 👒 Нормализация данных. Кросс-валидация.<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem4/Lesson4.pdf Заметки c семинара]<br /> <br /> '''Семинар 5.'''<br /> Задача классификации. Логистическая регрессия.<br /> <br /> '''Семинар 6.'''<br /> Метрики в задачах классификации. ROC-AUC.<br /> <br /> [https://www.overleaf.com/read/jqmqmpbzdkwh Проверочная]<br /> <br /> [https://youtu.be/qDYqR2zZKQM Видео]<br /> <br /> '''Семинар 7.'''<br /> kNN. Метрики.<br /> <br /> Здесь появятся заметки.<br /> <br /> '''Для тех, кто не боится быть любознательным''' 👒<br /> <br /> [http://tylerneylon.com/a/lsh1/ Красиво об LSH]<br /> <br /> [https://www.inf.fu-berlin.de/inst/ag-ki/rojas_home/documents/tutorials/dimensionality.pdf Сферическое проклятие. 👒]<br /> <br /> <br /> '''Семинар 8.'''<br /> <br /> [https://www.overleaf.com/project/5f95bd7001b97e000189abea Проверочная]<br /> <br /> [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/sem8/Lesson8.pdf Заметки]<br /> <br /> == Домашние задания ==<br /> <br /> '''Домашняя работа 1'''. [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/homeworks/homework1.ipynb Задачки в Numpy. Линейная регрессия]<br /> <br /> '''Домашняя работа 2'''. [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/homeworks/homework2.ipynb Логистическая регрессия. Преобразование признаков]<br /> <br /> == Контрольная работа ==<br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf Вопросы для подготовки в прошлом году]<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Экзамен ==<br /> <br /> Формат такой же, как у КР, но по всему курсу.<br /> <br /> == Соревнования ==<br /> <br /> В конце курса, возможно, будет организовано соревнование на бонусные баллы.<br /> <br /> ==Полезные материалы==<br /> [https://github.com/nadiinchi/ml_hse_nes_2019 Страница курса прошлого года]<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=46162 2020-10-15T16:42:06Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> Семинары проходят по средам в 9:30 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> [https://t.me/joinchat/EQ3MjUwbiQ0JyGz7ItqosA Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за экзамен (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> Лекции 2-3. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Лекция 4. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Лекция 5. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Лекция 6. Многоклассовая линейная классификация. Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> Лекция 7. Решающие деревья<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> На семинарах будут разбираться теоретические задачи и практические задания. Практика в курсе проводится с использованием языка Python и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> '''Семинар 1.''' <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem1/Sem1_done.ipynb Повторение Python и Numpy]<br /> <br /> '''Семинар 2.'''<br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem2/Sem2_done.ipynb Таблички-картиночки]<br /> <br /> '''Семинар 3.'''<br /> Дифференцирование по вектору и неправильный вывод оценки для ridge-регрессии 👒<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Lesson3.pdf Заметки с семинара с подвохом]<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Sem3-4.ipynb Компьютерные заметки]<br /> <br /> '''Семинар 4.'''<br /> Правильный вывод оценки для ridge-регрессии 👒 Нормализация данных. Кросс-валидация.<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem4/Lesson4.pdf Заметки c семинара]<br /> <br /> '''Семинар 5.'''<br /> Задача классификации. Логистическая регрессия.<br /> <br /> '''Семинар 6.'''<br /> Метрики в задачах классификации. ROC-AUC.<br /> <br /> [https://www.overleaf.com/read/jqmqmpbzdkwh Проверочная]<br /> <br /> [https://youtu.be/qDYqR2zZKQM Видео]<br /> <br /> '''Семинар 7.'''<br /> kNN. Метрики.<br /> <br /> Здесь появятся заметки.<br /> <br /> '''Для тех, кто не боится быть любознательным''' 👒<br /> <br /> [http://tylerneylon.com/a/lsh1/ Красиво об LSH]<br /> <br /> [https://www.inf.fu-berlin.de/inst/ag-ki/rojas_home/documents/tutorials/dimensionality.pdf Сферическое проклятие. Я пыталась, ребят 👒]<br /> <br /> == Домашние задания ==<br /> <br /> '''Домашняя работа 1'''. [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/homeworks/homework1.ipynb Задачки в Numpy. Линейная регрессия]<br /> <br /> '''Домашняя работа 2'''. [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/homeworks/homework2.ipynb Логистическая регрессия. Преобразование признаков]<br /> <br /> == Контрольная работа ==<br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf Вопросы для подготовки в прошлом году]<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Экзамен ==<br /> <br /> Формат такой же, как у КР, но по всему курсу.<br /> <br /> == Соревнования ==<br /> <br /> В конце курса, возможно, будет организовано соревнование на бонусные баллы.<br /> <br /> ==Полезные материалы==<br /> [https://github.com/nadiinchi/ml_hse_nes_2019 Страница курса прошлого года]<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=45883 2020-10-09T12:16:52Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> Семинары проходят по средам в 9:30 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> [https://t.me/joinchat/EQ3MjUwbiQ0JyGz7ItqosA Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за экзамен (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> Лекции 2-3. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Лекция 4. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Лекция 5. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> Лекция 6. Многоклассовая линейная классификация. Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2019-fall/lecture-notes/lecture06-linclass.pdf Конспект по многоклассовой классификации (стр. 1-3, 5-6)]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект по метрическим методам (стр. 1-2)]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> На семинарах будут разбираться теоретические задачи и практические задания. Практика в курсе проводится с использованием языка Python и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> '''Семинар 1.''' <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem1/Sem1_done.ipynb Повторение Python и Numpy]<br /> <br /> '''Семинар 2.'''<br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem2/Sem2_done.ipynb Таблички-картиночки]<br /> <br /> '''Семинар 3.'''<br /> Дифференцирование по вектору и неправильный вывод оценки для ridge-регрессии 👒<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Lesson3.pdf Заметки с семинара с подвохом]<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Sem3-4.ipynb Компьютерные заметки]<br /> <br /> '''Семинар 4.'''<br /> Правильный вывод оценки для ridge-регрессии 👒 Нормализация данных. Кросс-валидация.<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem4/Lesson4.pdf Заметки c семинара]<br /> <br /> '''Семинар 5.'''<br /> Задача классификации. Логистическая регрессия.<br /> <br /> '''Семинар 6.'''<br /> Метрики в задачах классификации. ROC-AUC.<br /> <br /> [https://www.overleaf.com/read/jqmqmpbzdkwh Проверочная]<br /> <br /> [https://youtu.be/qDYqR2zZKQM Видео]<br /> <br /> == Домашние задания ==<br /> <br /> '''Домашняя работа 1'''. [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/homeworks/homework1.ipynb Задачки в Numpy. Линейная регрессия]<br /> <br /> '''Домашняя работа 2'''. [https://github.com/AsyaKarpova/ml_nes_2020/blob/master/homeworks/homework2.ipynb Логистическая регрессия. Преобразование признаков]<br /> <br /> == Контрольная работа ==<br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf Вопросы для подготовки в прошлом году]<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Экзамен ==<br /> <br /> Формат такой же, как у КР, но по всему курсу.<br /> <br /> == Соревнования ==<br /> <br /> В конце курса, возможно, будет организовано соревнование на бонусные баллы.<br /> <br /> ==Полезные материалы==<br /> [https://github.com/nadiinchi/ml_hse_nes_2019 Страница курса прошлого года]<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi https://wiki.cs.hse.ru/index.php?title=Wiki_-_%D0%A4%D0%B0%D0%BA%D1%83%D0%BB%D1%8C%D1%82%D0%B5%D1%82_%D0%BA%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D1%8B%D1%85_%D0%BD%D0%B0%D1%83%D0%BA:Wiki_%D0%A4%D0%9A%D0%9D&diff=45520 2020-10-02T11:38:00Z

<p>Nadiinchi: </p> <hr /> <div>__NOTOC__ <br /> <br /> = Учебные курсы факультета компьютерных наук =<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 /> [[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) | Основы и методология программирования на ПМИ 2020/2021 (основной поток)]]<br /> <br /> [[DM1-2020-21 | Дискретная математика-1 ПМИ]]<br /> <br /> '''ПИ'''<br /> <br /> [[DM1-SE-2020-21 | Дискретная математика-1 ПИ]]<br /> <br /> '''ПАД'''<br /> <br /> [[Discrete_Mathematics_DSBA2020/2021 | Discrete Mathematics DSBA (ПАД)]]<br /> <br /> [[LAaG_DSBA_2020/2021 | Linear Algebra and Geometry (ПАД)]]<br /> <br /> [[English_DSBA_2020/2021 | English DSBA (ПАД)]]<br /> <br /> [[Introduction_to_programming_DSBA_2020/2021 | Introduction to Programming DSBA (ПАД)]]<br /> <br /> [[ Calculus_2020/21 | Calculus DSBA ]]<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 /> [[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 /> [[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 /> [[DM2-pilot2020/2021 | Дискретная математика-2 на ПМИ (пилотный поток)]]<br /> <br /> [[DM2-base2020/2021 | Дискретная математика-2 на ПМИ (основной поток)]]<br /> <br /> '''ПАД'''<br /> <br /> [[Calculus-2 DSBA 2020 (ПАД)]]<br /> <br /> [[Discrete_Mathematics_-_2_DSBA2020/2021 | Discrete Mathematics - 2 DSBA (ПАД)]]<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 (ПАД)]]<br /> <br /> ||<br /> <br /> '''ПМИ'''<br /> <br /> [[Машинное_обучение_1 | Машинное обучение 1 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 /> [[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 /> [[InfTheo2020-2021|Теория информации]]<br /> <br /> [[НИС_РС|НИС Распределенные системы]]<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 ]]<br /> <br /> [[ST2187 Business analytics, applied modelling and prediction | Business analytics, applied modelling and prediction]]<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]]<br /> <br /> ||<br /> <br /> [[Философия_науки_2020|Философия науки]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2020/2021|НИС Машинное обучение и приложения]]<br /> <br /> [[НИС_РС_2|НИС Распределенные системы]]<br /> <br /> [[Глубинное обучение в обработке звука 20/21]]<br /> <br /> [[Байесовские методы машинного обучения 2020 | Байесовские методы машинного обучения]]<br /> <br /> [[Statistical_learning_theory_2020 | Statistical learning theory]]<br /> <br /> ||<br /> <br /> [[ Майнор Биоинформатика 1 год ]]<br /> <br /> [[ Майнор Биоинформатика 2 год ]]<br /> <br /> [[ Введение в программирование (майнор ИАД) ]]<br /> <br /> [[ Современные методы машинного обучения (майнор ИАД) ]]<br /> <br /> [[ ОУФ Машинное Обучение в Питоне ]]<br /> <br /> [[ Факультатив &quot;Теория вычислений и логика&quot; ]]<br /> <br /> [[Дополнительные_главы_теории_вероятностей-3_2019/2020 | ДГТВ-3]]<br /> <br /> [[dopglavy_DM_2021|Допглавы дискретной математики]]<br /> <br /> [[Функциональный анализ (осень 2020)]]<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 /> | [[Project_Seminar_2020_2021 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 курс<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 /> | [[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 /> | [[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 /> <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 /> <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 | 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)|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 2020 матфак|Основы программирования на Python-2]] || 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>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=45519 2020-10-02T11:37:12Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинаристка:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> Семинары проходят по средам в 9:30 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> [https://t.me/joinchat/EQ3MjUwbiQ0JyGz7ItqosA Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за экзамен (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> Лекции 2-3. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> Лекция 4. Линейная классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект 1 (стр. 1-3)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект 2 (стр. 1-4)]]<br /> <br /> Лекция 5. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект (стр. 3-8)]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> На семинарах будут разбираться теоретические задачи и практические задания. Практика в курсе проводится с использованием языка Python и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> '''Семинар 1.''' <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem1/Sem1_done.ipynb Повторение Python и Numpy]<br /> <br /> '''Семинар 2.'''<br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem2/Sem2_done.ipynb Таблички-картиночки]<br /> <br /> '''Семинар 3.'''<br /> Дифференцирование по вектору и неправильный вывод оценки для ridge-регрессии 👒<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Lesson3.pdf Заметки с семинара с подвохом]<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem3/Sem3-4.ipynb Компьютерные заметки]<br /> <br /> '''Семинар 4.'''<br /> Правильный вывод оценки для ridge-регрессии 👒 Нормализация данных. Кросс-валидация.<br /> <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem4/Lesson4.pdf Заметки c семинара]<br /> <br /> == Домашние задания ==<br /> <br /> '''Домашняя работа 1'''. [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/homeworks/homework1.ipynb Задачки в Numpy. Линейная регрессия]<br /> <br /> == Контрольная работа ==<br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf Вопросы для подготовки в прошлом году]<br /> <br /> [https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]<br /> <br /> Примеры задач:<br /> * [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Метрические методы,  kNN]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Линейные методы]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Решающие деревья]<br /> * [https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Метрики качества]<br /> <br /> == Экзамен ==<br /> <br /> Формат такой же, как у КР, но по всему курсу.<br /> <br /> == Соревнования ==<br /> <br /> В конце курса, возможно, будет организовано соревнование на бонусные баллы.<br /> <br /> ==Полезные материалы==<br /> [https://github.com/nadiinchi/ml_hse_nes_2019 Страница курса прошлого года]<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=44544 2020-09-17T16:39:50Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинарист:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> Семинары проходят по средам в 9:30 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> [https://t.me/joinchat/EQ3MjUwbiQ0JyGz7ItqosA Чат в телеграме]<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за экзамен (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> Лекции 2-3. Линейная регрессия. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]<br /> [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> На семинарах будут разбираться теоретические задачи и практические задания. Практика в курсе проводится с использованием языка Python и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> Семинар 1. <br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem1/Sem1_done.ipynb Повторение Python и Numpy]<br /> <br /> Семинар 2.<br /> [https://github.com/AsyaKarpova/ML_NES_2020/blob/master/sem2/Sem2_done.ipynb Таблички-картиночки] <br /> <br /> == Контрольная работа ==<br /> <br /> Вопросы для подготовки (прошлого года, в этом году могут немного измениться): https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf<br /> <br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]]<br /> <br /> Примеры задач:<br /> * Метрические методы, kNN [[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Примеры задач]]<br /> * Линейные методы [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Примеры задач]]<br /> * Решающие деревья [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Примеры задач]]<br /> * Метрики качества [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Примеры задач]]<br /> <br /> == Экзамен ==<br /> <br /> (Формат такой же, как у КР, но по всему курсу)<br /> <br /> == Соревнования ==<br /> <br /> В конце курса, возможно, будет организовано соревнование на бонусные баллы.<br /> <br /> ==Страница прошлого года==<br /> <br /> https://github.com/nadiinchi/ml_hse_nes_2019<br /> <br /> ==Полезные материалы==<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=43330 2020-09-04T11:33:04Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинарист:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (Покровский бульвар, 11, в сентябре онлайн).<br /> Семинары проходят по средам в 9:30 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> Чат в telegram: (обращайтесь к семинаристу для добавления)<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за экзамен (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> Лекция 1. Введение в машинное обучение. [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/presentation_ml.pdf Презентация по введению.]]<br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/Presentation_data.pdf Презентация про данные.]]<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> На семинарах будут разбираться теоретиеские задачи и практические задания. Практика в курсе проводится с использованием языка Python и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> (Материалы семинаров будут появляться в my.nes или здесь)<br /> <br /> == Контрольная работа ==<br /> <br /> Вопросы для подготовки (прошлого года, в этом году могут немного измениться): https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf<br /> <br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]]<br /> <br /> Примеры задач:<br /> * Метрические методы, kNN [[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Примеры задач]]<br /> * Линейные методы [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Примеры задач]]<br /> * Решающие деревья [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Примеры задач]]<br /> * Метрики качества [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Примеры задач]]<br /> <br /> == Экзамен ==<br /> <br /> (Формат такой же, как у КР, но по всему курсу)<br /> <br /> == Соревнования ==<br /> <br /> В конце курса, возможно, будет организовано соревнование на бонусные баллы.<br /> <br /> ==Страница прошлого года==<br /> <br /> https://github.com/nadiinchi/ml_hse_nes_2019<br /> <br /> ==Полезные материалы==<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=43287 2020-09-03T21:11:22Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинарист:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (Покровский бульвар, 11, в сентябре онлайн).<br /> Семинары проходят по средам в 9:30 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> Чат в telegram: (обращайтесь к семинаристу для добавления)<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знаний:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за экзамен (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> (Здесь будут появляться материалы лекций)<br /> <br /> План курса:<br /> * Введение в машинное обучение (постановки задач, виды данных, метрики качества)<br /> * Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)<br /> * Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)<br /> * Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)<br /> <br /> == Семинары ==<br /> <br /> На семинарах будут разбираться теоретиеские задачи и практические задания. Практика в курсе проводится с использованием языка Python и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.<br /> <br /> (Материалы семинаров будут появляться в my.nes или здесь)<br /> <br /> == Контрольная работа ==<br /> <br /> Вопросы для подготовки (прошлого года, в этом году могут немного измениться): https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf<br /> <br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]]<br /> <br /> Примеры задач:<br /> * Метрические методы, kNN [[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Примеры задач]]<br /> * Линейные методы [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Примеры задач]]<br /> * Решающие деревья [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Примеры задач]]<br /> * Метрики качества [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Примеры задач]]<br /> <br /> == Экзамен ==<br /> <br /> (Формат такой же, как у КР, но по всему курсу)<br /> <br /> == Соревнования ==<br /> <br /> В конце курса, возможно, будет организовано соревнование на бонусные баллы.<br /> <br /> ==Страница прошлого года==<br /> <br /> https://github.com/nadiinchi/ml_hse_nes_2019<br /> <br /> ==Полезные материалы==<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=43285 2020-09-03T21:04:39Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинарист:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (Покровский бульвар, 11, в сентябре онлайн).<br /> Семинары проходят по средам в 9:30 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> Чат в telegram: (обращайтесь к семинаристу для добавления)<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за экзамен (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> (Здесь будут появляться материалы лекций)<br /> <br /> == Семинары ==<br /> <br /> (Материалы семинаров будут появляться в my.nes или здесь)<br /> <br /> == Контрольная работа ==<br /> <br /> Вопросы для подготовки (прошлого года, в этом году могут немного измениться): https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf<br /> <br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]]<br /> <br /> Примеры задач:<br /> * Метрические методы, kNN [[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Примеры задач]]<br /> * Линейные методы [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Примеры задач]]<br /> * Решающие деревья [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Примеры задач]]<br /> * Метрики качества [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Примеры задач]]<br /> <br /> == Экзамен ==<br /> <br /> (Формат такой же, как у КР, но по всему курсу)<br /> <br /> == Соревнования ==<br /> <br /> В конце курса, возможно, будет организовано соревнование на бонусные баллы.<br /> <br /> ==Страница прошлого года==<br /> <br /> https://github.com/nadiinchi/ml_hse_nes_2019<br /> <br /> ==Полезные материалы==<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi https://wiki.cs.hse.ru/index.php?title=Wiki_-_%D0%A4%D0%B0%D0%BA%D1%83%D0%BB%D1%8C%D1%82%D0%B5%D1%82_%D0%BA%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80%D0%BD%D1%8B%D1%85_%D0%BD%D0%B0%D1%83%D0%BA:Wiki_%D0%A4%D0%9A%D0%9D&diff=43284 2020-09-03T21:03:20Z

<p>Nadiinchi: /* Курсы за 2020/21 учебный год */</p> <hr /> <div>__NOTOC__ <br /> <br /> = Учебные курсы факультета компьютерных наук =<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 /> <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 /> [[Основы_и_методология_программирования_на_ПМИ_2020/2021_(основной_поток) | Основы и методология программирования на ПМИ 2020/2021 (основной поток)]]<br /> <br /> <br /> [[DM1-2020-21 | Дискретная математика-1 ПМИ]]<br /> <br /> ||<br /> <br /> [[Теория_вероятностей_и_математическая_статистика_2020/2021_(пилотный_поток)| ТВиМС (пилотный поток)]]<br /> <br /> [[Calculus-2 DSBA 2020 (ПАД)]]<br /> <br /> [[Алгоритмы_и_структуры_данных_2_2020/2021 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]<br /> <br /> [[Математический_анализ_2020/2021_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]<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 /> ||<br /> <br /> [[Машинное_обучение_1 | Машинное обучение 1 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 /> [[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 /> [[ MachineLearning1_DSBA2020 | Machine Learning 1 DSBA ]]<br /> <br /> ||<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2020/2021|НИС Машинное обучение и приложения]]<br /> <br /> ||<br /> <br /> [[ Майнор Современные методы машинного обучения 20/21 ]]<br /> <br /> [[ ОУФ Машинное Обучение в Питоне ]]<br /> <br /> [[ Машинное обучение (сов. бак. ВШЭ-РЭШ 2020) ]]<br /> |}<br /> <br /> == Курсы магистратуры ФКН ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Дисциплина !! Образовательная программа !! Курс<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 /> | [[Основы программирования на Python осень 2020 матфак|Основы программирования на Python-1]] || Математика || 3 курс || 1-2 модули<br /> |-<br /> | [[Компьютерная лингвистика и информационные технологии 2020|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули<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 /> <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 /> <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 | 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 /> [[НИС_РС_1|НИС Распределенные системы]]<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_РС_2|НИС Распределенные системы 2]]<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)|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 2020 матфак|Основы программирования на Python-2]] || 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 /> [[НИС_РС|НИС Распределенные системы]]<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>

Nadiinchi 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_(%D1%81%D0%BE%D0%B2._%D0%B1%D0%B0%D0%BA._%D0%92%D0%A8%D0%AD-%D0%A0%D0%AD%D0%A8_2020)&diff=43283 2020-09-03T21:02:20Z

<p>Nadiinchi: Новая страница: «== О курсе == Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 мо…»</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинарист:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (Покровский бульвар, 11, в сентябре онлайн).<br /> Семинары проходят по средам в 9:30 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> Чат в telegram: (обращайтесь к семинаристу для добавления)<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за экзамен (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> (Здесь будут появляться материалы лекций)<br /> <br /> == Семинары ==<br /> <br /> (Материалы семинаров будут появляться в my.nes или здесь)<br /> <br /> == Контрольная работа ==<br /> <br /> Вопросы для подготовки (прошлого года, в этом году могут немного измениться): https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf<br /> <br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]]<br /> <br /> Примеры задач:<br /> * Метрические методы, kNN [[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Примеры задач]]<br /> * Линейные методы [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Примеры задач]]<br /> * Решающие деревья [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Примеры задач]]<br /> * Метрики качества [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Примеры задач]]<br /> <br /> == Экзамен ==<br /> <br /> (Формат такой же, как у КР, но по всему курсу)<br /> <br /> == Соревнования ==<br /> <br /> В конце курса, возможно, будет организовано соревнование на бонусные баллы.<br /> <br /> <br /> ==Полезные материалы==<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%9E_%D0%92%D0%A8%D0%AD_%D0%A0%D0%AD%D0%A8_2020&diff=43282 2020-09-03T21:00:40Z

<p>Nadiinchi: Новая страница: «== О курсе == Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 мо…»</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 3-4 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.<br /> <br /> Проводится с 2019 года.<br /> <br /> '''Лектор:''' [https://www.hse.ru/org/persons/191576735 Надежда Чиркова] (nchirkova@hse.ru, @nadiinch)<br /> <br /> '''Семинарист:''' Анастасия Карпова (@Asya_Karpova)<br /> <br /> '''Ассистент:''' Сайдаш Мифтахов (@saydashtatar)<br /> <br /> Лекции проходят по пятницам в 13:00 (Покровский бульвар, 11, в сентябре онлайн).<br /> Семинары проходят по средам в 9:30 (Покровский бульвар, 11, в сентябре онлайн).<br /> <br /> Чат в telegram: (обращайтесь к семинаристу для добавления)<br /> <br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров (всего 4-5 проверочных)<br /> * Практические домашние работы на Python (всего 7-8 домашних работ)<br /> * Контрольная работа в середине курса<br /> * Письменный экзамен<br /> <br /> Домашние работы будут иногда включать дополнительные задания, за которые начисляются бонусные баллы. Бонусные баллы можно прибавить к ДЗ и ПР (до достижения 10), но нельзя прибавлять к КР и экзамену. Бонусные баллы учитываются при вычислении порогов для автомата (см. ниже).<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> Информация об автоматах будет объявлена в середине второго модуля. В прошлом году автомат выставлялся при преодолении двух порогов: на оценку за КР и за экзамен (в этом случае автоматом выставлялась оценка, полученная по формуле 4/7 * ДЗ + 1/7 * ПР + 2/7 * КР - перенормированная формула общей оценки курса).<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> (Здесь будут появляться материалы лекций)<br /> <br /> == Семинары ==<br /> <br /> (Материалы семинаров будут появляться в my.nes или здесь)<br /> <br /> == Контрольная работа ==<br /> <br /> Вопросы для подготовки (прошлого года, в этом году могут немного измениться): https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/midterm_questions.pdf<br /> <br /> Контрольная работа включает теоретические вопросы и теоретические задачи, не включает задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.<br /> <br /> Рекомендации по написанию контрольной работы:<br /> 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.<br /> <br /> [[https://github.com/nadiinchi/ml_hse_nes_2019/blob/master/materials/%D0%9F%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE%20%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D1%82%D0%B0.pdf Пример варианта]]<br /> <br /> Примеры задач:<br /> * Метрические методы, kNN [[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Примеры задач]]<br /> * Линейные методы [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Примеры задач]]<br /> * Решающие деревья [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Примеры задач]]<br /> * Метрики качества [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Примеры задач]]<br /> <br /> == Экзамен ==<br /> <br /> (Формат такой же, как у КР, но по всему курсу)<br /> <br /> == Соревнования ==<br /> <br /> В конце курса, возможно, будет организовано соревнование на бонусные баллы.<br /> <br /> <br /> ==Полезные материалы==<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.</div>

Nadiinchi https://wiki.cs.hse.ru/index.php?title=%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_(%D0%BC%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%98%D0%90%D0%94)_2019/2020&diff=38166 2020-01-21T15:56:54Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 2-го курса [https://electives.hse.ru/minor_intel/ майнора ИАД] в 3-4 модулях.<br /> <br /> Проводится с 2015 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по средам в 10:30, ауд. R405 (Покровский бульвар, 11).<br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/edu/courses/316531794 Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-minor-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.minor.dm+&lt;номер группы&gt;@gmail.com (например, hse.minor.dm+3@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://t.me/hse_minor_intro_dm_2020<br /> <br /> Чат в telegram для флуда: https://t.me/iad_flood<br /> <br /> Ссылка на курс в Anytask: <br /> <br /> Таблица с оценками:<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Материалы семинаров<br /> |-<br /> | ИАД-1 || Кохтев Вадим || Ригвава Владимир || <br /> |-<br /> | ИАД-2 || Филатов Артём, Анастасия Рогачевская || Дмитрий Торилов || <br /> |-<br /> | ИАД-3 || || || <br /> |-<br /> | ИАД-4 || Ковалев Евгений || Алвандян Нарек || [http://wiki.cs.hse.ru/%D0%9C%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%98%D0%90%D0%94-4-2020 Wiki] [https://github.com/blacKitten13/minor2020-iad4 GitHub] [https://t-do.ru/joinchat/Cci01RHtt3-8NZO02cbg5A Telegram]<br /> |-<br /> | ИАД-5 || Чиркова Надежда || Левина Александра || [https://github.com/nadiinchi/iad2020/blob/master/materials/hw_sem1.ipynb GitHub]<br /> |-<br /> | ИАД-6 || Чесаков Даниил || Ольга Быстрова || [https://github.com/Danyache/minor2020-iad2 GitHub]<br /> |-<br /> |}<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров<br /> * Практические домашние работы на Python<br /> * Контрольная где-то в середине курса<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)<br /> <br /> ДЗ — средняя оценка за практические домашние задания<br /> <br /> ПР — средняя оценка за письменные проверочные работы на семинарах<br /> <br /> КР — оценка за контрольную работу<br /> <br /> Э — оценка за экзамен<br /> <br /> Округление арифметическое.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.<br /> <br /> 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.<br /> <br /> 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.<br /> <br /> == Лекции ==<br /> <br /> Лекция 1 (15.01.2018). Введение в машинное обучение и анализ данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2020/lecture01-intro.pdf Слайды]]<br /> <br /> == Семинары ==<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна — в этом случае за каждый день просрочки продолжает вычитаться по одному баллу (если не оговорено иное).<br /> <br /> == Контрольная работа ==<br /> <br /> Вопросы прошлого года: https://docs.google.com/document/d/1kdeA730ItEqgC-4V_-U2gq_EbpX413XmmE9wMj7Wdh8/edit?usp=sharing<br /> <br /> Примеры задач:<br /> * Метрические методы, kNN [[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Примеры задач]]<br /> * Линейные методы [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Примеры задач]]<br /> * Решающие деревья [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Примеры задач]]<br /> * Метрики качества [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Примеры задач]]<br /> <br /> == Экзамен ==<br /> <br /> Вопросы прошлого года: https://docs.google.com/document/d/1IrRO4kbzKieTWDgJ5UhfPECyU2tvq9CZi2mXgQPzf30/edit?usp=sharing<br /> <br /> [https://github.com/esokolov/ml-minor-hse/blob/master/exam-2017/exam_problems_example.pdf Примеры задач прошлого года] (также могут войти задачи из коллоквиума)<br /> <br /> ==Полезные материалы==<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.<br /> <br /> == Страницы прошлых лет ==<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных | 2018/19 учебный год ]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2017-2018 | 2017/18 учебный год ]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2016-2017 | 2016/17 учебный год ]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2015-2016 | 2015/16 учебный год ]]<br /> <br /> [[Category:Майнор &quot;Интеллектуальный анализ данных&quot;]]</div>

Nadiinchi https://wiki.cs.hse.ru/index.php?title=%D0%9E_%D1%84%D0%B0%D0%BA%D1%83%D0%BB%D1%8C%D1%82%D0%B5%D1%82%D0%B5&diff=34820 2019-09-11T17:52:02Z

<p>Nadiinchi: /* Курсы в рамках проекта Data Culture */</p> <hr /> <div>__NOTOC__ <br /> <br /> = Учебные курсы факультета компьютерных наук =<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) | 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 /> [[Основы_и_методология_программирования_1_2019/2020 | Основы и методология программирования-1 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 /> <br /> [[Discrete_Mathematics_DSBA2019/2020 | Discrete Mathematics DSBA (ПАД)]]<br /> <br /> [[Calculus_DSBA2019/2020 | Calculus DSBA (ПАД)]]<br /> <br /> [[LAaG_DSBA_2019/2020 | Linear Algebra and Geometry (ПАД)]]<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 /> ||<br /> <br /> [[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]<br /> <br /> [[Прикладная_статистика_в_машинном_обучении(2019)|Прикладная статистика в машинном обучении]]<br /> <br /> [[НИС_РС_1|НИС Распределенные системы]]<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 /> <br /> ||<br /> <br /> [[InfTheo2019-2020|Теория информации]]<br /> <br /> [[НИС_РС_2|НИС Распределенные системы 2]]<br /> <br /> [[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]<br /> <br /> [[Байесовские_методы_машинного_обучения_2019|Байесовские методы машинного обучения]]<br /> <br /> [[НИС Науки о данных]]<br /> <br /> ||<br /> [[MinorBioinformatics|Биоинформатика]]<br /> <br /> ||<br /> <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 /> |-<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 /> | [[ 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 /> | [[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 /> <br /> =Архив=<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/s18/t 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 /> [[НИС_РС|НИС Распределенные системы]]<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 /> [https://docs.google.com/document/d/1annCGZMrnLaXghIroe2Oq2xA1IOPQcD6w7x0H0HbudU/edit?usp=sharing Язык Kotlin (3 и 4 модули 2018-2019)]<br /> <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 /> | [[Основы программирования на Python весна 2019 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 || 2 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]]<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>

Nadiinchi https://wiki.cs.hse.ru/index.php?title=ML_HSE_NES_2019&diff=34819 2019-09-11T17:49:18Z

<p>Nadiinchi: Новая страница: «Страница курса размещена по ссылке: https://github.com/nadiinchi/ml_hse_nes_2019»</p> <hr /> <div>Страница курса размещена по ссылке: https://github.com/nadiinchi/ml_hse_nes_2019</div>

Nadiinchi 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_1/2023_2024&diff=30855 2018-11-20T13:55:41Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 12:10 - 13:30, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/219888994.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+161@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://t.me/joinchat/AAAAAEprV-8gsyFBkYbvkg<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQE2eFY0LN0AWcGH3qA<br /> <br /> Ссылка на курс в Anytask: https://anytask.org/course/390<br /> <br /> [https://docs.google.com/spreadsheets/d/1u832G7b9aRyayoncaKXr7XPD6WisDr85AYRBKSVCMq0/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | 161 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || [https://t.me/mryab Рябинин Максим] || || пятница, 10:30 - 11:50, ауд. 503 <br /> |-<br /> | 162 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || [http://t.me/bazpasha Хрушков Павел] || || <br /> |-<br /> | 163 (АДИС) || [https://t.me/despairazure Кохтев Вадим Михайлович] || [http://t.me/marka_17 Маркович Александр] || || пятница, 10:30 - 11:50, ауд. 400<br /> |-<br /> | 164 (АДИС) || [https://www.hse.ru/org/persons/137283751 Атанов Андрей Игоревич] || [http://t.me/liza_s Свитанько Лиза] || || <br /> |-<br /> | 165 (РС) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || [http://t.me/akiiino Попов Никита] || || вторник, 9:00 – 10:20, ауд. 311<br /> |-<br /> | 166 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [http://t.me/Saigetsu Хайдуров Руслан] || || <br /> |-<br /> | Магистратура ФТиАД || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || [https://t.me/nbagiyan Багиян Нерсес] || || <br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Контрольная работа<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> Накопленная, экзаменационная и итоговая оценки округляются арифметически.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (3 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture01-intro.pdf Конспект]]<br /> <br /> '''Лекция 2''' (14 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture02-linregr.pdf Конспект]]<br /> <br /> '''Лекция 3''' (21 сентября). Переобучение и регуляризация. Разреженные линейные модели. Квантильная регрессия. Подготовка признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture03-linregr.pdf Конспект]]<br /> <br /> '''Лекция 4''' (28 сентября). Линейная классификация. Отступ и верхние оценки на пороговую функцию потерь. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture04-linclass.pdf Конспект]]<br /> <br /> '''Лекция 5''' (1 октября). Линейная классификация. Логистическая регрессия и оценки вероятности классов. Метод опорных векторов. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture05-linclass.pdf Конспект]]<br /> <br /> '''Лекция 6''' (12 октября). Многоклассовая классификация, сведение к бинарным задачам. Многоклассовая логистическая регрессия. Классификация с пересекающимися классами. Метрики качества многоклассовой классификации. Категориальные признаки: хэширование и счётчики. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture06-linclass.pdf Конспект]]<br /> <br /> '''Лекция 7''' (19 октября). Решающие деревья. Жадный алгоритм построения. Выбор лучшего разбиения с помощью критерия информативности. Критерии информативности для регрессии и классификации. Учёт пропусков в деревьях. Решающие деревья и категориальные признаки. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> '''Лекция 8''' (2 ноября). Бутстрап и бэггинг. Разложение ошибки на смещение и разброс (bias-variance decomposition). Случайный лес. Вычисление расстояний с помощью лесов. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture08-ensembles.pdf Конспект]]<br /> <br /> '''Лекция 9''' (16 ноября). Градиентный бустинг. Регуляризация. Особенности бустинга над деревьями. Взвешивание объектов в градиентном бустинге. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture09-ensembles.pdf Конспект]]<br /> <br /> '''Лекция 10''' (23 ноября). Оптимизация второго порядка в градиентном бустинге. Регуляризация деревьев. XGBoost. Стекинг.<br /> <br /> '''Лекция 11''' (30 ноября). Графы вычислений, их обучение и метод обратного распространения ошибки. Полносвязные, свёрточные и рекуррентные слои. Возможности аппроксимации.<br /> <br /> '''Лекция 12''' (7 ноября). Обучение без учителя. Кластеризация: метрики качества, K-Means, иерархический и графовый подходы. Визуализация, t-SNE. Обучение представлений. word2vec.<br /> <br /> '''Лекция 13''' (14 декабря). Метод главных компонент, его связь с матричными разложениями. Рекомендательные системы: постановка задачи, коллаборативные методы, матричные разложения, контентные методы.<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem01-intro.ipynb Ноутбук].<br /> <br /> '''Семинар 2.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem02-sklearn.ipynb Ноутбук].<br /> <br /> '''Семинар 3.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem03-linregr.pdf Конспект], [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem03-linregr.ipynb ноутбук].<br /> <br /> '''Семинар 4.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem04-linregr.pdf Конспект].<br /> <br /> '''Семинар 5.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem05-linclass-metrics.pdf Конспект].<br /> <br /> '''Семинар 6.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem06.pdf Конспект], [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem06.ipynb ноутбук].<br /> <br /> '''Семинар 7.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem07-trees.ipynb Ноутбук].<br /> <br /> '''Семинар 8.''' [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/seminars/sem08-bvd.pdf Конспект].<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна. <br /> <br /> '''Задание 1.''' Работа с Pandas и Matplotlib.<br /> <br /> Мягкий дедлайн: 07:59 15.09.2018. <br /> <br /> Жесткий дедлайн: 23:59 16.09.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-01.ipynb Github].<br /> <br /> '''Задание 2.''' Numpy. Линейная регрессия.<br /> <br /> Дата выдачи: 17.09.2018<br /> <br /> Мягкий дедлайн: 2:59MSK 24.09.2018<br /> <br /> Жесткий дедлайн: 23:59MSK 26.09.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02.ipynb Условие], <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-02-templates.zip архив с шаблонами],<br /> [https://contest.yandex.ru/contest/9148/enter/ соревнование в Яндекс.Контесте],<br /> [https://official.contest.yandex.ru/contest/9148/enter/ альтернативная ссылка на соревнование в Яндекс.Контесте].<br /> <br /> '''Задание 3.''' Регуляризация. Градиентный спуск.<br /> <br /> Дата выдачи: 22.09.2018<br /> <br /> Мягкий дедлайн: 7:59MSK 02.10.2018<br /> <br /> Жесткий дедлайн: 23:59MSK 03.10.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-03.ipynb Условие], <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/data/homework-practice-03-data.csv данные], <br /> [https://contest.yandex.ru/contest/9247 соревнование в Яндекс.Контесте], <br /> [https://official.contest.yandex.ru/contest/9247 альтернативная ссылка на соревнование в Яндекс.Контесте].<br /> <br /> '''Задание 4.''' Калибровка вероятностей, обработка категориальных признаков.<br /> <br /> Дата выдачи: 12.10.2018<br /> <br /> Мягкий дедлайн: 7:59MSK 20.10.2018<br /> <br /> Жесткий дедлайн: 23:59MSK 21.10.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-04.ipynb Условие]<br /> <br /> <br /> '''Задание 5.''' Решающие деревья.<br /> <br /> Дата выдачи: 08.11.2018<br /> <br /> Мягкий дедлайн: 7:59MSK 18.11.2018<br /> <br /> Жесткий дедлайн: 23:59MSK 19.11.2018.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-05/homework-practice-05.ipynb Условие]<br /> <br /> '''Задание 6.''' Разложение ошибки на смещение и разброс.<br /> <br /> Дата выдачи: 20.11.2018<br /> <br /> Мягкий дедлайн: 6:00MSK 27.11.2018<br /> <br /> Жесткий дедлайн: 23:59MSK 29.11.2018<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-06.ipynb Условие]<br /> <br /> == Соревнования ==<br /> <br /> ===Правила участия и оценивания===<br /> В соревновании по анализу данных вам предлагается по имеющимся данным решить некоторую задачу, оптимизируя указанную метрику, и отправить ответы для заданного тестового множества. Максимальное количество посылок в сутки ограничено (как правило, разрешается сделать 2 посылки), ближе к концу соревнования вам будем необходимо выбрать 2 посылки, которые вы считаете лучшими. Тестовые данные делятся на публичные и приватные в некотором соотношении, на основе которых строятся публичный и приватный лидерборды соответственно, при этом публичный лидерборд доступен в течение всего соревнования, а приватный строится после его окончания для выбранных вами посылок.<br /> <br /> В лидербордах каждого из соревнований присутствуют несколько базовых решений (бейзлайнов), каждое из которых соответствует определённой оценке. Например, для получения оценки не ниже 8 баллов необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бейзлайна. Далее для студента, преодолевшего бейзлайн на N_1 баллов, но не преодолевшего бейзлайн на N_2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:<br /> <br /> N_2 - (N_2 - N_1) * i / M,<br /> <br /> где M — количество студентов (из всех студентов, изучающих курс), преодолевших бейзлайн на N_1 баллов, но не преодолевших бейзлайн на N_2 балла;<br /> <br /> i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов. <br /> <br /> Единственное исключение из формулы — студенты, преодолевшие самый сильный бейзлайн, получают прибавку 1/M к своей оценке.<br /> <br /> Чтобы вас не пропустили при проверке решений соревнования, '''необходимо''' использовать следующий формат для имени команды (вкладка Team): <br /> <br /> «Имя Фамилия номер_группы»<br /> <br /> В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:<br /> <br /> 1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.<br /> <br /> 2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.<br /> <br /> 3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами. <br /> <br /> В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''.<br /> <br /> === Соревнование 1: House pricing ===<br /> <br /> Дата выдачи: 15.09.2018<br /> <br /> Срок окончания соревнования: 30.09.2018 23:59MSK<br /> <br /> Срок отправки кода: 03.10.2018 23:59MSK<br /> <br /> Бейзлайны: на 4 и на 8 баллов<br /> <br /> [https://www.kaggle.com/t/5a486fc7863548a58cfc1f702690b5c3 Ссылка на участие в соревновании]<br /> <br /> === Соревнование 2: Sentiment analysis ===<br /> <br /> Дата выдачи: 15.10.2018<br /> <br /> Срок окончания соревнования: 04.11.2018 23:59UTC<br /> <br /> Бейзлайны: TBA<br /> <br /> [https://www.kaggle.com/t/1e4f5623f3fc4f898cec6b1e21acf6b5 Ссылка на участие в соревновании]<br /> <br /> В данном соревновании оцениваются только решения, полученные как результат работы [https://www.kaggle.com/kernels private kernel], к которому дан доступ для просмотра ассистенту вашей группы.<br /> <br /> ==Теоретические домашние задания==<br /> <br /> '''Теоретическое домашнее задание 1''': линейная регрессия [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-theory/homework-theory-01-linregr.pdf ссылка]]<br /> <br /> '''Теоретическое домашнее задание 2''': линейная классификация [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-theory/homework-theory-02-linclass.pdf ссылка]]<br /> <br /> '''Теоретическое домашнее задание 3''': решающие деревья [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-theory/homework-theory-03-trees.pdf ссылка]]<br /> <br /> '''Теоретическое домашнее задание 4''': разложение ошибки на смещение и разброс [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-theory/homework-theory-04-bvd.pdf ссылка]]<br /> <br /> == Бонусы за соревнования ==<br /> <br /> За успешное участие в соревнованиях по анализу данных могут быть выставлены бонусные баллы, которые можно прибавить к оценке за любое практическое или теоретическое домашнее задание, а также за самостоятельную работу. Под успешным участием понимается попадание в топ-10% мест; если соревнование особо сложное и крупное, может рассматриваться и попадание в топ-20% мест. Конкретное число баллов определяется преподавателями и зависит от сложности соревнования и занятого места. За одно соревнование можно получить не более 5 баллов. Для получения оценки необходимо предоставить краткий отчёт о решении задачи.<br /> <br /> == Контрольная работа ==<br /> <br /> == Экзамен ==<br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. 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 /> * [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]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_1/2017_2018 | 2017/2018 учебный год]]<br /> <br /> [[Машинное_обучение_1/2016_2017 | 2016/2017 учебный год]]</div>

Nadiinchi 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_1/2023_2024&diff=28835 2018-09-07T19:47:42Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 12:10 - 13:30, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/219888994.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+161@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://t.me/joinchat/AAAAAEprV-8gsyFBkYbvkg<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQE2eFY0LN0AWcGH3qA<br /> <br /> [https://docs.google.com/spreadsheets/d/1u832G7b9aRyayoncaKXr7XPD6WisDr85AYRBKSVCMq0/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | 161 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || [https://t.me/mryab Рябинин Максим] || || <br /> |-<br /> | 162 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || [http://t.me/bazpasha Хрушков Павел] || || <br /> |-<br /> | 163 (АДИС) || [https://t.me/despairazure Кохтев Вадим Михайлович] || [http://t.me/marka_17 Маркович Александр] || || <br /> |-<br /> | 164 (АДИС) || [https://www.hse.ru/org/persons/137283751 Атанов Андрей Игоревич] || [http://t.me/liza_s Свитанько Лиза] || || <br /> |-<br /> | 165 (РС) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || [http://t.me/akiiino Попов Никита] || || <br /> |-<br /> | 166 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [http://t.me/Saigetsu Хайдуров Руслан] || || <br /> |-<br /> | Магистратура ФТиАД || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || [https://t.me/nbagiyan Багиян Нерсес] || || <br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Практические домашние работы на Python<br /> * Контрольная работа<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> Накопленная, экзаменационная и итоговая оценки округляются арифметически.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> 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.<br /> <br /> При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (3 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/lecture-notes/lecture01-intro.pdf Конспект]]<br /> <br /> '''Лекция 2''' (14 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы.<br /> <br /> '''Лекция 3''' (21 сентября). Переобучение и регуляризация. Разреженные линейные модели. Квантильная регрессия. Подготовка признаков.<br /> <br /> '''Лекция 4''' (28 сентября). Линейная классификация. Отступ и верхние оценки на пороговую функцию потерь. Метрики качества классификации.<br /> <br /> '''Лекция 5''' (1 октября). Линейная классификация. Логистическая регрессия и оценки вероятности классов. Метод опорных векторов.<br /> <br /> '''Лекция 6''' (12 октября). Многоклассовая классификация, сведение к бинарным задачам. Многоклассовая логистическая регрессия. Классификация с пересекающимися классами. Метрики качества многоклассовой классификации. Категориальные признаки: хэширование и счётчики.<br /> <br /> '''Лекция 7''' (19 октября). Решающие деревья. Жадный алгоритм построения. Выбор лучшего разбиения с помощью критерия информативности. Критерии информативности для регрессии и классификации. Учёт пропусков в деревьях. Решающие деревья и категориальные признаки.<br /> <br /> '''Лекция 8''' (2 ноября). Бутстрап и бэггинг. Разложение ошибки на смещение и разброс (bias-variance decomposition). Случайный лес. Вычисление расстояний с помощью лесов.<br /> <br /> '''Лекция 9''' (9 ноября). Градиентный бустинг. Регуляризация. Особенности бустинга над деревьями. Взвешивание объектов в градиентном бустинге.<br /> <br /> '''Лекция 10''' (16 ноября). Оптимизация второго порядка в градиентном бустинге. Регуляризация деревьев. XGBoost. Стекинг.<br /> <br /> '''Лекция 11''' (23 ноября). Графы вычислений, их обучение и метод обратного распространения ошибки. Полносвязные, свёрточные и рекуррентные слои. Возможности аппроксимации.<br /> <br /> '''Лекция 12''' (30 ноября). Обучение без учителя. Кластеризация: метрики качества, K-Means, иерархический и графовый подходы. Визуализация, t-SNE. Обучение представлений. word2vec.<br /> <br /> '''Лекция 13''' (7 декабря). Метод главных компонент, его связь с матричными разложениями. Рекомендательные системы: постановка задачи, коллаборативные методы, матричные разложения, контентные методы.<br /> <br /> == Семинары ==<br /> <br /> == Практические задания ==<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна. <br /> <br /> '''Задание 1.''' Работа с Pandas и Matplotlib. [https://github.com/esokolov/ml-course-hse/blob/master/2018-fall/homeworks-practice/homework-practice-01.ipynb Github]. Мягкий дедлайн: 07:59 15.09.2018. Жесткий дедлайн: 23:59 16.09.2018.<br /> <br /> ==Теоретические домашние задания==<br /> <br /> == Бонусы за соревнования ==<br /> <br /> За успешное участие в соревнованиях по анализу данных могут быть выставлены бонусные баллы, которые можно прибавить к оценке за любое практическое или теоретическое домашнее задание, а также за самостоятельную работу. Под успешным участием понимается попадание в топ-10% мест; если соревнование особо сложное и крупное, может рассматриваться и попадание в топ-20% мест. Конкретное число баллов определяется преподавателями и зависит от сложности соревнования и занятого места. За одно соревнование можно получить не более 5 баллов. Для получения оценки необходимо предоставить краткий отчёт о решении задачи.<br /> <br /> == Контрольная работа ==<br /> <br /> == Экзамен ==<br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. 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 /> * [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]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_1/2017_2018 | 2017/2018 учебный год]]<br /> <br /> [[Машинное_обучение_1/2016_2017 | 2016/2017 учебный год]]</div>

Nadiinchi https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85&diff=28132 2018-06-07T12:11:05Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 2-го курса [https://electives.hse.ru/2015/minor_intel/ майнора ИАД] в 3-4 модулях.<br /> <br /> Проводится с 2015 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по средам, 10:30 - 11:50, ауд. 5306 (Шаболовка, 26).<br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/205537431.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-minor-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.minor.dm+&lt;номер группы&gt;@gmail.com (например, hse.minor.dm+3@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_minor_intro_dm_2018<br /> <br /> [https://docs.google.com/spreadsheets/d/1n6-_nCiIQYQQwDbqJKtDoKXNRlbEk3798nKTkOqc6YE/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [http://goo.gl/forms/RwdMxnChST форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций лучше всего оформлять в виде [https://github.com/esokolov/ml-minor-hse/issues Issue] в [https://github.com/esokolov/ml-minor-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | ИАД-1 || Рысьмятова Анастасия || Багиян Нерсес &lt;br /&gt;[https://t.me/nbagiyan Telegram], [mailto:nkb997@gmail.com Mail]|| [https://github.com/AnastasiaRysmyatova/IAD-1/blob/master/README.md Страница] || среда, 12:10 - 13:30, ауд. 4336<br /> |-<br /> | ИАД-2 || Талгат Даулбаев, Надежда Чиркова || Першин Максим &lt;br /&gt;[https://t.me/Skvidvardin Telegram], [mailto:max_pershin@bk.ru Mail] || [https://github.com/iad-24/seminars Страница] || среда, 09:00 - 10:20, ауд. 4336<br /> |-<br /> | ИАД-3 || Каюмов Эмиль || Ковалев Евгений &lt;br /&gt;[https://t.me/blackitten13 Telegram], [https://vk.com/blackitten13 VK], [https://www.instagram.com/blackitten13 Instagram :)] || || среда, 09:00 - 10:20, ауд. 4427<br /> |-<br /> | ИАД-4 || Надежда Чиркова, Талгат Даулбаев || Вальчук Ксения &lt;br /&gt;[https://t.me/nu_takoe Telegram], [mailto:ksenia.valchuk@gmail.com Mail] || [https://github.com/iad-24/seminars Страница] || среда, 12:10 - 13:30, ауд. 4335<br /> |-<br /> | ИАД-5 || Филатов Артём || Рогачевская Анастасия &lt;br /&gt;[https://t.me/arogachewskaya Telegram], [mailto:arogachewskaya@gmail.com Mail] || [https://t.me/joinchat/ABAXWFByRjNOFQCQabgiKA Telegram] || среда, 09:00 - 10:20, ауд. 4337<br /> |-<br /> |}<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров<br /> * Практические домашние работы на Python<br /> * Контрольная где-то в середине курса<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> 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.<br /> <br /> При наличии уважительной причины 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.<br /> <br /> ==Лекции==<br /> [[Файл:how-to-download.png|thumb|right|200px|Файлы со слайдами очень легко скачать с GitHub с помощью кнопки Raw!]]<br /> <br /> Лекция 1 (17.01.2018). Введение в машинное обучение и анализ данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture01-intro.pdf Слайды]]<br /> <br /> Лекция 2 (24.01.2018). Типы задач машинного обучения. Типы признаков. Обобщающая способность и переобучение. Примеры задач анализа данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture02-intro.pdf Слайды]]<br /> <br /> Лекция 3 (31.01.2018). Векторы и матрицы. Норма, метрика и скалярное произведение. Качество классификации, доля верных ответов. Оценивание обобщающей способности, кросс-валидация. Гипотеза компактности. Метод k ближайших соседей. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture03-knn.pdf Слайды]]<br /> <br /> Лекция 4 (07.02.2018). Метод k ближайших соседей в регрессии. Среднеквадратичная ошибка. Матричное умножение. Производные и градиенты. Экстремумы функций. Обучение линейной регрессии. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture04-regression.pdf Слайды]]<br /> <br /> Лекция 5 (14.02.2018). Градиентный спуск. Линейные зависимости и мультиколлинеарность. Регуляризация линейных моделей. Масштабирование признаков. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture05-regression.pdf Слайды]]<br /> <br /> Лекция 6 (21.02.2018). Линейная классификация. Логистическая регрессия. Оценивание вероятностей. Метрики качества классификации: accuracy, precision, recall. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture06-linclass.pdf Слайды]]<br /> <br /> Лекция 7 (28.02.2018). Работа с категориальными признаками. Метрики качества регрессии: MSE, MAE, коэффициент детерминации. Устойчивые оценки. Качество классификации, AUC-PR, AUC-ROC. Параметры и гиперпараметры. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture07-quality.pdf Слайды]]<br /> <br /> Лекция 8 (14.03.2018). Многоклассовая классификация, подход one-vs-all. Решающие деревья. Критерии информативности. Энтропия и энтропийный критерий для классификации. Гиперпараметры деревьев, борьба с переобучением. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture08-trees.pdf Слайды]]<br /> <br /> Лекция 9 (21.03.2018). Композиции алгоритмов. Случайные леса [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture09-ensembles.pdf Слайды]]<br /> <br /> Лекция 10 (18.04.2018). Понижение размерности данных. Отбор признаков: одномерные методы, отбор с помощью моделей. Визуализация данных, t-SNE. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture10-reduction.pdf Слайды]]<br /> <br /> Лекция 11 (25.04.2018). Обучение без учителя. Примеры задач. Кластеризация: K-Means, DBSCAN, графовые методы. Представления слов. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture11-clustering.pdf Слайды]]<br /> <br /> Лекция 12 (16.05.2018). Рекомендательные системы. Коллаборативная фильтрация, модели со скрытыми переменными. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture12-recommender.pdf Слайды]]<br /> <br /> Лекция 13 (30.05.2018). Ранжирование. Метрики качества ранжирования. Точечные и попарные методы. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture13-ranking.pdf Слайды]]<br /> <br /> Лекция 14 (06.06.2018). Метод опорных векторов. Задача максимизации отступа. Hinge loss. Ядровой переход. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture14-ranking.pdf Слайды]]<br /> <br /> ==Семинары==<br /> <br /> Семинар 1 (17.01.2018). Библиотека для работы с матрицами Numpy. [[https://github.com/iad-24/seminars/blob/master/materials/hw_sem1_opt.ipynb Необязательное домашнее задание для тренировки]]<br /> <br /> == Практические задания ==<br /> За каждый день просрочки снимается 0.5 балла.<br /> <br /> [https://github.com/AnastasiaRysmyatova/IAD-1/blob/master/materials/HW1_Username.ipynb Задание 1]. NumPy, Pandas, Matplotlib. Срок сдачи: 13 февраля 23:59<br /> <br /> [https://github.com/AnastasiaRysmyatova/IAD-1/blob/master/materials/HW2_Username.ipynb Задание 2]. Линейная регрессия, KNN. Срок сдачи: 13 марта 23:59<br /> <br /> [https://github.com/esokolov/ml-minor-hse/blob/master/homeworks-2018/practice-homework-03.ipynb Задание 3]. Логистическая регрессия, случайный лес. Срок сдачи: 18 мая 23:59<br /> <br /> [https://github.com/iad-24/seminars/blob/master/materials/practice-homework-04_optional.ipynb Задание 4 (опциональное)]. Визуализация. Срок сдачи: 17 июня 23:59<br /> <br /> == Контрольная работа ==<br /> <br /> Контрольная работа состоится 11 апреля во время лекции.<br /> Аудитории 5306, 5215<br /> <br /> Вопросы: https://docs.google.com/document/d/1UG6FJzJ52AEa92iKPu6uVh05RtPDF1zCBTRiuIl3juM/edit?usp=sharing<br /> <br /> Примеры задач:<br /> * Метрические методы, kNN [[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Примеры задач]]<br /> * Линейные методы [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Примеры задач]]<br /> * Решающие деревья [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Примеры задач]]<br /> * Метрики качества [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Примеры задач]]<br /> <br /> == Экзамен ==<br /> <br /> Вопросы прошлого года: https://docs.google.com/document/d/1IU2jEN5NU3tSuP_5YnFSS2GUDYxoLfSQ4dSy1B_a29M/edit?usp=sharing<br /> <br /> [https://github.com/esokolov/ml-minor-hse/blob/master/exam-2017/exam_problems_example.pdf Примеры задач прошлого года] (также могут войти задачи из коллоквиума)<br /> <br /> Если накопленная оценка равна 6 или выше, то можно её автоматом перенести в накопленную. Необходимое условие — оценка за контрольную работу должна быть не ниже 6 баллов.<br /> <br /> ==Полезные материалы==<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.<br /> <br /> == Страницы прошлых лет ==<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2016-2017 | 2016/17 учебный год ]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2015-2016 | 2015/16 учебный год ]]<br /> <br /> [[Category:Майнор &quot;Интеллектуальный анализ данных&quot;]]</div>

Nadiinchi https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85&diff=26606 2018-01-17T21:48:36Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 2-го курса [https://electives.hse.ru/2015/minor_intel/ майнора ИАД] в 3-4 модулях.<br /> <br /> Проводится с 2015 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по средам, 10:30 - 11:50, ауд. 5215 (Шаболовка, 26).<br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/205537431.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-minor-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.minor.dm+&lt;номер группы&gt;@gmail.com (например, hse.minor.dm+3@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_minor_intro_dm_2018<br /> <br /> [https://docs.google.com/spreadsheets/d/1n6-_nCiIQYQQwDbqJKtDoKXNRlbEk3798nKTkOqc6YE/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [http://goo.gl/forms/RwdMxnChST форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций лучше всего оформлять в виде [https://github.com/esokolov/ml-minor-hse/issues Issue] в [https://github.com/esokolov/ml-minor-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | ИАД-1 || [https://www.hse.ru/org/persons/ ??] || Багиян Нерсес &lt;br /&gt;[https://t.me/nbagiyan Telegram], [mailto:nkb997@gmail.com Mail]|| || среда, 12:10 - 13:30, ауд.<br /> |-<br /> | ИАД-2 || Талгат Даулбаев, Надежда Чиркова || Першин Максим &lt;br /&gt;[https://t.me/Skvidvardin Telegram], [mailto:max_pershin@bk.ru Mail] || [https://github.com/iad-24/seminars Страница] || среда, 09:00 - 10:20, ауд. 4336<br /> |-<br /> | ИАД-3 || [https://www.hse.ru/staff/?? ??] || Ковалев Евгений &lt;br /&gt;[https://t.me/blackitten13 Telegram], [https://vk.com/blackitten13 VK] || || среда, 09:00 - 10:20, ауд.<br /> |-<br /> | ИАД-4 || Надежда Чиркова, Талгат Даулбаев || Вальчук Ксения &lt;br /&gt;[https://t.me/nu_takoe Telegram], [mailto:ksenia.valchuk@gmail.com Mail] || [https://github.com/iad-24/seminars Страница] || среда, 12:10 - 13:30, ауд. 4335<br /> |-<br /> | ИАД-5 || [https://www.hse.ru/staff/?? ??] || || || среда, 12:10 - 13:30, ауд.<br /> |-<br /> |}<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров<br /> * Практические домашние работы на Python<br /> * Контрольная где-то в середине курса<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> 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.<br /> <br /> При наличии уважительной причины 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.<br /> <br /> ==Лекции==<br /> [[Файл:how-to-download.png|thumb|right|200px|Файлы со слайдами очень легко скачать с GitHub с помощью кнопки Raw!]]<br /> <br /> Лекция 1 (17.01.2017). Введение в машинное обучение и анализ данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture01-intro.pdf Слайды]]<br /> <br /> ==Семинары==<br /> <br /> Семинар 1 (17.01.2018). Библиотека для работы с матрицами Numpy. [[https://github.com/iad-24/seminars/blob/master/materials/hw_sem1_opt.ipynb Необязательное домашнее задание для тренировки]]<br /> <br /> == Коллоквиум ==<br /> <br /> Вопросы прошлого года: https://docs.google.com/document/d/1jAiUeCYDPzeElDd5muzhVNQ4ylQFqs_iHPVseoSWlb4/edit?usp=sharing<br /> <br /> Примеры задач прошлого года:<br /> * Метрические методы, kNN [[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Примеры задач]]<br /> * Линейные методы [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Примеры задач]]<br /> * Решающие деревья [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Примеры задач]]<br /> * Метрики качества [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Примеры задач]]<br /> <br /> == Экзамен ==<br /> <br /> Вопросы прошлого года: https://docs.google.com/document/d/1IU2jEN5NU3tSuP_5YnFSS2GUDYxoLfSQ4dSy1B_a29M/edit?usp=sharing<br /> <br /> [https://github.com/esokolov/ml-minor-hse/blob/master/exam-2017/exam_problems_example.pdf Примеры задач прошлого года] (также могут войти задачи из коллоквиума)<br /> <br /> Если накопленная оценка равна 6 или выше, то можно её автоматом перенести в накопленную. Необходимое условие — хорошая оценка за контрольную работу (точный порог будет объявлен позже).<br /> <br /> ==Полезные материалы==<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.<br /> <br /> == Страницы прошлых лет ==<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2016-2017 | 2016/17 учебный год ]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2015-2016 | 2015/16 учебный год ]]<br /> <br /> [[Category:Майнор &quot;Интеллектуальный анализ данных&quot;]]</div>

Nadiinchi https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85&diff=26604 2018-01-17T21:48:08Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 2-го курса [https://electives.hse.ru/2015/minor_intel/ майнора ИАД] в 3-4 модулях.<br /> <br /> Проводится с 2015 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по средам, 10:30 - 11:50, ауд. 5215 (Шаболовка, 26).<br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/205537431.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-minor-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.minor.dm+&lt;номер группы&gt;@gmail.com (например, hse.minor.dm+3@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_minor_intro_dm_2018<br /> <br /> [https://docs.google.com/spreadsheets/d/1n6-_nCiIQYQQwDbqJKtDoKXNRlbEk3798nKTkOqc6YE/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [http://goo.gl/forms/RwdMxnChST форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций лучше всего оформлять в виде [https://github.com/esokolov/ml-minor-hse/issues Issue] в [https://github.com/esokolov/ml-minor-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | ИАД-1 || [https://www.hse.ru/org/persons/ ??] || Багиян Нерсес &lt;br /&gt;[https://t.me/nbagiyan Telegram], [mailto:nkb997@gmail.com Mail]|| || среда, 12:10 - 13:30, ауд.<br /> |-<br /> | ИАД-2 || Талгат Даулбаев, Надежда Чиркова || Першин Максим &lt;br /&gt;[https://t.me/Skvidvardin Telegram], [mailto:max_pershin@bk.ru Mail] || [https://github.com/iad-24 Страница] || среда, 09:00 - 10:20, ауд. 4336<br /> |-<br /> | ИАД-3 || [https://www.hse.ru/staff/?? ??] || Ковалев Евгений &lt;br /&gt;[https://t.me/blackitten13 Telegram], [https://vk.com/blackitten13 VK] || || среда, 09:00 - 10:20, ауд.<br /> |-<br /> | ИАД-4 || Надежда Чиркова, Талгат Даулбаев || Вальчук Ксения &lt;br /&gt;[https://t.me/nu_takoe Telegram], [mailto:ksenia.valchuk@gmail.com Mail] || [https://github.com/iad-24 Страница] || среда, 12:10 - 13:30, ауд. 4335<br /> |-<br /> | ИАД-5 || [https://www.hse.ru/staff/?? ??] || || || среда, 12:10 - 13:30, ауд.<br /> |-<br /> |}<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров<br /> * Практические домашние работы на Python<br /> * Контрольная где-то в середине курса<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> 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.<br /> <br /> При наличии уважительной причины 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.<br /> <br /> ==Лекции==<br /> [[Файл:how-to-download.png|thumb|right|200px|Файлы со слайдами очень легко скачать с GitHub с помощью кнопки Raw!]]<br /> <br /> Лекция 1 (17.01.2017). Введение в машинное обучение и анализ данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture01-intro.pdf Слайды]]<br /> <br /> ==Семинары==<br /> <br /> Семинар 1 (17.01.2018). Библиотека для работы с матрицами Numpy. [[https://github.com/iad-24/seminars/blob/master/materials/hw_sem1_opt.ipynb Необязательное домашнее задание для тренировки]]<br /> <br /> == Коллоквиум ==<br /> <br /> Вопросы прошлого года: https://docs.google.com/document/d/1jAiUeCYDPzeElDd5muzhVNQ4ylQFqs_iHPVseoSWlb4/edit?usp=sharing<br /> <br /> Примеры задач прошлого года:<br /> * Метрические методы, kNN [[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Примеры задач]]<br /> * Линейные методы [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Примеры задач]]<br /> * Решающие деревья [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Примеры задач]]<br /> * Метрики качества [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Примеры задач]]<br /> <br /> == Экзамен ==<br /> <br /> Вопросы прошлого года: https://docs.google.com/document/d/1IU2jEN5NU3tSuP_5YnFSS2GUDYxoLfSQ4dSy1B_a29M/edit?usp=sharing<br /> <br /> [https://github.com/esokolov/ml-minor-hse/blob/master/exam-2017/exam_problems_example.pdf Примеры задач прошлого года] (также могут войти задачи из коллоквиума)<br /> <br /> Если накопленная оценка равна 6 или выше, то можно её автоматом перенести в накопленную. Необходимое условие — хорошая оценка за контрольную работу (точный порог будет объявлен позже).<br /> <br /> ==Полезные материалы==<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.<br /> <br /> == Страницы прошлых лет ==<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2016-2017 | 2016/17 учебный год ]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2015-2016 | 2015/16 учебный год ]]<br /> <br /> [[Category:Майнор &quot;Интеллектуальный анализ данных&quot;]]</div>

Nadiinchi https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85&diff=26602 2018-01-17T21:43:15Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 2-го курса [https://electives.hse.ru/2015/minor_intel/ майнора ИАД] в 3-4 модулях.<br /> <br /> Проводится с 2015 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по средам, 10:30 - 11:50, ауд. 5215 (Шаболовка, 26).<br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/205537431.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-minor-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.minor.dm+&lt;номер группы&gt;@gmail.com (например, hse.minor.dm+3@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_minor_intro_dm_2018<br /> <br /> [https://docs.google.com/spreadsheets/d/1n6-_nCiIQYQQwDbqJKtDoKXNRlbEk3798nKTkOqc6YE/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [http://goo.gl/forms/RwdMxnChST форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций лучше всего оформлять в виде [https://github.com/esokolov/ml-minor-hse/issues Issue] в [https://github.com/esokolov/ml-minor-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | ИАД-1 || [https://www.hse.ru/org/persons/ ??] || Багиян Нерсес &lt;br /&gt;[https://t.me/nbagiyan Telegram], [mailto:nkb997@gmail.com Mail]|| || среда, 12:10 - 13:30, ауд.<br /> |-<br /> | ИАД-2 || [https://www.hse.ru/staff/?? ??] || Першин Максим &lt;br /&gt;[https://t.me/Skvidvardin Telegram], [mailto:max_pershin@bk.ru Mail] || || среда, 12:10 - 13:30, ауд.<br /> |-<br /> | ИАД-3 || [https://www.hse.ru/staff/?? ??] || Ковалев Евгений &lt;br /&gt;[https://t.me/blackitten13 Telegram], [https://vk.com/blackitten13 VK] || || среда, 09:00 - 10:20, ауд.<br /> |-<br /> | ИАД-4 || [https://www.hse.ru/staff/?? ??] || Вальчук Ксения &lt;br /&gt;[https://t.me/nu_takoe Telegram], [mailto:ksenia.valchuk@gmail.com Mail] || || среда, 12:10 - 13:30, ауд.<br /> |-<br /> | ИАД-5 || [https://www.hse.ru/staff/?? ??] || || || среда, 12:10 - 13:30, ауд.<br /> |-<br /> |}<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров<br /> * Практические домашние работы на Python<br /> * Контрольная где-то в середине курса<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольная&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> 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.<br /> <br /> При наличии уважительной причины 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.<br /> <br /> ==Лекции==<br /> [[Файл:how-to-download.png|thumb|right|200px|Файлы со слайдами очень легко скачать с GitHub с помощью кнопки Raw!]]<br /> <br /> Лекция 1 (17.01.2017). Введение в машинное обучение и анализ данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2018/lecture01-intro.pdf Слайды]]<br /> <br /> ==Семинары==<br /> <br /> Семинар 1 (17.01.2018). Библиотека для работы с матрицами Numpy. [[https://github.com/iad-24/seminars/blob/master/materials/hw_sem1_opt.ipynb Необязательное домашнее задание для тренировки]]<br /> <br /> == Коллоквиум ==<br /> <br /> Вопросы прошлого года: https://docs.google.com/document/d/1jAiUeCYDPzeElDd5muzhVNQ4ylQFqs_iHPVseoSWlb4/edit?usp=sharing<br /> <br /> Примеры задач прошлого года:<br /> * Метрические методы, kNN [[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/colloc_knn.ipynb Примеры задач]]<br /> * Линейные методы [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_linear.pdf Примеры задач]]<br /> * Решающие деревья [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_trees.ipynb Примеры задач]]<br /> * Метрики качества [[https://github.com/esokolov/ml-minor-hse/blob/master/colloquium-2017/colloquium_minor_problems_metrics.ipynb Примеры задач]]<br /> <br /> == Экзамен ==<br /> <br /> Вопросы прошлого года: https://docs.google.com/document/d/1IU2jEN5NU3tSuP_5YnFSS2GUDYxoLfSQ4dSy1B_a29M/edit?usp=sharing<br /> <br /> [https://github.com/esokolov/ml-minor-hse/blob/master/exam-2017/exam_problems_example.pdf Примеры задач прошлого года] (также могут войти задачи из коллоквиума)<br /> <br /> Если накопленная оценка равна 6 или выше, то можно её автоматом перенести в накопленную. Необходимое условие — хорошая оценка за контрольную работу (точный порог будет объявлен позже).<br /> <br /> ==Полезные материалы==<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.<br /> <br /> == Страницы прошлых лет ==<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2016-2017 | 2016/17 учебный год ]]<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2015-2016 | 2015/16 учебный год ]]<br /> <br /> [[Category:Майнор &quot;Интеллектуальный анализ данных&quot;]]</div>

Nadiinchi 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_1/2023_2024&diff=25934 2017-11-18T19:13:05Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 10:30 - 11:50, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/205507250.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+151@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_course_2017<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQEQ7r16nvyHbyXtjNA<br /> <br /> [https://docs.google.com/spreadsheets/d/16wj3eH2crdGY-MFqiMMUoy1E7uo80nYT2MYfz3Y7gx4/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | 151 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || Атанов Андрей || || пятница, 12:10 - 13:30, ауд. 300<br /> |-<br /> | 152 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || Гадецкий Артём || || понедельник, 15:10 - 16:30, ауд. 505<br /> |-<br /> | 153 (АПР) || [https://www.hse.ru/org/persons/209813467 Никишин Евгений Сергеевич] || Ковалёв Евгений || || пятница, 12:10 - 13:30, ауд. 322<br /> |-<br /> | 154 (АДИС) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || Панков Алексей || || пятница, 12:10 - 13:30, ауд. 501<br /> |-<br /> | 155 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [https://t.me/despairazure Кохтев Вадим] || || понедельник, 12:10 - 13:30, ауд. 513<br /> |-<br /> | 156 (ТИ) || [https://www.hse.ru/org/persons/141880775 Умнов Алексей Витальевич] || Шевченко Александр || [[Машинное обучение 1/156 | ссылка]]|| пятница, 15:10 - 16:30, ауд. 311<br /> |-<br /> | Магистратура ФТиАД || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || Першин Максим || || <br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Теоретические домашние работы и их защиты<br /> * Практические домашние работы на Python<br /> * Контрольные работы<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.1 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.4 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.3 * О&lt;sub&gt;теоретические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольные&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работа не принимаются.<br /> <br /> 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.<br /> <br /> При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture01-intro.pdf Конспект]]<br /> <br /> '''Лекция 2''' (8 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture02-linregr.pdf Конспект]]<br /> <br /> '''Лекция 3''' (15 сентября). Переобучение и регуляризация. Разреженные линейные модели. Квантильная регрессия. Подготовка признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture03-linregr.pdf Конспект]]<br /> <br /> '''Лекция 4''' (22 сентября). Линейная классификация. Отступ и верхние оценки на пороговую функцию потерь. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture04-linclass.pdf Конспект]]<br /> <br /> '''Лекция 5''' (29 сентября). Линейная классификация. Логистическая регрессия и оценки вероятности классов. Метод опорных векторов. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture05-linclass.pdf Конспект]]<br /> <br /> '''Лекция 6''' (6 октября). Многоклассовая классификация, сведение к бинарным задачам. Многоклассовая логистическая регрессия. Классификация с пересекающимися классами. Метрики качества многоклассовой классификации. Категориальные признаки: хэширование и счётчики. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture06-linclass.pdf Конспект]]<br /> <br /> '''Лекция 7''' (20 октября). Решающие деревья. Жадный алгоритм построения. Выбор лучшего разбиения с помощью критерия информативности. Критерии информативности для регрессии и классификации. Учёт пропусков в деревьях. Решающие деревья и категориальные признаки. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> '''Лекция 8''' (3 ноября). Бутстрап и бэггинг. Разложение ошибки на смещение и разброс (bias-variance decomposition). Случайный лес. Вычисление расстояний с помощью лесов. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture08-ensembles.pdf Конспект]]<br /> <br /> '''Лекция 9''' (10 ноября). Градиентный бустинг. Регуляризация. Особенности бустинга над деревьями. Взвешивание объектов в градиентном бустинге. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture09-ensembles.pdf Конспект]]<br /> <br /> '''Лекция 10''' (17 ноября). Оптимизация второго порядка в градиентном бустинге. Регуляризация деревьев. XGBoost. Стекинг. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture10-ensembles.pdf Конспект]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1'''. Постановки задач, примеры применения, инструменты. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem01-intro.ipynb Ноутбук с семинара]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem01-tools.ipynb Ноутбук для самостоятельного изучения]]<br /> <br /> '''Семинар 2'''. Векторное дифференцирование. Линейная регрессия, аналитическое и численное решение. Свойства градиента. Сравнение градиентного спуска и стохастического градиентного спуска. Scikit-learn. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem02-linregr-part1.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem02-linregr-part2.ipynb Notebook]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-01-linregr.pdf Домашнее задание]]<br /> <br /> '''Семинар 3'''. Предобработка данных для линейных моделей. Функции потерь в линейной регрессии. Вероятностный взгляд на линейную регрессию. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem03-linregr.ipynb Notebook]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-02-linregr.pdf Домашнее задание]]<br /> <br /> '''Семинар 4'''. Метрики качества классификации. ROC-кривая, алгоритм её построения, AUC-ROC. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem04-linclass-metrics.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-03-linclass-metrics.pdf Домашнее задание]]<br /> <br /> '''Семинар 5'''. Оценивание вероятностей классов. Метод опорных векторов. Эквивалентность регуляризации и раннего останова в градиентном спуске. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem05-linclass.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem05-ipynb Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-04-linclass.pdf Домашнее задание]]<br /> <br /> '''Семинар 6'''. Метод K ближайших соседей. Различные способы задания метрик. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект]]<br /> <br /> '''Семинар 7'''. Решающие деревья. Критерии информативности. Способность решающих деревьев к переобучению. Калибровка вероятностей. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem07-trees.ipynb Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-05-knn-trees.pdf Домашнее задание]]<br /> <br /> '''Семинар 8'''. Разложение ошибки на смещение и разброс. Композиции. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem08_bvd.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-06-bvd.pdf Домашнее задание]]<br /> <br /> == Практические задания ==<br /> <br /> '''Задание 1.''' Библиотека numpy и работа с данными.<br /> <br /> Дата выдачи: 18.09.2017<br /> <br /> Мягкий дедлайн: 01.10.2017 23:59MSK<br /> <br /> Жесткий дедлайн: 08.10.2017 23:59MSK.<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-practice/homework-practice-01.ipynb Условие], <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-practice/homework-practice-01.zip архив с условием и шаблонами],<br /> [https://official.contest.yandex.ru/contest/5016/problems/ соревнование в Яндекс.Контесте],<br /> [https://contest.yandex.ru/contest/5016/problems/ альтернативная ссылка на соревнование в Яндекс.Контесте].<br /> <br /> '''Задание 2.''' Линейные методы и работа с категориальными признаками<br /> <br /> Дата выдачи: 03.11.2017<br /> <br /> Мягкий дедлайн: 19.11.2017 23:59MSK<br /> <br /> Жесткий дедлайн: 26.11.2017 23:59MSK<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-practice/homework-practice-02.ipynb Условие], [https://official.contest.yandex.ru/contest/5704/problems/ соревнование в Яндекс.Контесте]<br /> [https://contest.yandex.ru/contest/5704/problems/ альтернативная ссылка на соревнование в Яндекс.Контесте].<br /> <br /> == Бонусы за соревнования ==<br /> <br /> За успешное участие в соревнованиях по анализу данных могут быть выставлены бонусные баллы, которые можно прибавить к оценке за любое практическое или теоретическое домашнее задание, а также за самостоятельную работу. Конкретное число баллов определяется преподавателями и зависит от сложности соревнования и занятого места. За одно соревнование можно получить не более 5 баллов. Для получения оценки необходимо предоставить краткий отчёт о решении задачи.<br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. 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 /> * [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]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_1/2016_2017 | 2016/2017 учебный год]]</div>

Nadiinchi 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_1/2023_2024&diff=25933 2017-11-18T19:12:25Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 10:30 - 11:50, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/205507250.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+151@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_course_2017<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQEQ7r16nvyHbyXtjNA<br /> <br /> [https://docs.google.com/spreadsheets/d/16wj3eH2crdGY-MFqiMMUoy1E7uo80nYT2MYfz3Y7gx4/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | 151 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || Атанов Андрей || || пятница, 12:10 - 13:30, ауд. 300<br /> |-<br /> | 152 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || Гадецкий Артём || || понедельник, 15:10 - 16:30, ауд. 505<br /> |-<br /> | 153 (АПР) || [https://www.hse.ru/org/persons/209813467 Никишин Евгений Сергеевич] || Ковалёв Евгений || || пятница, 12:10 - 13:30, ауд. 322<br /> |-<br /> | 154 (АДИС) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || Панков Алексей || || пятница, 12:10 - 13:30, ауд. 501<br /> |-<br /> | 155 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [https://t.me/despairazure Кохтев Вадим] || || понедельник, 12:10 - 13:30, ауд. 513<br /> |-<br /> | 156 (ТИ) || [https://www.hse.ru/org/persons/141880775 Умнов Алексей Витальевич] || Шевченко Александр || [[Машинное обучение 1/156 | ссылка]]|| пятница, 15:10 - 16:30, ауд. 311<br /> |-<br /> | Магистратура ФТиАД || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || Першин Максим || || <br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Теоретические домашние работы и их защиты<br /> * Практические домашние работы на Python<br /> * Контрольные работы<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.1 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.4 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.3 * О&lt;sub&gt;теоретические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольные&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работа не принимаются.<br /> <br /> 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.<br /> <br /> При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture01-intro.pdf Конспект]]<br /> <br /> '''Лекция 2''' (8 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture02-linregr.pdf Конспект]]<br /> <br /> '''Лекция 3''' (15 сентября). Переобучение и регуляризация. Разреженные линейные модели. Квантильная регрессия. Подготовка признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture03-linregr.pdf Конспект]]<br /> <br /> '''Лекция 4''' (22 сентября). Линейная классификация. Отступ и верхние оценки на пороговую функцию потерь. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture04-linclass.pdf Конспект]]<br /> <br /> '''Лекция 5''' (29 сентября). Линейная классификация. Логистическая регрессия и оценки вероятности классов. Метод опорных векторов. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture05-linclass.pdf Конспект]]<br /> <br /> '''Лекция 6''' (6 октября). Многоклассовая классификация, сведение к бинарным задачам. Многоклассовая логистическая регрессия. Классификация с пересекающимися классами. Метрики качества многоклассовой классификации. Категориальные признаки: хэширование и счётчики. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture06-linclass.pdf Конспект]]<br /> <br /> '''Лекция 7''' (20 октября). Решающие деревья. Жадный алгоритм построения. Выбор лучшего разбиения с помощью критерия информативности. Критерии информативности для регрессии и классификации. Учёт пропусков в деревьях. Решающие деревья и категориальные признаки. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> '''Лекция 8''' (3 ноября). Бутстрап и бэггинг. Разложение ошибки на смещение и разброс (bias-variance decomposition). Случайный лес. Вычисление расстояний с помощью лесов. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture08-ensembles.pdf Конспект]]<br /> <br /> '''Лекция 9''' (10 ноября). Градиентный бустинг. Регуляризация. Особенности бустинга над деревьями. Взвешивание объектов в градиентном бустинге. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture09-ensembles.pdf Конспект]]<br /> <br /> '''Лекция 10''' (17 ноября). Оптимизация второго порядка в градиентном бустинге. Регуляризация деревьев. XGBoost. Стекинг. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture10-ensembles.pdf Конспект]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1'''. Постановки задач, примеры применения, инструменты. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem01-intro.ipynb Ноутбук с семинара]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem01-tools.ipynb Ноутбук для самостоятельного изучения]]<br /> <br /> '''Семинар 2'''. Векторное дифференцирование. Линейная регрессия, аналитическое и численное решение. Свойства градиента. Сравнение градиентного спуска и стохастического градиентного спуска. Scikit-learn. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem02-linregr-part1.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem02-linregr-part2.ipynb Notebook]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-01-linregr.pdf Домашнее задание]]<br /> <br /> '''Семинар 3'''. Предобработка данных для линейных моделей. Функции потерь в линейной регрессии. Вероятностный взгляд на линейную регрессию. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem03-linregr.ipynb Notebook]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-02-linregr.pdf Домашнее задание]]<br /> <br /> '''Семинар 4'''. Метрики качества классификации. ROC-кривая, алгоритм её построения, AUC-ROC. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem04-linclass-metrics.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-03-linclass-metrics.pdf Домашнее задание]]<br /> <br /> '''Семинар 5'''. Оценивание вероятностей классов. Метод опорных векторов. Эквивалентность регуляризации и раннего останова в градиентном спуске. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem05-linclass.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem05-ipynb Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-04-linclass.pdf Домашнее задание]]<br /> <br /> '''Семинар 6'''. Метод K ближайших соседей. Различные способы задания метрик. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект]]<br /> <br /> '''Семинар 7'''. Решающие деревья. Критерии информативности. Способность решающих деревьев к переобучению. Калибровка вероятностей. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem07-trees.ipynb Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-05-knn-trees.pdf Домашнее задание]]<br /> <br /> '''Семинар 8'''. Разложение ошибки на смещение и разброс. Композиции. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem08_bvd.pdfКонспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-06-bvd.pdf Домашнее задание]]<br /> <br /> == Практические задания ==<br /> <br /> '''Задание 1.''' Библиотека numpy и работа с данными.<br /> <br /> Дата выдачи: 18.09.2017<br /> <br /> Мягкий дедлайн: 01.10.2017 23:59MSK<br /> <br /> Жесткий дедлайн: 08.10.2017 23:59MSK.<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-practice/homework-practice-01.ipynb Условие], <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-practice/homework-practice-01.zip архив с условием и шаблонами],<br /> [https://official.contest.yandex.ru/contest/5016/problems/ соревнование в Яндекс.Контесте],<br /> [https://contest.yandex.ru/contest/5016/problems/ альтернативная ссылка на соревнование в Яндекс.Контесте].<br /> <br /> '''Задание 2.''' Линейные методы и работа с категориальными признаками<br /> <br /> Дата выдачи: 03.11.2017<br /> <br /> Мягкий дедлайн: 19.11.2017 23:59MSK<br /> <br /> Жесткий дедлайн: 26.11.2017 23:59MSK<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-practice/homework-practice-02.ipynb Условие], [https://official.contest.yandex.ru/contest/5704/problems/ соревнование в Яндекс.Контесте]<br /> [https://contest.yandex.ru/contest/5704/problems/ альтернативная ссылка на соревнование в Яндекс.Контесте].<br /> <br /> == Бонусы за соревнования ==<br /> <br /> За успешное участие в соревнованиях по анализу данных могут быть выставлены бонусные баллы, которые можно прибавить к оценке за любое практическое или теоретическое домашнее задание, а также за самостоятельную работу. Конкретное число баллов определяется преподавателями и зависит от сложности соревнования и занятого места. За одно соревнование можно получить не более 5 баллов. Для получения оценки необходимо предоставить краткий отчёт о решении задачи.<br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. 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 /> * [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]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_1/2016_2017 | 2016/2017 учебный год]]</div>

Nadiinchi 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_1/2023_2024&diff=25862 2017-11-13T17:59:02Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 10:30 - 11:50, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/205507250.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+151@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_course_2017<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQEQ7r16nvyHbyXtjNA<br /> <br /> [https://docs.google.com/spreadsheets/d/16wj3eH2crdGY-MFqiMMUoy1E7uo80nYT2MYfz3Y7gx4/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | 151 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || Атанов Андрей || || пятница, 12:10 - 13:30, ауд. 300<br /> |-<br /> | 152 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || Гадецкий Артём || || понедельник, 15:10 - 16:30, ауд. 505<br /> |-<br /> | 153 (АПР) || [https://www.hse.ru/org/persons/209813467 Никишин Евгений Сергеевич] || Ковалёв Евгений || || пятница, 12:10 - 13:30, ауд. 322<br /> |-<br /> | 154 (АДИС) || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] || Панков Алексей || || пятница, 12:10 - 13:30, ауд. 501<br /> |-<br /> | 155 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [https://t.me/despairazure Кохтев Вадим] || || понедельник, 12:10 - 13:30, ауд. 513<br /> |-<br /> | 156 (ТИ) || [https://www.hse.ru/org/persons/141880775 Умнов Алексей Витальевич] || Шевченко Александр || [[Машинное обучение 1/156 | ссылка]]|| пятница, 15:10 - 16:30, ауд. 311<br /> |-<br /> | Магистратура ФТиАД || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || Першин Максим || || <br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Теоретические домашние работы и их защиты<br /> * Практические домашние работы на Python<br /> * Контрольные работы<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.1 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.4 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.3 * О&lt;sub&gt;теоретические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольные&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работа не принимаются.<br /> <br /> 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.<br /> <br /> При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture01-intro.pdf Конспект]]<br /> <br /> '''Лекция 2''' (8 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture02-linregr.pdf Конспект]]<br /> <br /> '''Лекция 3''' (15 сентября). Переобучение и регуляризация. Разреженные линейные модели. Квантильная регрессия. Подготовка признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture03-linregr.pdf Конспект]]<br /> <br /> '''Лекция 4''' (22 сентября). Линейная классификация. Отступ и верхние оценки на пороговую функцию потерь. Метрики качества классификации. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture04-linclass.pdf Конспект]]<br /> <br /> '''Лекция 5''' (29 сентября). Линейная классификация. Логистическая регрессия и оценки вероятности классов. Метод опорных векторов. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture05-linclass.pdf Конспект]]<br /> <br /> '''Лекция 6''' (6 октября). Многоклассовая классификация, сведение к бинарным задачам. Многоклассовая логистическая регрессия. Классификация с пересекающимися классами. Метрики качества многоклассовой классификации. Категориальные признаки: хэширование и счётчики. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture06-linclass.pdf Конспект]]<br /> <br /> '''Лекция 7''' (20 октября). Решающие деревья. Жадный алгоритм построения. Выбор лучшего разбиения с помощью критерия информативности. Критерии информативности для регрессии и классификации. Учёт пропусков в деревьях. Решающие деревья и категориальные признаки. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture07-trees.pdf Конспект]]<br /> <br /> '''Лекция 8''' (3 ноября). Бутстрап и бэггинг. Разложение ошибки на смещение и разброс (bias-variance decomposition). Случайный лес. Вычисление расстояний с помощью лесов. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture08-ensembles.pdf Конспект]]<br /> <br /> '''Лекция 9''' (10 ноября). Градиентный бустинг. Регуляризация. Особенности бустинга над деревьями. Взвешивание объектов в градиентном бустинге. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture09-ensembles.pdf Конспект]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1'''. Постановки задач, примеры применения, инструменты. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem01-intro.ipynb Ноутбук с семинара]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem01-tools.ipynb Ноутбук для самостоятельного изучения]]<br /> <br /> '''Семинар 2'''. Векторное дифференцирование. Линейная регрессия, аналитическое и численное решение. Свойства градиента. Сравнение градиентного спуска и стохастического градиентного спуска. Scikit-learn. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem02-linregr-part1.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem02-linregr-part2.ipynb Notebook]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-01-linregr.pdf Домашнее задание]]<br /> <br /> '''Семинар 3'''. Предобработка данных для линейных моделей. Функции потерь в линейной регрессии. Вероятностный взгляд на линейную регрессию. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem03-linregr.ipynb Notebook]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-02-linregr.pdf Домашнее задание]]<br /> <br /> '''Семинар 4'''. Метрики качества классификации. ROC-кривая, алгоритм её построения, AUC-ROC. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem04-linclass-metrics.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-03-linclass-metrics.pdf Домашнее задание]]<br /> <br /> '''Семинар 5'''. Оценивание вероятностей классов. Метод опорных векторов. Эквивалентность регуляризации и раннего останова в градиентном спуске. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem05-linclass.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem05-ipynb Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-04-linclass.pdf Домашнее задание]]<br /> <br /> '''Семинар 6'''. Метод K ближайших соседей. Различные способы задания метрик. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem06-knn.pdf Конспект]]<br /> <br /> '''Семинар 7'''. Решающие деревья. Критерии информативности. Способность решающих деревьев к переобучению. Калибровка вероятностей. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem07-trees.ipynb Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-05-knn-trees.pdf Домашнее задание]]<br /> <br /> == Практические задания ==<br /> <br /> '''Задание 1.''' Библиотека numpy и работа с данными.<br /> <br /> Дата выдачи: 18.09.2017<br /> <br /> Мягкий дедлайн: 01.10.2017 23:59MSK<br /> <br /> Жесткий дедлайн: 08.10.2017 23:59MSK.<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-practice/homework-practice-01.ipynb Условие], <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-practice/homework-practice-01.zip архив с условием и шаблонами],<br /> [https://official.contest.yandex.ru/contest/5016/problems/ соревнование в Яндекс.Контесте],<br /> [https://contest.yandex.ru/contest/5016/problems/ альтернативная ссылка на соревнование в Яндекс.Контесте].<br /> <br /> '''Задание 2.''' Линейные методы и работа с категориальными признаками<br /> <br /> Дата выдачи: 03.11.2017<br /> <br /> Мягкий дедлайн: 19.11.2017 23:59MSK<br /> <br /> Жесткий дедлайн: 26.11.2017 23:59MSK<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-practice/homework-practice-02.ipynb Условие], [https://official.contest.yandex.ru/contest/5704/problems/ соревнование в Яндекс.Контесте]<br /> [https://contest.yandex.ru/contest/5704/problems/ альтернативная ссылка на соревнование в Яндекс.Контесте].<br /> <br /> == Бонусы за соревнования ==<br /> <br /> За успешное участие в соревнованиях по анализу данных могут быть выставлены бонусные баллы, которые можно прибавить к оценке за любое практическое или теоретическое домашнее задание, а также за самостоятельную работу. Конкретное число баллов определяется преподавателями и зависит от сложности соревнования и занятого места. За одно соревнование можно получить не более 5 баллов. Для получения оценки необходимо предоставить краткий отчёт о решении задачи.<br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. 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 /> * [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]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_1/2016_2017 | 2016/2017 учебный год]]</div>

Nadiinchi 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_1/2023_2024&diff=24496 2017-09-25T18:17:33Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 10:30 - 11:50, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/205507250.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+151@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_course_2017<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQEQ7r16nvyHbyXtjNA<br /> <br /> [https://docs.google.com/spreadsheets/d/16wj3eH2crdGY-MFqiMMUoy1E7uo80nYT2MYfz3Y7gx4/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | 151 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || Атанов Андрей || || пятница, 12:10 - 13:30, ауд. 300<br /> |-<br /> | 152 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || Гадецкий Артём || || понедельник, 15:10 - 16:30, ауд. 505<br /> |-<br /> | 153 (АПР) || Никишин Евгений Сергеевич || Ковалёв Евгений || || пятница, 12:10 - 13:30, ауд. 322<br /> |-<br /> | 154 (АДИС) || Каюмов Эмиль Марселевич || Панков Алексей || || пятница, 12:10 - 13:30, ауд. 501<br /> |-<br /> | 155 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [https://t.me/despairazure Кохтев Вадим] || || понедельник, 12:10 - 13:30, ауд. 513<br /> |-<br /> | 156 (ТИ) || [https://www.hse.ru/org/persons/141880775 Умнов Алексей Витальевич] || Шевченко Александр || [[Машинное обучение 1/156 | ссылка]]|| пятница, 15:10 - 16:30, ауд. 311<br /> |-<br /> | Магистратура ФТиАД || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || Першин Максим || || <br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Теоретические домашние работы и их защиты<br /> * Практические домашние работы на Python<br /> * Контрольные работы<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.1 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.4 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.3 * О&lt;sub&gt;теоретические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольные&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работа не принимаются.<br /> <br /> 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.<br /> <br /> При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture01-intro.pdf Конспект]]<br /> <br /> '''Лекция 2''' (8 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture02-linregr.pdf Конспект]]<br /> <br /> '''Лекция 3''' (15 сентября). Переобучение и регуляризация. Разреженные линейные модели. Квантильная регрессия. Подготовка признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture03-linregr.pdf Конспект]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1'''. Постановки задач, примеры применения, инструменты. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem01-intro.ipynb Ноутбук с семинара]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem01-tools.ipynb Ноутбук для самостоятельного изучения]]<br /> <br /> '''Семинар 2'''. Векторное дифференцирование. Линейная регрессия, аналитическое и численное решение. Свойства градиента. Сравнение градиентного спуска и стохастического градиентного спуска. Scikit-learn. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem02-linregr-part1.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem02-linregr-part2.ipynb Notebook]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-01-linregr.pdf Домашнее задание]]<br /> <br /> '''Семинар 3'''. Предобработка данных для линейных моделей. Функции потерь в линейной регрессии. Вероятностный взгляд на линейную регрессию. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem03-linregr.ipynb Notebook]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-02-linregr.pdf Домашнее задание]]<br /> <br /> <br /> == Практические задания ==<br /> <br /> '''Задание 1.''' Библиотека numpy и работа с данными.<br /> <br /> Дата выдачи: 18.09.2017<br /> <br /> Мягкий дедлайн: 01.10.2017 23:59MSK<br /> <br /> Жесткий дедлайн: 08.10.2017 23:59MSK.<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-practice/homework-practice-01.ipynb Условие], <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-practice/homework-practice-01.zip архив с условием и шаблонами],<br /> [https://official.contest.yandex.ru/contest/5016/problems/ соревнование в Яндекс.Контесте].<br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. 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 /> * [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]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_1/2016_2017 | 2016/2017 учебный год]]</div>

Nadiinchi 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_1/2023_2024&diff=24343 2017-09-20T08:45:16Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 10:30 - 11:50, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/205507250.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+151@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_course_2017<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQEQ7r16nvyHbyXtjNA<br /> <br /> [https://docs.google.com/spreadsheets/d/16wj3eH2crdGY-MFqiMMUoy1E7uo80nYT2MYfz3Y7gx4/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | 151 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || Атанов Андрей || || пятница, 12:10 - 13:30, ауд. 300<br /> |-<br /> | 152 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || Гадецкий Артём || || понедельник, 15:10 - 16:30, ауд. 505<br /> |-<br /> | 153 (АПР) || Никишин Евгений Сергеевич || Ковалёв Евгений || || пятница, 12:10 - 13:30, ауд. 322<br /> |-<br /> | 154 (АДИС) || Каюмов Эмиль Марселевич || Панков Алексей || || пятница, 12:10 - 13:30, ауд. 501<br /> |-<br /> | 155 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [https://t.me/despairazure Кохтев Вадим] || || понедельник, 12:10 - 13:30, ауд. 513<br /> |-<br /> | 156 (ТИ) || [https://www.hse.ru/org/persons/141880775 Умнов Алексей Витальевич] || Шевченко Александр || [[Машинное обучение 1/156 | ссылка]]|| пятница, 15:10 - 16:30, ауд. 311<br /> |-<br /> | Магистратура ФТиАД || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || Першин Максим || || <br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Теоретические домашние работы и их защиты<br /> * Практические домашние работы на Python<br /> * Контрольные работы<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.1 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.4 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.3 * О&lt;sub&gt;теоретические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольные&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работа не принимаются.<br /> <br /> 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.<br /> <br /> При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture01-intro.pdf Конспект]]<br /> <br /> '''Лекция 2''' (8 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture02-linregr.pdf Конспект]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1'''. Постановки задач, примеры применения, инструменты. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem01-intro.ipynb Ноутбук с семинара]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem01-tools.ipynb Ноутбук для самостоятельного изучения]]<br /> <br /> '''Семинар 2'''. Векторное дифференцирование. Линейная регрессия, аналитическое и численное решение. Свойства градиента. Сравнение градиентного спуска и стохастического градиентного спуска. Scikit-learn. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem02-linregr-part1.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem02-linregr-part2.ipynb Notebook]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-01-linregr.pdf Домашнее задание]]<br /> <br /> '''Семинар 3'''. Предобработка данных для линейных моделей. Функции потерь в линейной регрессии. Вероятностный взгляд на линейную регрессию. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem03-linregr-loss_funcs.ipynb Notebook]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-02-linregr.pdf Домашнее задание]]<br /> <br /> <br /> == Практические задания ==<br /> <br /> '''Задание 1.''' Библиотека numpy и работа с данными.<br /> <br /> Дата выдачи: 18.09.2017<br /> <br /> Мягкий дедлайн: 01.10.2017 23:59MSK<br /> <br /> Жесткий дедлайн: 08.10.2017 23:59MSK.<br /> <br /> За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.<br /> <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-practice/homework-practice-01.ipynb Условие], <br /> [https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-practice/homework-practice-01.zip архив с условием и шаблонами],<br /> [https://official.contest.yandex.ru/contest/5016/problems/ соревнование в Яндекс.Контесте].<br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. 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 /> * [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]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_1/2016_2017 | 2016/2017 учебный год]]</div>

Nadiinchi 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_1/2023_2024&diff=24226 2017-09-17T15:08:50Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> [[Файл:ML_surfaces.png|280px|borderless|left]]<br /> <br /> Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 1-2 модулях.<br /> <br /> Проводится с 2016 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по пятницам, 10:30 - 11:50, ауд. 317.<br /> <br /> <br /> <br /> <br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/ba/ami/courses/205507250.html Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.cs.ml+&lt;номер группы&gt;@gmail.com (например, hse.cs.ml+151@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_course_2017<br /> <br /> Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQEQ7r16nvyHbyXtjNA<br /> <br /> [https://docs.google.com/spreadsheets/d/16wj3eH2crdGY-MFqiMMUoy1E7uo80nYT2MYfz3Y7gx4/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | 151 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || Атанов Андрей || || пятница, 12:10 - 13:30, ауд. 300<br /> |-<br /> | 152 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || Гадецкий Артём || || понедельник, 15:10 - 16:30, ауд. 505<br /> |-<br /> | 153 (АПР) || Никишин Евгений Сергеевич || Ковалёв Евгений || || пятница, 12:10 - 13:30, ауд. 322<br /> |-<br /> | 154 (АДИС) || Каюмов Эмиль Марселевич || Панков Алексей || || пятница, 12:10 - 13:30, ауд. 501<br /> |-<br /> | 155 (РС) || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || [https://t.me/despairazure Кохтев Вадим] || || понедельник, 12:10 - 13:30, ауд. 513<br /> |-<br /> | 156 (ТИ) || [https://www.hse.ru/org/persons/141880775 Умнов Алексей Витальевич] || Шевченко Александр || [[Машинное обучение 1/156 | ссылка]]|| пятница, 15:10 - 16:30, ауд. 311<br /> |-<br /> | Магистратура ФТиАД || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || Першин Максим || || <br /> |-<br /> |}<br /> <br /> === Консультации ===<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций<br /> * Теоретические домашние работы и их защиты<br /> * Практические домашние работы на Python<br /> * Контрольные работы<br /> * Письменный экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.1 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.4 * О&lt;sub&gt;практические дз&lt;/sub&gt; + 0.3 * О&lt;sub&gt;теоретические дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;контрольные&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работа не принимаются.<br /> <br /> 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.<br /> <br /> При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.<br /> <br /> == Лекции ==<br /> <br /> '''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture01-intro.pdf Конспект]]<br /> <br /> '''Лекция 2''' (8 сентября). Линейная регрессия. Метрики качества регрессии. Градиентный спуск и способы оценивания градиента. Продвинутые градиентные методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/lecture-notes/lecture02-linregr.pdf Конспект]]<br /> <br /> == Семинары ==<br /> <br /> '''Семинар 1'''. Постановки задач, примеры применения, инструменты. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem01-intro.ipynb Ноутбук с семинара]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem01-tools.ipynb Ноутбук для самостоятельного изучения]]<br /> <br /> '''Семинар 2'''. Векторное дифференцирование. Линейная регрессия, аналитическое и численное решение. Свойства градиента. Сравнение градиентного спуска и стохастического градиентного спуска. Scikit-learn. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem02-linregr-part1.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem02-linregr-part2.ipynb Notebook]] [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/homeworks-theory/homework-theory-01-linregr.pdf Домашнее задание]]<br /> <br /> '''Семинар 3'''. Предобработка данных для линейных моделей. Функции потерь в линейной регрессии. Вероятностный взгляд на линейную регрессию. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-fall/seminars/sem03-linregr-loss_funcs.ipynb Notebook]]<br /> <br /> <br /> == Практические задания ==<br /> <br /> <br /> <br /> == Полезные материалы ==<br /> ===Книги===<br /> * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.<br /> * Bishop C. M. 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 /> * [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]<br /> <br /> == Страницы предыдущих лет ==<br /> <br /> [[Машинное_обучение_1/2016_2017 | 2016/2017 учебный год]]</div>

Nadiinchi https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85&diff=22893 2017-03-21T12:16:15Z

<p>Nadiinchi: поправлена ссылка на 8 лекцию</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 2-го курса [https://electives.hse.ru/2015/minor_intel/ майнора ИАД] в 3-4 модулях.<br /> <br /> Проводится с 2015 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по средам, 10:30 - 11:50, ауд. 5215 (Шаболовка, 26).<br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/edu/courses/185566965 Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-minor-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.minor.dm+&lt;номер группы&gt;@gmail.com (например, hse.minor.dm+3@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_minor_intro_dm<br /> <br /> [https://docs.google.com/spreadsheets/d/1sFKaErC0N7YteroaNS8N9JkHZUdWKc3RFv1wv5kGyzw/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [http://goo.gl/forms/RwdMxnChST форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций лучше всего оформлять в виде [https://github.com/esokolov/ml-minor-hse/issues Issue] в [https://github.com/esokolov/ml-minor-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | ИАД-1 || [https://www.hse.ru/org/persons/161192709 Папулин Сергей Юрьевич] || || || среда, 12:10 - 13:30, ауд. 3214<br /> |-<br /> | ИАД-2 || [https://www.hse.ru/staff/ashestakoff Шестаков Андрей Владимирович] || Чеснокова Полина || [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/ИАД_2|Тут]] || среда, 12:10 - 13:30, ауд. 4427<br /> |-<br /> | ИАД-3 || [https://www.hse.ru/org/persons/200501640 Даулбаев Талгат Кайратулы] || Першин Дмитрий|| [https://github.com/iad34/seminars Ссылка] || среда, 09:00 - 10:20, ауд. 4335<br /> |-<br /> | ИАД-4 || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || Стрельцов Антон ||[https://github.com/iad34/seminars Ссылка] || среда, 12:10 - 13:30, ауд. 4335<br /> |-<br /> | ИАД-5 || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || Кохтев Вадим ||[https://github.com/yashakb/minor_HSE/ github] || среда, 12:10 - 13:30, ауд. 4336<br /> |-<br /> |}<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров<br /> * Практические домашние работы на Python<br /> * Коллоквиум в конце 1-го модуля<br /> * Экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;коллоквиум&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> 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.<br /> <br /> При наличии уважительной причины 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.<br /> <br /> ==Лекции==<br /> [[Файл:how-to-download.png|thumb|right|200px|Файлы со слайдами очень легко скачать с GitHub с помощью кнопки Raw!]]<br /> <br /> Лекция 1 (18.01.2017). Введение в машинное обучение и анализ данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2017/lecture01-intro.pdf Слайды]]<br /> <br /> Лекция 2 (25.01.2017). Типы задач машинного обучения. Типы признаков. Обобщающая способность и переобучение. Примеры задач анализа данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2017/lecture02-intro.pdf Слайды]]<br /> <br /> Лекция 3 (01.02.2017). Векторы и матрицы. Норма, метрика и скалярное произведение. Качество классификации, доля верных ответов. Оценивание обобщающей способности, кросс-валидация. Гипотеза компактности. Метод k ближайших соседей. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2017/lecture03-knn.pdf Слайды]]<br /> <br /> Лекция 4 (08.02.2017). Метод k ближайших соседей в регрессии. Среднеквадратичная ошибка. Матричное умножение. Производные и градиенты. Экстремумы функций. Обучение линейной регрессии. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2017/lecture04-regression.pdf Слайды]]<br /> <br /> Лекция 5 (15.02.2017). Градиентный спуск. Линейные зависимости и мультиколлинеарность. Регуляризация линейных моделей. Масштабирование признаков. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2017/lecture05-regression.pdf Слайды]]<br /> <br /> Лекция 6 (22.02.2017). Линейная классификация. Логистическая регрессия. Оценивание вероятностей. Метрики качества классификации: accuracy, precision, recall. Работа с категориальными признаками. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2017/lecture06-linclass.pdf Слайды]]<br /> <br /> Лекция 7 (01.03.2017). Метрики качества регрессии: MSE, MAE, коэффициент детерминации. Устойчивые оценки. Качество классификации, AUC-PR, AUC-ROC. Параметры и гиперпараметры. Многоклассовая классификация, подход one-vs-all. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2017/lecture07-quality.pdf Слайды]]<br /> <br /> Лекция 8 (15.03.2017). Решающие деревья. Критерии информативности. Энтропия и энтропийный критерий для классификации. Гиперпараметры деревьев, борьба с переобучением. Усреднение деревьев. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2017/lecture08-trees.pdf Слайды]]<br /> <br /> ==Полезные материалы==<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.<br /> <br /> == Страницы прошлых лет ==<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2015-2016 | 2015/16 учебный год ]]<br /> <br /> [[Category:Майнор &quot;Интеллектуальный анализ данных&quot;]]</div>

Nadiinchi https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85&diff=22455 2017-01-26T11:44:52Z

<p>Nadiinchi: </p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 2-го курса [https://electives.hse.ru/2015/minor_intel/ майнора ИАД] в 3-4 модулях.<br /> <br /> Проводится с 2015 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по средам, 10:30 - 11:50, ауд. 5307 (Шаболовка, 26).<br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/edu/courses/185566965 Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-minor-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.minor.dm+&lt;номер группы&gt;@gmail.com (например, hse.minor.dm+3@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_minor_intro_dm<br /> <br /> [https://docs.google.com/spreadsheets/d/1sFKaErC0N7YteroaNS8N9JkHZUdWKc3RFv1wv5kGyzw/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [http://goo.gl/forms/RwdMxnChST форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций лучше всего оформлять в виде [https://github.com/esokolov/ml-minor-hse/issues Issue] в [https://github.com/esokolov/ml-minor-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | ИАД-1 || [https://www.hse.ru/org/persons/161192709 Папулин Сергей Юрьевич] || || || среда, 12:10 - 13:30, ауд. 3214<br /> |-<br /> | ИАД-2 || [https://www.hse.ru/staff/ashestakoff Шестаков Андрей Владимирович] || Чеснокова Полина || [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/ИАД_2|Тут]] || среда, 12:10 - 13:30, ауд. 4427<br /> |-<br /> | ИАД-3 || [https://www.hse.ru/org/persons/200501640 Даулбаев Талгат Кайратулы] || Першин Дмитрий|| [https://github.com/iad34/seminars Ссылка] || среда, 09:00 - 10:20, ауд. 4335<br /> |-<br /> | ИАД-4 || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || Стрельцов Антон ||[https://github.com/iad34/seminars Ссылка] || среда, 12:10 - 13:30, ауд. 4335<br /> |-<br /> | ИАД-5 || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || || || среда, 12:10 - 13:30, ауд. 4336<br /> |-<br /> |}<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров<br /> * Практические домашние работы на Python<br /> * Коллоквиум в конце 1-го модуля<br /> * Экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;коллоквиум&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> 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.<br /> <br /> При наличии уважительной причины 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.<br /> <br /> ==Лекции==<br /> [[Файл:how-to-download.png|thumb|right|200px|Файлы со слайдами очень легко скачать с GitHub с помощью кнопки Raw!]]<br /> <br /> Лекция 1 (18.01.2017). Введение в машинное обучение и анализ данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2017/lecture01-intro.pdf Слайды]]<br /> <br /> Лекция 2 (25.01.2017). Типы задач машинного обучения. Типы признаков. Обобщающая способность и переобучение. Примеры задач анализа данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2017/lecture02-intro.pdf Слайды]]<br /> <br /> ==Полезные материалы==<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.<br /> <br /> == Страницы прошлых лет ==<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2015-2016 | 2015/16 учебный год ]]<br /> <br /> [[Category:Майнор &quot;Интеллектуальный анализ данных&quot;]]</div>

Nadiinchi https://wiki.cs.hse.ru/index.php?title=%D0%9C%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85&diff=22454 2017-01-26T11:44:36Z

<p>Nadiinchi: обновление таблицы с семинарами</p> <hr /> <div>== О курсе ==<br /> <br /> Курс читается для студентов 2-го курса [https://electives.hse.ru/2015/minor_intel/ майнора ИАД] в 3-4 модулях.<br /> <br /> Проводится с 2015 года.<br /> <br /> '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]<br /> <br /> Лекции проходят по средам, 10:30 - 11:50, ауд. 5307 (Шаболовка, 26).<br /> <br /> <br /> === Полезные ссылки ===<br /> <br /> [https://www.hse.ru/edu/courses/185566965 Карточка курса и программа]<br /> <br /> [https://github.com/esokolov/ml-minor-hse Репозиторий с материалами на GitHub]<br /> <br /> Почта для сдачи домашних заданий: hse.minor.dm+&lt;номер группы&gt;@gmail.com (например, hse.minor.dm+3@gmail.com)<br /> <br /> Канал в telegram для объявлений: https://telegram.me/hse_minor_intro_dm<br /> <br /> [https://docs.google.com/spreadsheets/d/1sFKaErC0N7YteroaNS8N9JkHZUdWKc3RFv1wv5kGyzw/edit?usp=sharing Таблица с оценками]<br /> <br /> Оставить отзыв на курс: [http://goo.gl/forms/RwdMxnChST форма]<br /> <br /> '''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.<br /> Вопросы по материалам лекций лучше всего оформлять в виде [https://github.com/esokolov/ml-minor-hse/issues Issue] в [https://github.com/esokolov/ml-minor-hse github-репозитории курса].<br /> <br /> === Семинары ===<br /> <br /> {| class=&quot;wikitable&quot;<br /> |-<br /> ! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание<br /> |-<br /> | ИАД-1 || [https://www.hse.ru/org/persons/161192709 Папулин Сергей Юрьевич] || || || среда, 12:10 - 13:30, ауд. 3214<br /> |-<br /> | ИАД-2 || [https://www.hse.ru/staff/ashestakoff Шестаков Андрей Владимирович] || Чеснокова Полина || [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/ИАД_2|Тут]] || среда, 12:10 - 13:30, ауд. 4427<br /> |-<br /> | ИАД-3 || [https://www.hse.ru/org/persons/200501640 Даулбаев Талгат Кайратулы] || Дмитрий Першин|| [https://github.com/iad34/seminars Ссылка] || среда, 09:00 - 10:20, ауд. 4335<br /> |-<br /> | ИАД-4 || [https://www.hse.ru/org/persons/191576735 Чиркова Надежда Александровна] || Стрельцов Антон ||[https://github.com/iad34/seminars Ссылка] || среда, 12:10 - 13:30, ауд. 4335<br /> |-<br /> | ИАД-5 || [https://www.hse.ru/org/persons/192085968 Яшков Даниил Дмитриевич] || || || среда, 12:10 - 13:30, ауд. 4336<br /> |-<br /> |}<br /> <br /> === Правила выставления оценок ===<br /> <br /> В курсе предусмотрено несколько форм контроля знания:<br /> * Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров<br /> * Практические домашние работы на Python<br /> * Коллоквиум в конце 1-го модуля<br /> * Экзамен<br /> <br /> Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br /> <br /> O&lt;sub&gt;итоговая&lt;/sub&gt; = 0.7 * O&lt;sub&gt;накопленная&lt;/sub&gt; + 0.3 * О&lt;sub&gt;экз&lt;/sub&gt;<br /> <br /> Оценка за работу в семестре вычисляется по формуле<br /> <br /> O&lt;sub&gt;накопленная&lt;/sub&gt; = 0.2 * O&lt;sub&gt;самостоятельные&lt;/sub&gt; + 0.6 * О&lt;sub&gt;дз&lt;/sub&gt; + 0.2 * О&lt;sub&gt;коллоквиум&lt;/sub&gt;<br /> <br /> Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.<br /> <br /> === Правила сдачи заданий ===<br /> <br /> 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.<br /> <br /> При наличии уважительной причины 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.<br /> <br /> ==Лекции==<br /> [[Файл:how-to-download.png|thumb|right|200px|Файлы со слайдами очень легко скачать с GitHub с помощью кнопки Raw!]]<br /> <br /> Лекция 1 (18.01.2017). Введение в машинное обучение и анализ данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2017/lecture01-intro.pdf Слайды]]<br /> <br /> Лекция 2 (25.01.2017). Типы задач машинного обучения. Типы признаков. Обобщающая способность и переобучение. Примеры задач анализа данных. [[https://github.com/esokolov/ml-minor-hse/blob/master/lectures-2017/lecture02-intro.pdf Слайды]]<br /> <br /> ==Полезные материалы==<br /> ===Курсы по машинному обучению и анализу данных===<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]<br /> * [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning, Andrew Ng]<br /> <br /> ===Статьи===<br /> * [http://www.toptal.com/machine-learning/machine-learning-theory-an-introductory-primer An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples]<br /> * [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ A Visual Introduction to Machine Learning]<br /> <br /> ===Книги===<br /> * Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br /> * Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.<br /> * James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.<br /> <br /> == Страницы прошлых лет ==<br /> <br /> [[Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных/2015-2016 | 2015/16 учебный год ]]<br /> <br /> [[Category:Майнор &quot;Интеллектуальный анализ данных&quot;]]</div>

Nadiinchi