Wiki - Факультет компьютерных наук - Вклад [ru]

Wiki ФКН

2022-09-07T23:21:50Z

Psfedorov: Добавил курс Глубинное обучение в анализе графовых данных на главную страницу

__NOTOC__

= Учебные курсы факультета компьютерных наук =

== Курсы за 2022/23 учебный год ==

{| class="wikitable"
|-

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

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

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

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

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

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

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

'''ПИ'''

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

'''ПАД'''

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

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

'''КНАД'''

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

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

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

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

'''ПМИ'''

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

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

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

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

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

[[Математическая_логика_ПМИ_22/23 | Математическая логика ]]

[[Продвинутый_Python_2022/2023 | Продвинутый Python ]]

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

'''ПИ'''

'''ПАД'''

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

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

'''КНАД'''

[[Алгебра КНАД 2022/2023 | Алгебра]]

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

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

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

'''ПМИ'''

[[Машинное_обучение_1 | Машинное обучение 1]]

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

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

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

[[ Функциональное_программирование_22-23 | Функциональное программирование ]]

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

'''ПМИ / МОП'''

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

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

'''ПМИ / РС'''

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

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

'''ПИ'''

'''ПАД'''

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

||

'''ПМИ'''

[[OWF2022 | Односторонние функции и их применения]]

[[InfTheory2022 | Теория информации]]

[[ Функциональное_программирование_22-23 | Функциональное программирование ]]

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

'''ПМИ / МОП'''

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

[[Глубинное_обучение_2022 | Глубинное обучение]]

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

'''ПИ'''

'''ПАД'''

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

||

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

|}

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

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

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

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

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

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

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

== Курсы других факультетов ==

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

= Архив =

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

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

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

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

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

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

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

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

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

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

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

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

'''ПИ'''

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

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

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

'''ПАД'''

[[Algebra_DSBA_2021/2022 | Algebra DSBA]]

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

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

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

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

'''КНАД'''

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

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

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

[[Дискретная_математика_КНАД | Дискретная математика (КНАД)]]

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

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

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

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

||

'''ПМИ'''

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

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

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

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

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

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

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

[[Математическая логика | Математическая логика]]

[[Дифференциальные уравнения (ПМИ)]]

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

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

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

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

'''ПИ'''

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

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

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

'''ПАД'''

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

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

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

[[Differential_Equations_2021 | Differential Equations ]]

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

||

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

'''ПМИ'''

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

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

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

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

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

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

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

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

[[Comb2021_2022 | Комбинаторные конструкции в теоретической информатике]]

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

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

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

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

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

'''ПМИ / PC'''

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

[[Database_Systems_2022 | Database Systems 2022]]

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

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

'''ПМИ / МОП'''

[[Машинное_обучение_2 | Машинное обучение 2]]

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

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

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

[[Statistical_learning_theory_2021 | Statistical learning theory]]

'''ПИ'''

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

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

'''ПАД'''

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

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

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

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

||

[[Введение_в_дифференциальную_геометрию_2022 | Введение в дифференциальную геометрию 2022]]

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

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

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

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

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

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

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

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

[[Байесовские_методы_машинного_обучения_2021 | Байесовские методы машинного обучения]]

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

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

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

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

'''ПМИ / РС'''

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

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

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

'''ПМИ / ТИ'''

[[InfTheory2021 | Теория информации]]

[[OWF2021 | Односторонние функции и их применения]]

[[ConvAppr22 | Выпуклое программирование и аппроксимационные алгоритмы ]]

'''ПАД'''

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

[[Decision Making Strategy]]

||

[[Дополнительные_главы_теории_вероятностей_2022|ДГТВ]]

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

[[Теория_вычислений_2022|Теория вычислений]]

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

[[Криптография_на_решётках_21/22| Криптография на решётках]]

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

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

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

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

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

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

[[Функциональное_программирование_2019 | Функциональное программирование 2021]]

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

[[Dopglavy_DM_2022| Дополнительные главы дискретной математики]]

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

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

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

|}

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

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

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

|}

== Курсы магистратуры ФКН ==

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

== Курсы других факультетов ==

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

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

Глубинное обучение в анализе графовых данных 22/23

2022-09-05T20:36:06Z

Psfedorov: Изменил время лекций и семинаров

== О курсе ==

Курс читается для студентов 4-го курса в 1-2 модулях.

Лектор — Валитов Эльдар Рафекович

Семинарист — Федоров Павел Сергеевич

== Лекции ==
Проходят по четвергам в 14:40

== Семинары ==
Проходят по четвергам в 16:10.

== Контрольные мероприятия ==
=== Правила выставления оценок ===

Итоговая оценка вычисляется по формуле
:: ОИтог = Округление(0.7 * ДЗ + 0.3 * Э),
где ДЗ = ((количество баллов за все ДЗ) / 70) * 10, Э - оценка за экзамен

Округление арифметическое.

На курсе предусмотрены автоматы - если студент сдал все дз и если студент набирает больше 45 баллов (то есть больше 6.5 оценка за ДЗ) то он освобождается от экзамена с ОИтог = Округление(ДЗ).

Глубинное обучение в анализе графовых данных 22/23

2022-09-05T20:32:23Z

Psfedorov: Создание страницы курса GNN22/23

== О курсе ==

Курс читается для студентов 4-го курса в 1-2 модулях.

Лектор — Валитов Эльдар Рафекович

Семинарист — Федоров Павел Сергеевич

== Лекции ==
Проходят по четвергам в 16:10.

== Семинары ==
Проходят по четвергам в 11:10.

== Контрольные мероприятия ==
=== Правила выставления оценок ===

Итоговая оценка вычисляется по формуле
:: ОИтог = Округление(0.7 * ДЗ + 0.3 * Э),
где ДЗ = ((количество баллов за все ДЗ) / 70) * 10, Э - оценка за экзамен

Округление арифметическое.

На курсе предусмотрены автоматы - если студент сдал все дз и если студент набирает больше 45 баллов (то есть больше 6.5 оценка за ДЗ) то он освобождается от экзамена с ОИтог = Округление(ДЗ).

DM2-pilot2019/2020

2019-09-19T21:29:34Z

Psfedorov: /* Консультации */

= Дискретная математика на 2-ом курсе ПМИ (пилотный поток)=

Лекции проходят по пятницам в 13:40-15:00 в аудитории R406

==Новости==

==Лектор==

Вялый Михаил Николаевич vyalyi@gmail.com

==Семинаристы и ассистенты==

181 Козачинский Александр Николаевич kozlach@mail.ru '''[https://t.me/joinchat/GQufoFYT9LLo6u8JU5RQmA группа в telegram, где можно задать вопрос]''' (учебный ассистент Агамов Раджаб Эльдар оглы agamov@phystech.edu)

182 Вялый Михаил Николаевич vyalyi@gmail.com (учебный ассистент Сурин Денис Владимирович Denis.surin2011@yandex.ru)

184 Козачинский Александр Николаевич kozlach@mail.ru, '''[https://t.me/joinchat/GQufoFGM0ZcKZRDSA3_VqA группа в telegram, где можно задать вопрос]''' (учебный ассистент Тараканов Игорь Анатольевич iatarakanov@edu.hse.ru)

===Консультации ===

Козачинcкий: по вторникам 13:40 -- 16:30, буду либо в S831, либо в S832

Вялый: по пятницам, 16:40-18:00, ауд. R308 (возможны изменения!)

Ассистент Тараканов: вторник, среда - любое время, договариваться за день, пятница - после 18:00 (telegram - @SetSplin)

==Краткое описание==

Курс состоит из двух частей. В первом модуле будет общая теория вычислимости, во втором модуле будет изучаться математическая логика: формулы логики высказываний и логики предикатов, определение истинности, выразимость средствами логики предикатов, исчисление резолюций.

==Отчётность по курсу и критерии оценки==

6 домашних заданий, коллоквиум и экзамен.

Оценка за каждое домашнее задание равна доле решенных задач, умноженной на 10. Общая оценка за домашние задания равна среднему арифметическому оценок за решение каждого из заданий.
На решение каждого ДЗ дается 14 дней, решение ДЗ нужно сдавать семинаристу до начала семинара.
Сдача домашних заданий после их срока невозможна. Домашнее задание должно быть защищено в сроки, указанные семинаристом. Для защиты студент должен прийти на консультацию и убедить семинариста или ассистента, что он понимает, что у него написано, и тем самым работа не списана.

Коллоквиум (устный) и экзамен (письменный) оцениваются по десятибалльной системе. На коллоквиуме не разрешается пользоваться никакими записями. На экзамене можно пользоваться любыми бумажными источниками и нельзя никакими электронными.

Коллоквиум состоит из двух теоретических вопросов (один по теории вычислимости, другой по логике) и одной задачи, которые оцениваются в 3, 3 и 4 баллов соответственно. Эти задачи берутся из заранее опубликованного списка задач (с точностью до выбора конкретных чисел), подобных тем, что были в домашних заданиях.

Экзамен состоит из 8 задач с указанием количества баллов за каждую задачу. Эти баллы в сумме дают 10 баллов или больше. Задачи нужно решить за две пары.

Оценки за коллоквиум и экзамен входят в итоговую оценку с коэффициентами 0.4, а оценка за домашние задания - с коэффициентом 0.2.

Те, кто не смог прийти на коллоквиум по болезни, могут его сдать отдельно в день пересдачи (один раз). Это же относится и к тем, кто не смог прийти на экзамен или получил на нем менее 4 баллов. Те, кто после всех пересдач получил итоговую оценку менее 4 баллов, сдают устный экзамен комиссии, в этом случае все полученные ранее оценки аннулируются и оценка, полученная на экзамене, является окончательной.

====Правила округления====

При вычислениях промежуточные величины не округляются. Результат вычисляется точно и округляется только в момент, когда по внешним причинам требуется целочисленная оценка (скажем, при выставлении итоговой оценки). В этом случае используется арифметическое округление (то есть, 6.5 округляется до 7, а 6.49 - до 6).

==Сроки контрольных мероприятий==

===Коллоквиум===

===Экзамен===

===Пересдачи===

==Домашние задания ==

'''[https://www.dropbox.com/s/1h7o1ngsjc2seh3/hw01DM2-pilot.pdf?dl=0 Домашнее задание 1]''' Срок сдачи: 181 группа - 24 сентября; 182 группа - 20 сентября; 184 группа - 20 сентября.
'''Комментарий к условию задачи 5:''' для определённости считайте, что функция строго возрастающая.

===Оценки за домашние задания===

==Примерное содержание лекций==

* Вычислимые функции. Разрешимые, перечислимые множества. Теорема Поста.

* Универсальные функции. Неразрешимые и неперечислимые множества.

* Главные нумерации. Теорема Райса-Успенского. Теорема о неподвижной точке.

* Машины Тьюринга. Неразрешимость проблемы остановки МТ.

* Сводимости. Неразрешимость задачи достижимости в ассоциативных исчислениях.

* Полугруппы, двусторонние исчисления, неразрешимость проверки равенства слов.

* Логические формулы: булевы формулы, формулы первого порядка.

* Общезначимые формулы. Предваренная нормальная форма.

* Исчисление резолюций для пропозициональных формул.

* Исчисление резолюций для формул первого порядка.

* Неразрешимость проверки общезначимости. Перечислимость множества общезначимых формул.

* Языки первого порядка и их модели. Изоморфные и элементарно эквивалентные модели.

* Выразимые в данной модели отношения. Метод автоморфизмов доказательства невыразимости.

* Выразимость в арифметике. Бета-функция Гёделя. Неперечислимость формул, истинных в арифметике.

==Прочитанные лекции==

'''13 сентября''' График функции перечислим тогда и только тогда, когда функция вычислима. Совпадение классов перечислимых множеств, множеств значений вычислимых функций и областей определения вычислимых функций. Универсальные вычислимые функции. Пример перечислимого неразрешимого множества. Главные универсальные вычислимые функции.

'''6 сентября''' Вычислимые функции, разрешимые множества, перечислимые множества. Связи между разрешимыми и перечислимыми множествами: разрешимые множества - это такие перечислимые, у которых дополнение также перечислимо (теорема Поста), перечислимые множества - это проекции разрешимых.

== Семинары ==

'''[https://www.dropbox.com/s/fjtiyc8v8aldyqd/cw02DM2-pilot.pdf?dl=0 Задачи к 2 семинару]'''

'''[https://www.dropbox.com/s/v5aeswg1w03b97m/cw01DM2-pilot.pdf?dl=0 Задачи к 1 семинару]'''

==Рекомендуемая литература ==

1. Н.К.Верещагин, А. Шень. Вычислимые функции. М.:МЦНМО, 2012.

2. Н.К.Верещагин, А. Шень. Языки и исчисления. М.:МЦНМО, 2012.

3. [https://www.dropbox.com/s/uwdsbj5xymnqqbt/res-lect-revised.pdf?dl=0 Конспект лекций о методе резолюций]

4. [http://rubtsov.su/public/DM-HSE-Draft.pdf Черновик учебника "Лекции по дискретной математике" М.Вялый, В. Подольский, А. Рубцов, Д. Шварц, А Шень] Главы 14-16 посвящены вычислимости.

О факультете

2019-09-01T22:34:53Z

Psfedorov: /* 1 семестр */

__NOTOC__

= Учебные курсы факультета компьютерных наук =

== Курсы за 2019/20 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|

||

[[DM2-basic2019/2020 | Дискретная математика-2 на ПМИ (основной поток)]]

[[DM2-pilot2019/2020 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[Теория_вероятностей_2019/2020_(основной_поток)| Теория_вероятностей_2019/2020 на ПМИ (основной поток)]]

[[Математический_анализ_2019/2020_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]
||

||

||

||

|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==
=== 1 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули

|-
| [[ Основы анализа и визуализация данных для медиа 2019/2020 | Основы анализа и визуализации данных для медиа ]] || Журналистика || 4 курс || 1 модуль
|-
| [[Основы программирования на Python осень 2019 матфак|Основы программирования на Python-1]] || Математика || 1-4 курс || 1-2 модули
|-
| [[ Цифровая грамотность (История 2019) | Цифровая грамотность ]] || История || 1 курс || 1-2 модули
|-
| [[ Цифровая грамотность (Востоковедение 2019) | Цифровая грамотность ]] || Востоковедение|| 1 курс || 1-2 модули
|-
| [[ПМСАР-2_2019| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули
|-
| [[Работа с данными]] || Медиакоммуникации || 4 курс || 1 модуль
|}

=Архив=
== Курсы за 2018/19 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|

[[Математический_анализ_на_ПМИ_2018/2019_(пилотный_поток) | Математический анализ на ПМИ (пилотный поток)]]

[[Математический_анализ_на_ПМИ_2018/2019_(основной_поток) | Математический анализ на ПМИ (основной поток)]]

[[Calculus_DSBA_2018/2019 | Calculus I DSBA (ПАД)]]

[[Основы_и_методология_программирования_на_ПМИ_2018/2019_(пилотный_поток) | Основы и методология программирования на ПМИ (пилотный поток)]]

[[Основы_и_методология_программирования_на_ПМИ_2019_(С%2B%2B,_основной_поток) | Основы и методология программирования на ПМИ (С++, основной поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[LAaG_DSBA_2018/2019 | LAaG DSBA]]

[[Дискретная_математика_1_2018/2019 | Дискретная математика-1 на ПМИ]]

[[Discrete Mathematics DSBA |Discrete Mathematics DSBA (ПАД)]]

[[Introduction_to_programming | Introduction to programming DSBA (ПАД)]]

[[Introduction_to_programming_2 | Introduction to programming 2 DSBA (ПАД)]]

[[Алгебра_на_ПМИ_2018/2019_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]

[[Алгебра_на_ПМИ_2018/2019_(основной_поток) | Алгебра на ПМИ (основной поток)]]

[[Algebra_DSBA_2018/2019 | Algebra DSBA]]

[http://hsealgebra19.wikidot.com Алгебра на ПИ]

[[Алгоритмы_и_структуры_данных_2018/2019 | Алгоритмы и структуры данных на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

||

[http://math-info.hse.ru/s18/t Дифференциальные уравнения]

[[Теория_вероятностей_2018/2019_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2018/2019_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Математический_анализ_2018/2019_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]

[[Математический_анализ_2018/2019_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]

[[DM2-pilot2018/2019 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[DM2-basic2018/2019 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_2_2018/2019 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Факультатив Теория вычислений]]

||

[[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]

[[Численные_Методы_2018 | Численные методы ]]

[[PDC | Параллельные и распределенные вычисления]]

[[Theory_of_Computing_2018_2019 | Theory of Computing, AMI]]

[[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]

[[Прикладная_статистика_в_машинном_обучении(2018)|Прикладная статистика в машинном обучении]]

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

[[НИС_РС|НИС Распределенные системы]]

[[Основные методы анализа данных]]

[[Теория баз данных]]

[[Непрерывная оптимизация/2019|Непрерывная оптимизация (161-162)]]

[[Непрерывная оптимизация (163-167)]]

[[Сложность вычислений и логика в теоретической информатике]]

[[Data analysis (Software Engineering) 2019|Data analysis]]

[[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]

[[Intro to DL Blended | Intro to DL Blended]]

[[Дискретная оптимизация 2019 | Дискретная оптимизация 2019]]

||

[[Statistical_learning_theory_2018_2019 | Introduction to statistical learning theory]]

[[Анализ_неструктурированных_данных-2018 |Анализ неструктурированных данных ]]

[[Байесовские_методы_машинного_обучения_2018|Байесовские методы машинного обучения]]

[[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]

[[НИС_Науки_о_данных_2018/2019|НИС Науки о данных]]

[[НИС_Распределенные_системы_(4_курс,_2018)|НИС Распределенные системы]]

[[Теория_Информации_2018/2019|Теория информации]]

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

[[Методы_и_системы_обработки_больших_данных_(осень_2018)|Методы и системы обработки больших данных]]

[[Философия_науки_2018|Философия науки]]

[[Теория баз данных]]

[[ConvAppr19 | Выпуклое программирование и аппроксимационные алгоритмы (ТИ)]]

[[Функциональное программирование 2019 | Функциональное программирование]]

[[A_Theorist's_Toolkit_2018_2019 | A Theorist's Toolkit, AMI]]

[[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]

||
[[Дополнительные главы теории вероятностей 2019 | Дополнительные главы теории вероятностей 2019]]

[[Дополнительные главы математической статистики 2019 | Дополнительные главы математической статистики 2019]]

[[Введение в программирование (курс майнора) 2018/2019]]

[[dopglavy_DM_1819|Допглавы дискретной математики]]

[[Современные_методы_машинного_обучения_(курс_майнора)_2018/2019 | Современные методы машинного обучения (курс майнора) 2018/2019]]

[[Прикладные_задачи_анализа_данных_(майнор_-_весна_2019) | Прикладные задачи анализа данных (майнор - весна 2019)]]

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных | Введение в анализ данных (курс майнора)]]

[[Функциональный анализ (весна_2019) | Функциональный анализ (весна_2019)]]

[https://docs.google.com/document/d/1annCGZMrnLaXghIroe2Oq2xA1IOPQcD6w7x0H0HbudU/edit?usp=sharing Язык Kotlin (3 и 4 модули 2018-2019)]

||

|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==
=== 2 семестр ===

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

|-
| [[Основы программирования на Python весна 2019 матфак|Основы программирования на Python-2]] || Математика || 2-4 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(филология)|Цифровая грамотность]] || Филология || 1 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(ИИ_и_культурология)|Цифровая грамотность]] || История искусств и Культурология || 1 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(ИЯМК_2019)|Цифровая грамотность]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 1 курс || 3-4 модули
|-
| [[Основы_анализа_и_визуализации_данных_ДИЯ_2019|Анализ и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 3-4 модули
|-
| [[Научно-исследовательский_семинар_2019| Научно-исследовательский семинар]] || Политология || 1 курс || 3 модуль
|-
| [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|-
| [[Основы_программирования_в_Python_2019|Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модули
|-
| [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули
|-
| [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[ПМСАР-1|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 2 г.о. || 3-4 модули
|-
| [[Искусственный интеллект и большие данные_(2019)|Искусственный интеллект и большие данные]] || Дизайн, Мода, Современное искусство || 1 курс || 3-4 модули
|-
| [[Информационный менеджмент: Введение в Data Science|Информационный менеджмент: Введение в Data Science]] || Управление бизнесом Маркетинг и рыночная аналитика || 1 курс || 4 модуль
|-
| [[Технологии анализа больших данных|Технологии анализа больших данных]] || ГМУ || 1 курс || 4 модуль
|-
| [[Основы программирования на Python (Прикладное программное обеспечение)|Основы программирования на Python (Прикладное программное обеспечение)]] || Социология || 1 курс || 4 модуль
|-
| [[Основы работы с данными|Основы работы с данными]] || Медиакоммуникации || 2 курс || 4 модуль
|-
| [[Введение_в_data_science_Социология_1_курс|Профориентационный семинар (Data Culture)]] || Социология || 1 курс || 4 модуль
|-
| [[Введение_в_анализ_данных_МирЭк_2019|Введение в анализ данных]] || Мировая экономика || 1 курс || 4 модуль

|}

=== 1 семестр ===

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

|-
| [[Основы анализа данных в международных отношениях 2018/2019|Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули
|-
| [[Introduction_to_Data_Culture_2018-2019|Introduction to Data Culture]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 1 курс || 2 модуль
|-
| [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули
|-
| [[Цифровая грамотность(востоковедение)|Цифровая грамотность]] || Востоковедение || 1 курс || 1 модуль
|-
| [[Разработка управленческих решений в маркетинге | Разработка управленческих решений в маркетинге]] || Маркетинг и рыночная аналитика || 2 курс || 1-2 модули
|-
| [[Информационные технологии в деятельности юриста_2018-2019| Информационные технологии в деятельности юриста]] || Юриспруденция || 1 курс || 2 модуль
|-
| [[Машинное обучение на матфаке 2018/2019| Машинное обучение]] || Факультет математики || 2-4 курсы || 1-2 модули
|-
| [[ПМСАР-2| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули
|-
| [[Анализ данных в Python (Политологи 1 семестр 1-2 модули)|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули
|-
| [[Основы анализа и визуализации данных для медиа (Журналисты 1 семестр 1 модуль)|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль
|-
| [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[Введение в анализ текстов на Python для ФГН 2018|Введение в анализ текстов на Python для ФГН 2018]] || Фундаментальная и компьютерная лингвистика || 3 курс || 1, 2, 4 модули
|-
| [[Машинное обучение (ФЭН)]] || Факультет экономических наук || 3-4 курсы || 1-2 модули
|-
| [[Программирование_(python)_для_экономистов|Программирование (Python) для экономистов]] || Факультет экономических наук || 2 курс || 1-2 модули
|-
| [[Цифровая грамотность(философия)|Цифровая грамотность]] || Философия || 1 курс || 1-2 модули
|-
| [[Цифровая_грамотность_(историки)|Цифровая грамотность]] || История || 1 курс || 1-2 модули
|-
| [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 1-2 модули
|-
| [[Статистический анализ в среде R (Социологи 1 семестр 2 модуль)|Статистический анализ в среде R ]] || Социология || 4 курс || 2 модуль
|-
| [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|}

==Courses of the Statistical Learning Theory program==
[[Neurobayesian_models_2019|Neurobayesian models]]

== Курсы за 2017/18 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|

[[Математический_анализ_на_ПМИ_2017/2018_(пилотный_поток) | Математический анализ на ПМИ 2017/2018 (пилотный поток)]]

[[Математический_анализ_на_ПМИ_2017/2018_(основной_поток) | Математический анализ на ПМИ 2017/2018 (основной поток)]]

[[Основы_и_методология_программирования_на_ПМИ_2017/2018_(пилотный_поток,_1_модуль) | Основы и методология программирования на ПМИ 2017/2018 (пилотный поток, 1 модуль)]]

[[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_2_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 2 модуль)]]

[[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_3_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 3 модуль)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_2017/2018_(основной_поток) | Алгоритмы и структуры данных на ПМИ 2017/2018 (основной поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[Дискретная_математика_1_2017/2018 | Дискретная математика-1 на ПМИ]]

[[Алгоритмы и структуры данных 1 | Алгоритмы и структуры данных – 1 (пилотный поток)]]

[[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]

[http://hsealgebra18.wikidot.com Алгебра на ПИ]

||
[[Теория_вероятностей_2017/2018_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2017/2018_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Математический анализ-3 на ПМИ_2017/2018_(основной_поток) | Математический анализ-2 на ПМИ (основной поток)]]

[[Математический анализ на ПМИ_2017/2018 | Математический анализ-3 на ПМИ (пилотный поток)]]

[[DM2-pilot2017/2018 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[DM_2_2017_2018 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Алгоритмы и структуры данных_2_2017/2018 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Дифференциальные уравнения (2 курс, 2017/2018)| Дифференциальные уравнения]]

||
[[Машинное_обучение_1/2017_2018 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2/2017_2018 | Машинное обучение 2 на ПМИ]]

[[Численные_методы_2017 | Численные методы]]

[[Statistics of Stochastic Processes|Статистика случайных процессов 2018]]

[[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]

[[Theory_of_Computing | Theory of Computing, AMI]]

[[Statistical_learning_theory | Introduction to statistical learning theory]]

[[Основные_методы_анализа_данных_(специализация_АДИС) | Основные методы анализа данных на ПМИ]]

[[Анализ неструктурированных данных]]

[[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]

[[НИС_Распределенные_системы_(3_курс,_2017) | НИС Распределенные системы]]

[[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]

[[Непрерывная_оптимизация | Непрерывная оптимизация]]

[[ Сложность_и_логика| Сложность вычислений и логика в теоретической информатике]]

[[Data_analysis_(Software_Engineering)_2018 | Data Analysis на ПИ]]

[http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]

[http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных Машинное обучение на больших данных]

[[Дискретная_оптимизация | Дискретная оптимизация]]

||

[[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]

[[Философия_науки_2017 | Философия науки]]

[[НИС_Распределенные_системы_(4_курс,_2017) | НИС Распределенные системы]]

[[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]

[[Анализ неструктурированных данных]]

[[Байесовские методы машинного обучения 2017 | Байесовские методы машинного обучения]]

[[Функциональное программирование 2018 | Функциональное программирование]]

[http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]

||

[[Современные методы машинного обучения (курс майнора) 2017/2018]]

[[Введение в программирование (курс майнора) 2017/2018]]

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2017-2018 | Введение в анализ данных (курс майнора)]]

[[Прикладные задачи анализа данных (майнор - весна 2018)]]

[[Маго-лего "Линейная алгебра в приложениях" весна 2018 | Линейная алгебра в приложениях (маго-лего)]]

[[Функциональный анализ 2017/18 | Функциональный анализ на ПМИ (факультатив)]]

[[Дополнительные главы теории вероятностей и математической статистики (факультативы) | Дополнительные главы теории вероятностей и математической статистики (факультативы)]]

[[Дополнительные главы дискретной математики 2017/18 | Дополнительные главы дискретной математики (факультатив)]]

[[Цифровые технологии в гуманитарных науках]]

|}

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

=== 2 семестр ===

[[Цифровая_грамотность_2018_(2_семестр)|Цифровая грамотность (факультет гуманитарных наук — 2 семестр: ИЯМК, Филология, История искусств, Культурология, 1 курс)]] 
[[Научно-исследовательский семинар (ФСН) |Научно-исследовательский семинар (ОП "Политология", 1 курс)]] 
[[Introduction_to_Data_Culture|Introduction to Data Culture (HSE and University of London Parallel Degree Programme in International Relations, 1 year)]] 
[[ИИ_и_БД|Искусственный интеллект и большие данные (ОП "Дизайн", "Мода", 1 курс)]] 
[[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП "Фундаментальная и компьютерная лингвистика", 4 курс, 2 семестр)]] 
[[Основы анализа данных в международных отношениях|Основы анализа данных в международных отношениях (ОП "Международные отношения", 2 курс, 4 модуль)]] 
[[Введение в data science (2_семестр)|Профориентационный семинар (блок по введению в data scicence) (Факультет социальных наук — 2 семестр: Социология, 1 курс)]] 
[[Введение в Data Science| Введение в Data Science (ФБиМ, 4 модуль)]] 

=== 1 семестр ===

[[Цифровая_грамотность|Цифровая грамотность (факультет гуманитарных наук — 1 семестр: История, Философия, 1 курс)]] 
[[Машинное обучение (факультет экономических наук)|Машинное обучение (факультет экономических наук)]] 
[[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП "Фундаментальная и компьютерная лингвистика", 4 курс, 1 семестр)]] 
[[Извлечение и анализ интернет-данных | Извлечение и анализ интернет-данных (факультет экономических наук)]] 
[[Анализ больших данных в социальных науках (ФСН, 2017) | Анализ больших данных в социальных науках (ФСН, 2017)]] 
[[Информационные_технологии_в_деятельности_юриста|Информационные технологии в деятельности юриста (Факультет права)]] 
[[Машинное_обучение_для_лингвистов|Машинное обучение (магистратура Школы лингвистики)]] 

== Курсы магистратуры Финансовые технологии и анализ данных ==

[[Вероятностные_модели_и_прикладная_статистика_в_финансовой_математике|Вероятностные модели и прикладная статистика в финансовой математике]]

[[Рекомендательные системы и поиск закономерностей в данных|Рекомендательные системы и поиск закономерностей в данных]]

== Courses of Data Science master program/Курсы магистерской программы "Науки о данных" ==

[[Introduction to Machine Learning and Data Mining|Introduction to Machine Learning and Data Mining]]

== Курсы за 2016/17 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3-4 курс !! майноры
|-
|

[[Математический анализ на ПМИ_2016/2017 | Математический анализ на ПМИ (пилотный поток)]]

[[Линейная алгебра и геометрия_2016/2017 | Линейная алгебра и геометрия на ПМИ]]

[[Дискретная_математика_1_2016/2017 | Дискретная математика-1 на ПМИ]]

[[Основы и методология программирования_2016/2017_пилотный_поток | Основы и методология программирования на ПМИ (пилотный поток)]]

[[Основы и методология программирования_2016/2017 | Основы и методология программирования на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_(пилотный_поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_(основной_поток) | Алгоритмы и структуры данных на ПМИ (основной поток)]]

[[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]

[http://hsealgebra17.wikidot.com/ Алгебра на ПИ]

||

[[Математический анализ_2016/2017 | Математический анализ-3 на ПМИ (основной поток)]]

[[Математически_анализ_3_на_ПМИ_(пилотный_поток) | Математический анализ-3 на ПМИ (пилотный поток)]]

[[DM_2_2016_2017 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Дискретная математика_2_2016/2017 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[Алгоритмы и структуры данных_2_2016/2017 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Теория вероятностей_2016/2017 | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2016/2017_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы]]

[[Факультатив_теория_вычислений_2016/2017 | Факультатив теория вычислений на ПМИ]]

[[Дополнительные_главы_теории_вероятностей_(факультатив,_2017) | Дополнительные главы теории вероятностей (факультатив)]]

[[Дифференциальные_уравнения_(2_курс,_2016/2017) | Дифференциальные уравнения]]

[[Математическая_статистика_2016/2017_(пилотный_поток) | Математическая статистика на ПМИ (пилотный поток)]]

[[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы ]]

||

[[НИС_Машинное_обучение_и_приложения_2016/2017 | НИС Машинное обучение и приложения на ПМИ]]

[[Машинное_обучение_1/2016_2017 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2/2016_2017 | Машинное обучение 2 на ПМИ]]

[[Прикладной_статистический_анализ_данных | Прикладной статистический анализ данных на ПМИ]]

[[Численные_методы_в_анализе_данных | Численные методы в анализе данных на ПМИ]]

[http://www.machinelearning.ru/wiki/index.php?title=Статистика_случайных_процессов_(курс_лекций,_ФКН_ВШЭ) Вероятностные модели и статистика случайных процессов на ПМИ]

[http://www.machinelearning.ru/wiki/index.php?title=Opt Методы оптимизации на ПМИ (специализации МОП и РС)]

[[Методы_оптимизации_(весна_2017)|Методы оптимизации 2 (дискретная оптимизация)]]

[[НИС_Распределенные_системы_(осень_2016) | НИС Распределенные системы]]

[[Анализ и верификация алгоритмов биржевой торговли | Анализ и верификация алгоритмов для систем биржевой торговли ]]

[[Программирование_на_графических_процессорах | Программирование на графических процессорах]]

[[ЯРПО | Языки разработки ПО (курс по выбору) на ПМИ]]

[[Data analysis (Software Engineering) 2017 | Data analysis на ПИ]]

[[Базы данных 2 | Базы данных 2 ]]

[[Компьютерные сети 2 | Компьютерные сети 2]]

[[Машинное_обучение_на_больших_данных | Машинное обучение на больших данных на ПМИ]]

||

[[Современные_методы_машинного_обучения_(курс_майнора) | Современные методы машинного обучения (курс майнора)]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_программирование_2016/2017 | Введение в программирование (курс майнора)]]

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2016-2017 | Введение в анализ данных (курс майнора)]]

[[Майнор Интеллектуальный анализ данных/Прикладные задачи анализа данных| Прикладные задачи анализа данных (курс майнора)]]

|}

{|width=100%
|style="vertical-align:top;"|



=== Курсы за 2015/16 учебный год ===
{|
|-
| [[Технологии программирования|Технологии программирования на ПМИ]]
|-
|[[ОиМП-2015|Основы и методология программирования на ПМИ]]
|-
|[[Алгоритмы и структуры данных 2016]]
|-
|[[Линейная алгебра и геометрия_2015/2016 | Линейная алгебра и геометрия на ПМИ]]
|-
|[[Алгебра_2015/2016 | Алгебра на ПМИ]]
|-
|[http://hsealgebra.wikidot.com/ Алгебра на ПИ]
|-
|[[Компьютерные системы]]
|-
|[[Математический анализ на ПМИ_2015/2016 | Математический анализ на ПМИ]]
|-
|[[Факультатив_Матпрактикум | Матпрактикум (факультатив) на ПМИ]]
|-
|[[Data analysis (Software Engineering)]] 
|-
|[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора) на ПМИ]]
|-
|[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2015-2016|Введение в анализ данных (курс майнора) на ПМИ]]
|-
|[[НИС Машинное обучение и приложения|НИС Машинное обучение и приложения на ПМИ]]
|-
|[[Архитектура компьютеров и системное программирование (ПМИ_4, 2015/2016)|Архитектура компьютеров и системное программирование (4 курс)]]
|-
|[[Дифференциальные уравнения (2 курс, 2015/2016)| Дифференциальные уравнения]]
|-
|[[Введение в VBA|Введение в VBA]]
|}

|style="vertical-align:top;"|



=== Курсы за 2014/15 учебный год ===
{|
|-
|[[Основы и методологии программирования]] 
|-
|[[Алгоритмы и структуры данных 2015 | Алгоритмы и структуры данных]] 
|-
|[[Анализ данных (Программная инженерия)]] 
|-
|[[Алгебра_2014/2015 | Алгебра]] 
|-
|[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]
|}

==== Проектная работа ====
{|
|-
|[[Проектная работа]] 
|-
|[[Учебная практика 1 курс (2016)]]
|-
|[[Проектная работа 2 курс (2016)]]
|}


|}

== Мероприятия факультета компьютерных наук ==
=== Summer School 2015 ===
[[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]
#[[Lecture 1. Introduction|Introduction]]
#[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]
#[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]
#[[Lecture 4. Parsing|Parsing]]
#[[Lecture 5. Language sources|Language sources]]
#[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]
#[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]
#[[NLP References|References]]

== Архив ==
* [[Учебная практика 1 курс (2015)]]

О факультете

2019-09-01T22:34:34Z

Psfedorov: /* 1 семестр */

__NOTOC__

= Учебные курсы факультета компьютерных наук =

== Курсы за 2019/20 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|

||

[[DM2-basic2019/2020 | Дискретная математика-2 на ПМИ (основной поток)]]

[[DM2-pilot2019/2020 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[Теория_вероятностей_2019/2020_(основной_поток)| Теория_вероятностей_2019/2020 на ПМИ (основной поток)]]

[[Математический_анализ_2019/2020_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]
||

||

||

||

|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==
=== 1 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули

|-
| [[ Основы анализа и визуализация данных для медиа 2019/2020 | Основы анализа и визуализации данных для медиа ]] || Журналистика || 4 курс || 1 модуль
|-
| [[Основы программирования на Python осень 2019 матфак|Основы программирования на Python-1]] || Математика || 1-4 курс || 1-2 модули
|-
| [[ Цифровая грамотность (История 2019) | Цифровая грамотность ]] || История || 1 курс || 1-2 модули
|-
| [[ Цифровая грамотность (Востоковедение 2019) | Цифровая грамотность ]] || Востоковедение|| 1 курс || 1-2 модули
|-
| [[ПМСАР-2_2019| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули
|}

=Архив=
== Курсы за 2018/19 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|

[[Математический_анализ_на_ПМИ_2018/2019_(пилотный_поток) | Математический анализ на ПМИ (пилотный поток)]]

[[Математический_анализ_на_ПМИ_2018/2019_(основной_поток) | Математический анализ на ПМИ (основной поток)]]

[[Calculus_DSBA_2018/2019 | Calculus I DSBA (ПАД)]]

[[Основы_и_методология_программирования_на_ПМИ_2018/2019_(пилотный_поток) | Основы и методология программирования на ПМИ (пилотный поток)]]

[[Основы_и_методология_программирования_на_ПМИ_2019_(С%2B%2B,_основной_поток) | Основы и методология программирования на ПМИ (С++, основной поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[LAaG_DSBA_2018/2019 | LAaG DSBA]]

[[Дискретная_математика_1_2018/2019 | Дискретная математика-1 на ПМИ]]

[[Discrete Mathematics DSBA |Discrete Mathematics DSBA (ПАД)]]

[[Introduction_to_programming | Introduction to programming DSBA (ПАД)]]

[[Introduction_to_programming_2 | Introduction to programming 2 DSBA (ПАД)]]

[[Алгебра_на_ПМИ_2018/2019_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]

[[Алгебра_на_ПМИ_2018/2019_(основной_поток) | Алгебра на ПМИ (основной поток)]]

[[Algebra_DSBA_2018/2019 | Algebra DSBA]]

[http://hsealgebra19.wikidot.com Алгебра на ПИ]

[[Алгоритмы_и_структуры_данных_2018/2019 | Алгоритмы и структуры данных на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

||

[http://math-info.hse.ru/s18/t Дифференциальные уравнения]

[[Теория_вероятностей_2018/2019_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2018/2019_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Математический_анализ_2018/2019_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]

[[Математический_анализ_2018/2019_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]

[[DM2-pilot2018/2019 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[DM2-basic2018/2019 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_2_2018/2019 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Факультатив Теория вычислений]]

||

[[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]

[[Численные_Методы_2018 | Численные методы ]]

[[PDC | Параллельные и распределенные вычисления]]

[[Theory_of_Computing_2018_2019 | Theory of Computing, AMI]]

[[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]

[[Прикладная_статистика_в_машинном_обучении(2018)|Прикладная статистика в машинном обучении]]

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

[[НИС_РС|НИС Распределенные системы]]

[[Основные методы анализа данных]]

[[Теория баз данных]]

[[Непрерывная оптимизация/2019|Непрерывная оптимизация (161-162)]]

[[Непрерывная оптимизация (163-167)]]

[[Сложность вычислений и логика в теоретической информатике]]

[[Data analysis (Software Engineering) 2019|Data analysis]]

[[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]

[[Intro to DL Blended | Intro to DL Blended]]

[[Дискретная оптимизация 2019 | Дискретная оптимизация 2019]]

||

[[Statistical_learning_theory_2018_2019 | Introduction to statistical learning theory]]

[[Анализ_неструктурированных_данных-2018 |Анализ неструктурированных данных ]]

[[Байесовские_методы_машинного_обучения_2018|Байесовские методы машинного обучения]]

[[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]

[[НИС_Науки_о_данных_2018/2019|НИС Науки о данных]]

[[НИС_Распределенные_системы_(4_курс,_2018)|НИС Распределенные системы]]

[[Теория_Информации_2018/2019|Теория информации]]

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

[[Методы_и_системы_обработки_больших_данных_(осень_2018)|Методы и системы обработки больших данных]]

[[Философия_науки_2018|Философия науки]]

[[Теория баз данных]]

[[ConvAppr19 | Выпуклое программирование и аппроксимационные алгоритмы (ТИ)]]

[[Функциональное программирование 2019 | Функциональное программирование]]

[[A_Theorist's_Toolkit_2018_2019 | A Theorist's Toolkit, AMI]]

[[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]

||
[[Дополнительные главы теории вероятностей 2019 | Дополнительные главы теории вероятностей 2019]]

[[Дополнительные главы математической статистики 2019 | Дополнительные главы математической статистики 2019]]

[[Введение в программирование (курс майнора) 2018/2019]]

[[dopglavy_DM_1819|Допглавы дискретной математики]]

[[Современные_методы_машинного_обучения_(курс_майнора)_2018/2019 | Современные методы машинного обучения (курс майнора) 2018/2019]]

[[Прикладные_задачи_анализа_данных_(майнор_-_весна_2019) | Прикладные задачи анализа данных (майнор - весна 2019)]]

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных | Введение в анализ данных (курс майнора)]]

[[Функциональный анализ (весна_2019) | Функциональный анализ (весна_2019)]]

[https://docs.google.com/document/d/1annCGZMrnLaXghIroe2Oq2xA1IOPQcD6w7x0H0HbudU/edit?usp=sharing Язык Kotlin (3 и 4 модули 2018-2019)]

||

|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==
=== 2 семестр ===

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

|-
| [[Основы программирования на Python весна 2019 матфак|Основы программирования на Python-2]] || Математика || 2-4 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(филология)|Цифровая грамотность]] || Филология || 1 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(ИИ_и_культурология)|Цифровая грамотность]] || История искусств и Культурология || 1 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(ИЯМК_2019)|Цифровая грамотность]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 1 курс || 3-4 модули
|-
| [[Основы_анализа_и_визуализации_данных_ДИЯ_2019|Анализ и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 3-4 модули
|-
| [[Научно-исследовательский_семинар_2019| Научно-исследовательский семинар]] || Политология || 1 курс || 3 модуль
|-
| [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|-
| [[Основы_программирования_в_Python_2019|Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модули
|-
| [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули
|-
| [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[ПМСАР-1|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 2 г.о. || 3-4 модули
|-
| [[Искусственный интеллект и большие данные_(2019)|Искусственный интеллект и большие данные]] || Дизайн, Мода, Современное искусство || 1 курс || 3-4 модули
|-
| [[Информационный менеджмент: Введение в Data Science|Информационный менеджмент: Введение в Data Science]] || Управление бизнесом Маркетинг и рыночная аналитика || 1 курс || 4 модуль
|-
| [[Технологии анализа больших данных|Технологии анализа больших данных]] || ГМУ || 1 курс || 4 модуль
|-
| [[Основы программирования на Python (Прикладное программное обеспечение)|Основы программирования на Python (Прикладное программное обеспечение)]] || Социология || 1 курс || 4 модуль
|-
| [[Основы работы с данными|Основы работы с данными]] || Медиакоммуникации || 2 курс || 4 модуль
|-
| [[Введение_в_data_science_Социология_1_курс|Профориентационный семинар (Data Culture)]] || Социология || 1 курс || 4 модуль
|-
| [[Введение_в_анализ_данных_МирЭк_2019|Введение в анализ данных]] || Мировая экономика || 1 курс || 4 модуль

|}

=== 1 семестр ===

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

|-
| [[Основы анализа данных в международных отношениях 2018/2019|Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули
|-
| [[Introduction_to_Data_Culture_2018-2019|Introduction to Data Culture]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 1 курс || 2 модуль
|-
| [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули
|-
| [[Цифровая грамотность(востоковедение)|Цифровая грамотность]] || Востоковедение || 1 курс || 1 модуль
|-
| [[Разработка управленческих решений в маркетинге | Разработка управленческих решений в маркетинге]] || Маркетинг и рыночная аналитика || 2 курс || 1-2 модули
|-
| [[Информационные технологии в деятельности юриста_2018-2019| Информационные технологии в деятельности юриста]] || Юриспруденция || 1 курс || 2 модуль
|-
| [[Машинное обучение на матфаке 2018/2019| Машинное обучение]] || Факультет математики || 2-4 курсы || 1-2 модули
|-
| [[ПМСАР-2| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули
|-
| [[Анализ данных в Python (Политологи 1 семестр 1-2 модули)|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули
|-
| [[Основы анализа и визуализации данных для медиа (Журналисты 1 семестр 1 модуль)|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль
|-
| [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[Введение в анализ текстов на Python для ФГН 2018|Введение в анализ текстов на Python для ФГН 2018]] || Фундаментальная и компьютерная лингвистика || 3 курс || 1, 2, 4 модули
|-
| [[Машинное обучение (ФЭН)]] || Факультет экономических наук || 3-4 курсы || 1-2 модули
|-
| [[Программирование_(python)_для_экономистов|Программирование (Python) для экономистов]] || Факультет экономических наук || 2 курс || 1-2 модули
|-
| [[Цифровая грамотность(философия)|Цифровая грамотность]] || Философия || 1 курс || 1-2 модули
|-
| [[Цифровая_грамотность_(историки)|Цифровая грамотность]] || История || 1 курс || 1-2 модули
|-
| [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 1-2 модули
|-
| [[Статистический анализ в среде R (Социологи 1 семестр 2 модуль)|Статистический анализ в среде R ]] || Социология || 4 курс || 2 модуль
|-
| [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|}

==Courses of the Statistical Learning Theory program==
[[Neurobayesian_models_2019|Neurobayesian models]]

== Курсы за 2017/18 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|

[[Математический_анализ_на_ПМИ_2017/2018_(пилотный_поток) | Математический анализ на ПМИ 2017/2018 (пилотный поток)]]

[[Математический_анализ_на_ПМИ_2017/2018_(основной_поток) | Математический анализ на ПМИ 2017/2018 (основной поток)]]

[[Основы_и_методология_программирования_на_ПМИ_2017/2018_(пилотный_поток,_1_модуль) | Основы и методология программирования на ПМИ 2017/2018 (пилотный поток, 1 модуль)]]

[[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_2_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 2 модуль)]]

[[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_3_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 3 модуль)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_2017/2018_(основной_поток) | Алгоритмы и структуры данных на ПМИ 2017/2018 (основной поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[Дискретная_математика_1_2017/2018 | Дискретная математика-1 на ПМИ]]

[[Алгоритмы и структуры данных 1 | Алгоритмы и структуры данных – 1 (пилотный поток)]]

[[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]

[http://hsealgebra18.wikidot.com Алгебра на ПИ]

||
[[Теория_вероятностей_2017/2018_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2017/2018_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Математический анализ-3 на ПМИ_2017/2018_(основной_поток) | Математический анализ-2 на ПМИ (основной поток)]]

[[Математический анализ на ПМИ_2017/2018 | Математический анализ-3 на ПМИ (пилотный поток)]]

[[DM2-pilot2017/2018 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[DM_2_2017_2018 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Алгоритмы и структуры данных_2_2017/2018 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Дифференциальные уравнения (2 курс, 2017/2018)| Дифференциальные уравнения]]

||
[[Машинное_обучение_1/2017_2018 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2/2017_2018 | Машинное обучение 2 на ПМИ]]

[[Численные_методы_2017 | Численные методы]]

[[Statistics of Stochastic Processes|Статистика случайных процессов 2018]]

[[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]

[[Theory_of_Computing | Theory of Computing, AMI]]

[[Statistical_learning_theory | Introduction to statistical learning theory]]

[[Основные_методы_анализа_данных_(специализация_АДИС) | Основные методы анализа данных на ПМИ]]

[[Анализ неструктурированных данных]]

[[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]

[[НИС_Распределенные_системы_(3_курс,_2017) | НИС Распределенные системы]]

[[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]

[[Непрерывная_оптимизация | Непрерывная оптимизация]]

[[ Сложность_и_логика| Сложность вычислений и логика в теоретической информатике]]

[[Data_analysis_(Software_Engineering)_2018 | Data Analysis на ПИ]]

[http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]

[http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных Машинное обучение на больших данных]

[[Дискретная_оптимизация | Дискретная оптимизация]]

||

[[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]

[[Философия_науки_2017 | Философия науки]]

[[НИС_Распределенные_системы_(4_курс,_2017) | НИС Распределенные системы]]

[[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]

[[Анализ неструктурированных данных]]

[[Байесовские методы машинного обучения 2017 | Байесовские методы машинного обучения]]

[[Функциональное программирование 2018 | Функциональное программирование]]

[http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]

||

[[Современные методы машинного обучения (курс майнора) 2017/2018]]

[[Введение в программирование (курс майнора) 2017/2018]]

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2017-2018 | Введение в анализ данных (курс майнора)]]

[[Прикладные задачи анализа данных (майнор - весна 2018)]]

[[Маго-лего "Линейная алгебра в приложениях" весна 2018 | Линейная алгебра в приложениях (маго-лего)]]

[[Функциональный анализ 2017/18 | Функциональный анализ на ПМИ (факультатив)]]

[[Дополнительные главы теории вероятностей и математической статистики (факультативы) | Дополнительные главы теории вероятностей и математической статистики (факультативы)]]

[[Дополнительные главы дискретной математики 2017/18 | Дополнительные главы дискретной математики (факультатив)]]

[[Цифровые технологии в гуманитарных науках]]

|}

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

=== 2 семестр ===

[[Цифровая_грамотность_2018_(2_семестр)|Цифровая грамотность (факультет гуманитарных наук — 2 семестр: ИЯМК, Филология, История искусств, Культурология, 1 курс)]] 
[[Научно-исследовательский семинар (ФСН) |Научно-исследовательский семинар (ОП "Политология", 1 курс)]] 
[[Introduction_to_Data_Culture|Introduction to Data Culture (HSE and University of London Parallel Degree Programme in International Relations, 1 year)]] 
[[ИИ_и_БД|Искусственный интеллект и большие данные (ОП "Дизайн", "Мода", 1 курс)]] 
[[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП "Фундаментальная и компьютерная лингвистика", 4 курс, 2 семестр)]] 
[[Основы анализа данных в международных отношениях|Основы анализа данных в международных отношениях (ОП "Международные отношения", 2 курс, 4 модуль)]] 
[[Введение в data science (2_семестр)|Профориентационный семинар (блок по введению в data scicence) (Факультет социальных наук — 2 семестр: Социология, 1 курс)]] 
[[Введение в Data Science| Введение в Data Science (ФБиМ, 4 модуль)]] 

=== 1 семестр ===

[[Цифровая_грамотность|Цифровая грамотность (факультет гуманитарных наук — 1 семестр: История, Философия, 1 курс)]] 
[[Машинное обучение (факультет экономических наук)|Машинное обучение (факультет экономических наук)]] 
[[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП "Фундаментальная и компьютерная лингвистика", 4 курс, 1 семестр)]] 
[[Извлечение и анализ интернет-данных | Извлечение и анализ интернет-данных (факультет экономических наук)]] 
[[Анализ больших данных в социальных науках (ФСН, 2017) | Анализ больших данных в социальных науках (ФСН, 2017)]] 
[[Информационные_технологии_в_деятельности_юриста|Информационные технологии в деятельности юриста (Факультет права)]] 
[[Машинное_обучение_для_лингвистов|Машинное обучение (магистратура Школы лингвистики)]] 

== Курсы магистратуры Финансовые технологии и анализ данных ==

[[Вероятностные_модели_и_прикладная_статистика_в_финансовой_математике|Вероятностные модели и прикладная статистика в финансовой математике]]

[[Рекомендательные системы и поиск закономерностей в данных|Рекомендательные системы и поиск закономерностей в данных]]

== Courses of Data Science master program/Курсы магистерской программы "Науки о данных" ==

[[Introduction to Machine Learning and Data Mining|Introduction to Machine Learning and Data Mining]]

== Курсы за 2016/17 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3-4 курс !! майноры
|-
|

[[Математический анализ на ПМИ_2016/2017 | Математический анализ на ПМИ (пилотный поток)]]

[[Линейная алгебра и геометрия_2016/2017 | Линейная алгебра и геометрия на ПМИ]]

[[Дискретная_математика_1_2016/2017 | Дискретная математика-1 на ПМИ]]

[[Основы и методология программирования_2016/2017_пилотный_поток | Основы и методология программирования на ПМИ (пилотный поток)]]

[[Основы и методология программирования_2016/2017 | Основы и методология программирования на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_(пилотный_поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_(основной_поток) | Алгоритмы и структуры данных на ПМИ (основной поток)]]

[[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]

[http://hsealgebra17.wikidot.com/ Алгебра на ПИ]

||

[[Математический анализ_2016/2017 | Математический анализ-3 на ПМИ (основной поток)]]

[[Математически_анализ_3_на_ПМИ_(пилотный_поток) | Математический анализ-3 на ПМИ (пилотный поток)]]

[[DM_2_2016_2017 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Дискретная математика_2_2016/2017 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[Алгоритмы и структуры данных_2_2016/2017 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Теория вероятностей_2016/2017 | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2016/2017_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы]]

[[Факультатив_теория_вычислений_2016/2017 | Факультатив теория вычислений на ПМИ]]

[[Дополнительные_главы_теории_вероятностей_(факультатив,_2017) | Дополнительные главы теории вероятностей (факультатив)]]

[[Дифференциальные_уравнения_(2_курс,_2016/2017) | Дифференциальные уравнения]]

[[Математическая_статистика_2016/2017_(пилотный_поток) | Математическая статистика на ПМИ (пилотный поток)]]

[[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы ]]

||

[[НИС_Машинное_обучение_и_приложения_2016/2017 | НИС Машинное обучение и приложения на ПМИ]]

[[Машинное_обучение_1/2016_2017 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2/2016_2017 | Машинное обучение 2 на ПМИ]]

[[Прикладной_статистический_анализ_данных | Прикладной статистический анализ данных на ПМИ]]

[[Численные_методы_в_анализе_данных | Численные методы в анализе данных на ПМИ]]

[http://www.machinelearning.ru/wiki/index.php?title=Статистика_случайных_процессов_(курс_лекций,_ФКН_ВШЭ) Вероятностные модели и статистика случайных процессов на ПМИ]

[http://www.machinelearning.ru/wiki/index.php?title=Opt Методы оптимизации на ПМИ (специализации МОП и РС)]

[[Методы_оптимизации_(весна_2017)|Методы оптимизации 2 (дискретная оптимизация)]]

[[НИС_Распределенные_системы_(осень_2016) | НИС Распределенные системы]]

[[Анализ и верификация алгоритмов биржевой торговли | Анализ и верификация алгоритмов для систем биржевой торговли ]]

[[Программирование_на_графических_процессорах | Программирование на графических процессорах]]

[[ЯРПО | Языки разработки ПО (курс по выбору) на ПМИ]]

[[Data analysis (Software Engineering) 2017 | Data analysis на ПИ]]

[[Базы данных 2 | Базы данных 2 ]]

[[Компьютерные сети 2 | Компьютерные сети 2]]

[[Машинное_обучение_на_больших_данных | Машинное обучение на больших данных на ПМИ]]

||

[[Современные_методы_машинного_обучения_(курс_майнора) | Современные методы машинного обучения (курс майнора)]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_программирование_2016/2017 | Введение в программирование (курс майнора)]]

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2016-2017 | Введение в анализ данных (курс майнора)]]

[[Майнор Интеллектуальный анализ данных/Прикладные задачи анализа данных| Прикладные задачи анализа данных (курс майнора)]]

|}

{|width=100%
|style="vertical-align:top;"|



=== Курсы за 2015/16 учебный год ===
{|
|-
| [[Технологии программирования|Технологии программирования на ПМИ]]
|-
|[[ОиМП-2015|Основы и методология программирования на ПМИ]]
|-
|[[Алгоритмы и структуры данных 2016]]
|-
|[[Линейная алгебра и геометрия_2015/2016 | Линейная алгебра и геометрия на ПМИ]]
|-
|[[Алгебра_2015/2016 | Алгебра на ПМИ]]
|-
|[http://hsealgebra.wikidot.com/ Алгебра на ПИ]
|-
|[[Компьютерные системы]]
|-
|[[Математический анализ на ПМИ_2015/2016 | Математический анализ на ПМИ]]
|-
|[[Факультатив_Матпрактикум | Матпрактикум (факультатив) на ПМИ]]
|-
|[[Data analysis (Software Engineering)]] 
|-
|[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора) на ПМИ]]
|-
|[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2015-2016|Введение в анализ данных (курс майнора) на ПМИ]]
|-
|[[НИС Машинное обучение и приложения|НИС Машинное обучение и приложения на ПМИ]]
|-
|[[Архитектура компьютеров и системное программирование (ПМИ_4, 2015/2016)|Архитектура компьютеров и системное программирование (4 курс)]]
|-
|[[Дифференциальные уравнения (2 курс, 2015/2016)| Дифференциальные уравнения]]
|-
|[[Введение в VBA|Введение в VBA]]
|}

|style="vertical-align:top;"|



=== Курсы за 2014/15 учебный год ===
{|
|-
|[[Основы и методологии программирования]] 
|-
|[[Алгоритмы и структуры данных 2015 | Алгоритмы и структуры данных]] 
|-
|[[Анализ данных (Программная инженерия)]] 
|-
|[[Алгебра_2014/2015 | Алгебра]] 
|-
|[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]
|}

==== Проектная работа ====
{|
|-
|[[Проектная работа]] 
|-
|[[Учебная практика 1 курс (2016)]]
|-
|[[Проектная работа 2 курс (2016)]]
|}


|}

== Мероприятия факультета компьютерных наук ==
=== Summer School 2015 ===
[[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]
#[[Lecture 1. Introduction|Introduction]]
#[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]
#[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]
#[[Lecture 4. Parsing|Parsing]]
#[[Lecture 5. Language sources|Language sources]]
#[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]
#[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]
#[[NLP References|References]]

== Архив ==
* [[Учебная практика 1 курс (2015)]]

Работа с данными

2019-08-30T12:01:58Z

Psfedorov: /* Примеры оценочных средств */

==Темы курса==
'''Содержание разделов дисциплины:'''

'''Тема 1. Введение '''
Знакомство с преподавателем и курсом. Мотивирующая часть про анализ данных и ML. Введение в курс (что будем изучать, как оценивать). Краткая информация по пунктам курса. Вводная информация по анализу данных, примеры использования из отрасли. Демонстрация анализа данных на «не очевидном» статистическом примере (можно взять пример про «похудение» и статистическую значимость. Несколько примеров, где отсутствие грамотного анализа приводило к неблагоприятным последствиям (можно рассказать историю о финансировании Билл-Гейтсом маленьких школ и показать на примере опыта «орел-решка» эффект регрессии к среднему).

'''Тема 2. Статистика. Распределения ''' Вероятность и распределение. Параметры распределения (мода, медиана, среднее, эксцесс, ассиметрия, размах, дисперсия, стандартное отклонение). Вводная информация о основах статистики (распределения, параметры гистограммы (отличие медианы, моды и среднего арифметического), уровень значимости, дисперсия, доверительные интервалы. Примеры анализа статистики на прикладных отраслевых задачах (распределение доходов телезрителей).

'''Тема 3. Статистика. Доверительные интервалы и проверка гипотез ''' Понятие доверительного интервала. Расчет доверительного интервала и примеры . Проверка гипотез с помощью доверительного интервала. Расчет 3 сигм с примерами.

'''Тема 4. Проверка гипотез ''' Критерии значимости. Уровень значимости. Критерий Стьюдента, Фишера, Хи квадрат, Мана Уитни. Проверка гипотез с помощью критериев. Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.

'''Тема 5. Корреляция и др. способы обработки данных ''' Корреляция, автокорреляция. Спектральная область. Фильтры временных рядов. Фракталы, вейвлеты, свертка.

'''Тема 6. Основы машинного обучения ''' Что такое ML и где применяется. Задачи классификации, регрессии, кластеризации, ранжирования и прогнозирования временного ряда. Основные алгоритмы ML. 5 Исторических парадигм развития ML. Вводная информация о основах машинного обучения (что это такое, задача классификации, регрессии, кластеризации), основные проблемы и метрики. Примеры использования машинного обучения на прикладных отраслевых задачах (рекомендательные системы).
Типы данных. Предобработка данных. Переобучение и регуляризация. Метрики качества (полнота, точность, f1 мера, roc-auc, confusion matrix). Какие алгоритмы для каких задач лучше подходят

'''Тема 7. Основы работы с данными ''' Каким данным можно доверять? Основные способы манипулирования данными. Когнитивные искажения при интерпретации данных.

==Примеры оценочных средств==
'''Задание 14 является блокирующим'''

===Задание 1.===
Проведение эксперимента показывающего случайное распределение. Проведение опроса из вопросов о группе (рост, бал ЕГЭ и т.д..)
===Задание 2.===
Тест на знание основ статистики. Тест из 10 вопросов с 2-4 вариантами ответов.
===Задание 3.===
Расчет характеристик распределения. Расчет характеристик гистограммы распределения, построение гистограммы распределения на основе данных задания 1.
===Задание 4.===
Проведение эксперимента зависимости одной величины от другой. Проведение 20 измерений высоты отскока мяча от высоты падения (либо из опроса в группе). (не оцениваемое)
===Задание 5.===
Расчет доверительного интервала.
===Задание 6.===
Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.
===Задание 7.===
A/B тест. Проверка гипотезы на основе А/B теста.
===Задание 8.===
Расчет статистик, доверительного интервала и критериев значимости в Excel
===Задание 9.===
Построение бинарного классификатора. Построение классификатора на основе данных о пассажирах с Титаника (можно заменить на отраслевую задачу).
===Задание 10.===
Решение задачи регрессии. Построение модели предсказания стоимости авто (фильма, книги…).
===Задание 11.===
Решение задачи кластеризации. Кластеризация данных на основе задачи «Ирисы» (сегментация клиентской базы) (не оцениваемое)
===Задание 12.===
Решение задачи подбора оптимального алгоритма классификации/регрессии. Подбор оптимального алгоритма для решения задачи классификации/регрессии. (в формате соревнования, победитель получит дополнительные баллы)
===Задание 13.===
Тест по итогам пройденной темы. Тест из 10 вопросов по пройденному материалу.
===Задание 14.===
Самостоятельный анализ набора данных с площадки Kaggle, на основе полученных знаний. Результат – презентация в формате «история» с изложением проделанной работы и выводов полученных из данных.

==Критерии оценивания==
Оценки по всем формам текущего контроля выставляются по 10-ти балльной шкале.
При оценивании заданий преподаватель опирается на следующие критерии:
===Задания 1-13 оцениваются по правилу:===
*Правильно выполнен расчет -10% оценки.
*Факт выполнения задания – 50% оценки.
*Ответ на дополнительные вопросы преподавателя и демонстрация понимания материала – 40% оценки.
===Оценка за задание 14 ставится по следующим правилам:===
*Выполнен анализ набора данных с только расчетом описательных статистик и представлены выводы в виде презентации либо эссе – 5 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции и представлены выводы в виде презентации либо эссе – 6-7 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев и представлены выводы в виде презентации либо эссе – 7-8 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев, построена предсказательная модель на основе алгоритма машинного обучения и представлены выводы в виде презентации либо эссе – 8-10 баллов.
*На оценку может влиять правильность расчета, глубина вывода и общее понимание выполненных действий.
*Так как модуль «Работа с данными» является частью дисциплины «Проектный семинар», в диплом выставляется средняя арифметическая оценка за все четыре года Проектного семинара.

===Итоговая оценка за курс===

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.1 * Oтест + 0.45 * ОРаздел 1 + 0.25 * ОРаздел 2 + 0.2 * Oзадание14, где

*Oтест - оценка за финальный тест
*ОРаздел 1 - средняя арифметическая оценка за задания 1-9
*ОРаздел 2 - средняя арифметическая оценка за задания 10–18
*Озадание14 - оценка за задание 14

Способ округления оценки за модуль — арифметический. Округление производится после выполнения всех вычислений внутри формулы, т.е. после умножения оценки за определенный вид деятельности на коэффициент она не округляется. Округляется только итоговая оценка.

==Полезные материалы==

# Дарелл Хафф. Как лгать при помощи статистики — М.: Альпина Паблишер, 2015.
# Miroslav Kubat. An Introduction to Machine Learning. Springer, 2015.
# Gordon S. Linoff and Michael J.A. Berry Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, Third Edition. John Wiley & Sons, 2011.
# Mohammed, Mohssen Khan, Muhammad Badruddin Bashier, Eihab Bashier Mohammed. Machine Learning: Algorithms and Applications. Auerbach Publications, 2017.
# Джафаров, К.А. Теория вероятностей и математическая статистика : учебное пособие / К.А. Джафаров ; Министерство образования и науки Российской Федерации, Новосибирский государственный технический университет. - Новосибирск : НГТУ, 2015.
# Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer series in statistics) Hastie, Trevor Tibshirani, Robert Friedman, J. H Penn, 2009.
# https://www.coursera.org/learn/stats-for-data-analysis
# https://studio.azureml.net
# https://www.gnu.org/software/pspp/
# https://docs.microsoft.com/ru-ru/power-bi/guided-learning/
# http://lib.alpinadigital.ru/
# https://library.books24x7.com
# http://biblioclub.ru

Работа с данными

2019-08-30T11:57:31Z

Psfedorov: /* Темы курса */

==Темы курса==
'''Содержание разделов дисциплины:'''

'''Тема 1. Введение '''
Знакомство с преподавателем и курсом. Мотивирующая часть про анализ данных и ML. Введение в курс (что будем изучать, как оценивать). Краткая информация по пунктам курса. Вводная информация по анализу данных, примеры использования из отрасли. Демонстрация анализа данных на «не очевидном» статистическом примере (можно взять пример про «похудение» и статистическую значимость. Несколько примеров, где отсутствие грамотного анализа приводило к неблагоприятным последствиям (можно рассказать историю о финансировании Билл-Гейтсом маленьких школ и показать на примере опыта «орел-решка» эффект регрессии к среднему).

'''Тема 2. Статистика. Распределения ''' Вероятность и распределение. Параметры распределения (мода, медиана, среднее, эксцесс, ассиметрия, размах, дисперсия, стандартное отклонение). Вводная информация о основах статистики (распределения, параметры гистограммы (отличие медианы, моды и среднего арифметического), уровень значимости, дисперсия, доверительные интервалы. Примеры анализа статистики на прикладных отраслевых задачах (распределение доходов телезрителей).

'''Тема 3. Статистика. Доверительные интервалы и проверка гипотез ''' Понятие доверительного интервала. Расчет доверительного интервала и примеры . Проверка гипотез с помощью доверительного интервала. Расчет 3 сигм с примерами.

'''Тема 4. Проверка гипотез ''' Критерии значимости. Уровень значимости. Критерий Стьюдента, Фишера, Хи квадрат, Мана Уитни. Проверка гипотез с помощью критериев. Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.

'''Тема 5. Корреляция и др. способы обработки данных ''' Корреляция, автокорреляция. Спектральная область. Фильтры временных рядов. Фракталы, вейвлеты, свертка.

'''Тема 6. Основы машинного обучения ''' Что такое ML и где применяется. Задачи классификации, регрессии, кластеризации, ранжирования и прогнозирования временного ряда. Основные алгоритмы ML. 5 Исторических парадигм развития ML. Вводная информация о основах машинного обучения (что это такое, задача классификации, регрессии, кластеризации), основные проблемы и метрики. Примеры использования машинного обучения на прикладных отраслевых задачах (рекомендательные системы).
Типы данных. Предобработка данных. Переобучение и регуляризация. Метрики качества (полнота, точность, f1 мера, roc-auc, confusion matrix). Какие алгоритмы для каких задач лучше подходят

'''Тема 7. Основы работы с данными ''' Каким данным можно доверять? Основные способы манипулирования данными. Когнитивные искажения при интерпретации данных.

==Примеры оценочных средств==
'''Задание 14 является блокирующим'''

===Задание 1.===
Проведение эксперимента показывающего случайное распределение. Проведение опроса из вопросов о группе (рост, бал ЕГЭ и т.д..)
===Задание 2.===
Тест на знание основ статистики. Тест из 10 вопросов с 2-4 вариантами ответов.
===Задание 3.===
Расчет характеристик распределения. Расчет характеристик гистограммы распределения, построение гистограммы распределения на основе данных задания 1.
===Задание 4.===
Проведение эксперимента зависимости одной величины от другой. Проведение 20 измерений высоты отскока мяча от высоты падения (либо из опроса в группе). (не оцениваемое)
===Задание 5.===
Расчет доверительного интервала.
===Задание 6.===
Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.
===Задание 7.===
A/B тест. Проверка гипотезы на основе А/B теста.
===Задание 8.===
Расчет статистик, доверительного интервала и критериев значимости в Excel
===Задание 9.===Построение бинарного классификатора. Построение классификатора на основе данных о пассажирах с Титаника (можно заменить на отраслевую задачу).
===Задание 10.===Решение задачи регрессии. Построение модели предсказания стоимости авто (фильма, книги…).
===Задание 11.===Решение задачи кластеризации. Кластеризация данных на основе задачи «Ирисы» (сегментация клиентской базы) (не оцениваемое)
===Задание 12.===
Решение задачи подбора оптимального алгоритма классификации/регрессии. Подбор оптимального алгоритма для решения задачи классификации/регрессии. (в формате соревнования, победитель получит дополнительные баллы)
===Задание 13.===Тест по итогам пройденной темы. Тест из 10 вопросов по пройденному материалу.
===Задание 14.===
Самостоятельный анализ набора данных с площадки Kaggle, на основе полученных знаний. Результат – презентация в формате «история» с изложением проделанной работы и выводов полученных из данных.

==Критерии оценивания==
Оценки по всем формам текущего контроля выставляются по 10-ти балльной шкале.
При оценивании заданий преподаватель опирается на следующие критерии:
===Задания 1-13 оцениваются по правилу:===
*Правильно выполнен расчет -10% оценки.
*Факт выполнения задания – 50% оценки.
*Ответ на дополнительные вопросы преподавателя и демонстрация понимания материала – 40% оценки.
===Оценка за задание 14 ставится по следующим правилам:===
*Выполнен анализ набора данных с только расчетом описательных статистик и представлены выводы в виде презентации либо эссе – 5 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции и представлены выводы в виде презентации либо эссе – 6-7 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев и представлены выводы в виде презентации либо эссе – 7-8 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев, построена предсказательная модель на основе алгоритма машинного обучения и представлены выводы в виде презентации либо эссе – 8-10 баллов.
*На оценку может влиять правильность расчета, глубина вывода и общее понимание выполненных действий.
*Так как модуль «Работа с данными» является частью дисциплины «Проектный семинар», в диплом выставляется средняя арифметическая оценка за все четыре года Проектного семинара.

===Итоговая оценка за курс===

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.1 * Oтест + 0.45 * ОРаздел 1 + 0.25 * ОРаздел 2 + 0.2 * Oзадание14, где

*Oтест - оценка за финальный тест
*ОРаздел 1 - средняя арифметическая оценка за задания 1-9
*ОРаздел 2 - средняя арифметическая оценка за задания 10–18
*Озадание14 - оценка за задание 14

Способ округления оценки за модуль — арифметический. Округление производится после выполнения всех вычислений внутри формулы, т.е. после умножения оценки за определенный вид деятельности на коэффициент она не округляется. Округляется только итоговая оценка.

==Полезные материалы==

# Дарелл Хафф. Как лгать при помощи статистики — М.: Альпина Паблишер, 2015.
# Miroslav Kubat. An Introduction to Machine Learning. Springer, 2015.
# Gordon S. Linoff and Michael J.A. Berry Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, Third Edition. John Wiley & Sons, 2011.
# Mohammed, Mohssen Khan, Muhammad Badruddin Bashier, Eihab Bashier Mohammed. Machine Learning: Algorithms and Applications. Auerbach Publications, 2017.
# Джафаров, К.А. Теория вероятностей и математическая статистика : учебное пособие / К.А. Джафаров ; Министерство образования и науки Российской Федерации, Новосибирский государственный технический университет. - Новосибирск : НГТУ, 2015.
# Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer series in statistics) Hastie, Trevor Tibshirani, Robert Friedman, J. H Penn, 2009.
# https://www.coursera.org/learn/stats-for-data-analysis
# https://studio.azureml.net
# https://www.gnu.org/software/pspp/
# https://docs.microsoft.com/ru-ru/power-bi/guided-learning/
# http://lib.alpinadigital.ru/
# https://library.books24x7.com
# http://biblioclub.ru

Работа с данными

2019-08-30T11:56:23Z

Psfedorov: /* Темы курса */

==Темы курса==
===Содержание разделов дисциплины:===
'''Тема 1. Введение '''
Знакомство с преподавателем и курсом. Мотивирующая часть про анализ данных и ML. Введение в курс (что будем изучать, как оценивать). Краткая информация по пунктам курса. Вводная информация по анализу данных, примеры использования из отрасли. Демонстрация анализа данных на «не очевидном» статистическом примере (можно взять пример про «похудение» и статистическую значимость. Несколько примеров, где отсутствие грамотного анализа приводило к неблагоприятным последствиям (можно рассказать историю о финансировании Билл-Гейтсом маленьких школ и показать на примере опыта «орел-решка» эффект регрессии к среднему).

'''Тема 2. Статистика. Распределения ''' Вероятность и распределение. Параметры распределения (мода, медиана, среднее, эксцесс, ассиметрия, размах, дисперсия, стандартное отклонение). Вводная информация о основах статистики (распределения, параметры гистограммы (отличие медианы, моды и среднего арифметического), уровень значимости, дисперсия, доверительные интервалы. Примеры анализа статистики на прикладных отраслевых задачах (распределение доходов телезрителей).

'''Тема 3. Статистика. Доверительные интервалы и проверка гипотез ''' Понятие доверительного интервала. Расчет доверительного интервала и примеры . Проверка гипотез с помощью доверительного интервала. Расчет 3 сигм с примерами.

'''Тема 4. Проверка гипотез ''' Критерии значимости. Уровень значимости. Критерий Стьюдента, Фишера, Хи квадрат, Мана Уитни. Проверка гипотез с помощью критериев. Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.

'''Тема 5. Корреляция и др. способы обработки данных ''' Корреляция, автокорреляция. Спектральная область. Фильтры временных рядов. Фракталы, вейвлеты, свертка.

'''Тема 6. Основы машинного обучения ''' Что такое ML и где применяется. Задачи классификации, регрессии, кластеризации, ранжирования и прогнозирования временного ряда. Основные алгоритмы ML. 5 Исторических парадигм развития ML. Вводная информация о основах машинного обучения (что это такое, задача классификации, регрессии, кластеризации), основные проблемы и метрики. Примеры использования машинного обучения на прикладных отраслевых задачах (рекомендательные системы).
Типы данных. Предобработка данных. Переобучение и регуляризация. Метрики качества (полнота, точность, f1 мера, roc-auc, confusion matrix). Какие алгоритмы для каких задач лучше подходят

'''Тема 7. Основы работы с данными ''' Каким данным можно доверять? Основные способы манипулирования данными. Когнитивные искажения при интерпретации данных.

==Примеры оценочных средств==
'''Задание 14 является блокирующим'''

===Задание 1.===
Проведение эксперимента показывающего случайное распределение. Проведение опроса из вопросов о группе (рост, бал ЕГЭ и т.д..)
===Задание 2.===
Тест на знание основ статистики. Тест из 10 вопросов с 2-4 вариантами ответов.
===Задание 3.===
Расчет характеристик распределения. Расчет характеристик гистограммы распределения, построение гистограммы распределения на основе данных задания 1.
===Задание 4.===
Проведение эксперимента зависимости одной величины от другой. Проведение 20 измерений высоты отскока мяча от высоты падения (либо из опроса в группе). (не оцениваемое)
===Задание 5.===
Расчет доверительного интервала.
===Задание 6.===
Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.
===Задание 7.===
A/B тест. Проверка гипотезы на основе А/B теста.
===Задание 8.===
Расчет статистик, доверительного интервала и критериев значимости в Excel
===Задание 9.===Построение бинарного классификатора. Построение классификатора на основе данных о пассажирах с Титаника (можно заменить на отраслевую задачу).
===Задание 10.===Решение задачи регрессии. Построение модели предсказания стоимости авто (фильма, книги…).
===Задание 11.===Решение задачи кластеризации. Кластеризация данных на основе задачи «Ирисы» (сегментация клиентской базы) (не оцениваемое)
===Задание 12.===
Решение задачи подбора оптимального алгоритма классификации/регрессии. Подбор оптимального алгоритма для решения задачи классификации/регрессии. (в формате соревнования, победитель получит дополнительные баллы)
===Задание 13.===Тест по итогам пройденной темы. Тест из 10 вопросов по пройденному материалу.
===Задание 14.===
Самостоятельный анализ набора данных с площадки Kaggle, на основе полученных знаний. Результат – презентация в формате «история» с изложением проделанной работы и выводов полученных из данных.

==Критерии оценивания==
Оценки по всем формам текущего контроля выставляются по 10-ти балльной шкале.
При оценивании заданий преподаватель опирается на следующие критерии:
===Задания 1-13 оцениваются по правилу:===
*Правильно выполнен расчет -10% оценки.
*Факт выполнения задания – 50% оценки.
*Ответ на дополнительные вопросы преподавателя и демонстрация понимания материала – 40% оценки.
===Оценка за задание 14 ставится по следующим правилам:===
*Выполнен анализ набора данных с только расчетом описательных статистик и представлены выводы в виде презентации либо эссе – 5 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции и представлены выводы в виде презентации либо эссе – 6-7 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев и представлены выводы в виде презентации либо эссе – 7-8 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев, построена предсказательная модель на основе алгоритма машинного обучения и представлены выводы в виде презентации либо эссе – 8-10 баллов.
*На оценку может влиять правильность расчета, глубина вывода и общее понимание выполненных действий.
*Так как модуль «Работа с данными» является частью дисциплины «Проектный семинар», в диплом выставляется средняя арифметическая оценка за все четыре года Проектного семинара.

===Итоговая оценка за курс===

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.1 * Oтест + 0.45 * ОРаздел 1 + 0.25 * ОРаздел 2 + 0.2 * Oзадание14, где

*Oтест - оценка за финальный тест
*ОРаздел 1 - средняя арифметическая оценка за задания 1-9
*ОРаздел 2 - средняя арифметическая оценка за задания 10–18
*Озадание14 - оценка за задание 14

Способ округления оценки за модуль — арифметический. Округление производится после выполнения всех вычислений внутри формулы, т.е. после умножения оценки за определенный вид деятельности на коэффициент она не округляется. Округляется только итоговая оценка.

==Полезные материалы==

# Дарелл Хафф. Как лгать при помощи статистики — М.: Альпина Паблишер, 2015.
# Miroslav Kubat. An Introduction to Machine Learning. Springer, 2015.
# Gordon S. Linoff and Michael J.A. Berry Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, Third Edition. John Wiley & Sons, 2011.
# Mohammed, Mohssen Khan, Muhammad Badruddin Bashier, Eihab Bashier Mohammed. Machine Learning: Algorithms and Applications. Auerbach Publications, 2017.
# Джафаров, К.А. Теория вероятностей и математическая статистика : учебное пособие / К.А. Джафаров ; Министерство образования и науки Российской Федерации, Новосибирский государственный технический университет. - Новосибирск : НГТУ, 2015.
# Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer series in statistics) Hastie, Trevor Tibshirani, Robert Friedman, J. H Penn, 2009.
# https://www.coursera.org/learn/stats-for-data-analysis
# https://studio.azureml.net
# https://www.gnu.org/software/pspp/
# https://docs.microsoft.com/ru-ru/power-bi/guided-learning/
# http://lib.alpinadigital.ru/
# https://library.books24x7.com
# http://biblioclub.ru

Работа с данными

2019-08-30T11:55:39Z

Psfedorov: /* Примеры оценочных средств*/

==Темы курса==
===Содержание разделов дисциплины:===
'''Тема 1. Введение '''
Знакомство с преподавателем и курсом. Мотивирующая часть про анализ данных и ML. Введение в курс (что будем изучать, как оценивать). Краткая информация по пунктам курса. Вводная информация по анализу данных, примеры использования из отрасли. Демонстрация анализа данных на «не очевидном» статистическом примере (можно взять пример про «похудение» и статистическую значимость. Несколько примеров, где отсутствие грамотного анализа приводило к неблагоприятным последствиям (можно рассказать историю о финансировании Билл-Гейтсом маленьких школ и показать на примере опыта «орел-решка» эффект регрессии к среднему).

'''Тема 2. Статистика. Распределения ''' Вероятность и распределение. Параметры распределения (мода, медиана, среднее, эксцесс, ассиметрия, размах, дисперсия, стандартное отклонение). Вводная информация о основах статистики (распределения, параметры гистограммы (отличие медианы, моды и среднего арифметического), уровень значимости, дисперсия, доверительные интервалы. Примеры анализа статистики на прикладных отраслевых задачах (распределение доходов телезрителей).

'''Тема 3. Статистика. Доверительные интервалы и проверка гипотез ''' Понятие доверительного интервала. Расчет доверительного интервала и примеры . Проверка гипотез с помощью доверительного интервала. Расчет 3 сигм с примерами.

'''Тема 4. Проверка гипотез ''' Критерии значимости. Уровень значимости. Критерий Стьюдента, Фишера, Хи квадрат, Мана Уитни. Проверка гипотез с помощью критериев. Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.

'''Тема 5. Корреляция и др. способы обработки данных ''' Корреляция, автокорреляция. Спектральная область. Фильтры временных рядов. Фракталы, вейвлеты, свертка.

'''Тема 6. Основы машинного обучения ''' Что такое ML и где применяется. Задачи классификации, регрессии, кластеризации, ранжирования и прогнозирования временного ряда. Основные алгоритмы ML. 5 Исторических парадигм развития ML. Вводная информация о основах машинного обучения (что это такое, задача классификации, регрессии, кластеризации), основные проблемы и метрики. Примеры использования машинного обучения на прикладных отраслевых задачах (рекомендательные системы).
Типы данных. Предобработка данных. Переобучение и регуляризация. Метрики качества (полнота, точность, f1 мера, roc-auc, confusion matrix). Какие алгоритмы для каких задач лучше подходят

'''Тема 7. Основы работы с данными ''' Каким данным можно доверять? Основные способы манипулирования данными. Когнитивные искажения при интерпретации данных.

===Примеры оценочных средств===
'''Задание 14 является блокирующим'''

===Задание 1.===
Проведение эксперимента показывающего случайное распределение. Проведение опроса из вопросов о группе (рост, бал ЕГЭ и т.д..)
===Задание 2.===
Тест на знание основ статистики. Тест из 10 вопросов с 2-4 вариантами ответов.
===Задание 3.===
Расчет характеристик распределения. Расчет характеристик гистограммы распределения, построение гистограммы распределения на основе данных задания 1.
===Задание 4.===
Проведение эксперимента зависимости одной величины от другой. Проведение 20 измерений высоты отскока мяча от высоты падения (либо из опроса в группе). (не оцениваемое)
===Задание 5.===
Расчет доверительного интервала.
===Задание 6.===
Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.
===Задание 7.===
A/B тест. Проверка гипотезы на основе А/B теста.
===Задание 8.===
Расчет статистик, доверительного интервала и критериев значимости в Excel
===Задание 9.===Построение бинарного классификатора. Построение классификатора на основе данных о пассажирах с Титаника (можно заменить на отраслевую задачу).
===Задание 10.===Решение задачи регрессии. Построение модели предсказания стоимости авто (фильма, книги…).
===Задание 11.===Решение задачи кластеризации. Кластеризация данных на основе задачи «Ирисы» (сегментация клиентской базы) (не оцениваемое)
===Задание 12.===
Решение задачи подбора оптимального алгоритма классификации/регрессии. Подбор оптимального алгоритма для решения задачи классификации/регрессии. (в формате соревнования, победитель получит дополнительные баллы)
===Задание 13.===Тест по итогам пройденной темы. Тест из 10 вопросов по пройденному материалу.
===Задание 14.===
Самостоятельный анализ набора данных с площадки Kaggle, на основе полученных знаний. Результат – презентация в формате «история» с изложением проделанной работы и выводов полученных из данных.

==Критерии оценивания==
Оценки по всем формам текущего контроля выставляются по 10-ти балльной шкале.
При оценивании заданий преподаватель опирается на следующие критерии:
===Задания 1-13 оцениваются по правилу:===
*Правильно выполнен расчет -10% оценки.
*Факт выполнения задания – 50% оценки.
*Ответ на дополнительные вопросы преподавателя и демонстрация понимания материала – 40% оценки.
===Оценка за задание 14 ставится по следующим правилам:===
*Выполнен анализ набора данных с только расчетом описательных статистик и представлены выводы в виде презентации либо эссе – 5 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции и представлены выводы в виде презентации либо эссе – 6-7 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев и представлены выводы в виде презентации либо эссе – 7-8 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев, построена предсказательная модель на основе алгоритма машинного обучения и представлены выводы в виде презентации либо эссе – 8-10 баллов.
*На оценку может влиять правильность расчета, глубина вывода и общее понимание выполненных действий.
*Так как модуль «Работа с данными» является частью дисциплины «Проектный семинар», в диплом выставляется средняя арифметическая оценка за все четыре года Проектного семинара.

===Итоговая оценка за курс===

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.1 * Oтест + 0.45 * ОРаздел 1 + 0.25 * ОРаздел 2 + 0.2 * Oзадание14, где

*Oтест - оценка за финальный тест
*ОРаздел 1 - средняя арифметическая оценка за задания 1-9
*ОРаздел 2 - средняя арифметическая оценка за задания 10–18
*Озадание14 - оценка за задание 14

Способ округления оценки за модуль — арифметический. Округление производится после выполнения всех вычислений внутри формулы, т.е. после умножения оценки за определенный вид деятельности на коэффициент она не округляется. Округляется только итоговая оценка.

==Полезные материалы==

# Дарелл Хафф. Как лгать при помощи статистики — М.: Альпина Паблишер, 2015.
# Miroslav Kubat. An Introduction to Machine Learning. Springer, 2015.
# Gordon S. Linoff and Michael J.A. Berry Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, Third Edition. John Wiley & Sons, 2011.
# Mohammed, Mohssen Khan, Muhammad Badruddin Bashier, Eihab Bashier Mohammed. Machine Learning: Algorithms and Applications. Auerbach Publications, 2017.
# Джафаров, К.А. Теория вероятностей и математическая статистика : учебное пособие / К.А. Джафаров ; Министерство образования и науки Российской Федерации, Новосибирский государственный технический университет. - Новосибирск : НГТУ, 2015.
# Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer series in statistics) Hastie, Trevor Tibshirani, Robert Friedman, J. H Penn, 2009.
# https://www.coursera.org/learn/stats-for-data-analysis
# https://studio.azureml.net
# https://www.gnu.org/software/pspp/
# https://docs.microsoft.com/ru-ru/power-bi/guided-learning/
# http://lib.alpinadigital.ru/
# https://library.books24x7.com
# http://biblioclub.ru

Работа с данными

2019-08-30T11:54:24Z

Psfedorov: /* Критерии оценивания */

==Темы курса==
===Содержание разделов дисциплины:===
'''Тема 1. Введение '''
Знакомство с преподавателем и курсом. Мотивирующая часть про анализ данных и ML. Введение в курс (что будем изучать, как оценивать). Краткая информация по пунктам курса. Вводная информация по анализу данных, примеры использования из отрасли. Демонстрация анализа данных на «не очевидном» статистическом примере (можно взять пример про «похудение» и статистическую значимость. Несколько примеров, где отсутствие грамотного анализа приводило к неблагоприятным последствиям (можно рассказать историю о финансировании Билл-Гейтсом маленьких школ и показать на примере опыта «орел-решка» эффект регрессии к среднему).

'''Тема 2. Статистика. Распределения ''' Вероятность и распределение. Параметры распределения (мода, медиана, среднее, эксцесс, ассиметрия, размах, дисперсия, стандартное отклонение). Вводная информация о основах статистики (распределения, параметры гистограммы (отличие медианы, моды и среднего арифметического), уровень значимости, дисперсия, доверительные интервалы. Примеры анализа статистики на прикладных отраслевых задачах (распределение доходов телезрителей).

'''Тема 3. Статистика. Доверительные интервалы и проверка гипотез ''' Понятие доверительного интервала. Расчет доверительного интервала и примеры . Проверка гипотез с помощью доверительного интервала. Расчет 3 сигм с примерами.

'''Тема 4. Проверка гипотез ''' Критерии значимости. Уровень значимости. Критерий Стьюдента, Фишера, Хи квадрат, Мана Уитни. Проверка гипотез с помощью критериев. Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.

'''Тема 5. Корреляция и др. способы обработки данных ''' Корреляция, автокорреляция. Спектральная область. Фильтры временных рядов. Фракталы, вейвлеты, свертка.

'''Тема 6. Основы машинного обучения ''' Что такое ML и где применяется. Задачи классификации, регрессии, кластеризации, ранжирования и прогнозирования временного ряда. Основные алгоритмы ML. 5 Исторических парадигм развития ML. Вводная информация о основах машинного обучения (что это такое, задача классификации, регрессии, кластеризации), основные проблемы и метрики. Примеры использования машинного обучения на прикладных отраслевых задачах (рекомендательные системы).
Типы данных. Предобработка данных. Переобучение и регуляризация. Метрики качества (полнота, точность, f1 мера, roc-auc, confusion matrix). Какие алгоритмы для каких задач лучше подходят

'''Тема 7. Основы работы с данными ''' Каким данным можно доверять? Основные способы манипулирования данными. Когнитивные искажения при интерпретации данных.

===Примеры оценочных===
'''Задание 14 является блокирующим'''

===Задание 1.===
Проведение эксперимента показывающего случайное распределение. Проведение опроса из вопросов о группе (рост, бал ЕГЭ и т.д..)
===Задание 2.===
Тест на знание основ статистики. Тест из 10 вопросов с 2-4 вариантами ответов.
===Задание 3.===
Расчет характеристик распределения. Расчет характеристик гистограммы распределения, построение гистограммы распределения на основе данных задания 1.
===Задание 4.===
Проведение эксперимента зависимости одной величины от другой. Проведение 20 измерений высоты отскока мяча от высоты падения (либо из опроса в группе). (не оцениваемое)
===Задание 5.===
Расчет доверительного интервала.
===Задание 6.===
Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.
===Задание 7.===
A/B тест. Проверка гипотезы на основе А/B теста.
===Задание 8.===
Расчет статистик, доверительного интервала и критериев значимости в Excel
===Задание 9.===Построение бинарного классификатора. Построение классификатора на основе данных о пассажирах с Титаника (можно заменить на отраслевую задачу).
===Задание 10.===Решение задачи регрессии. Построение модели предсказания стоимости авто (фильма, книги…).
===Задание 11.===Решение задачи кластеризации. Кластеризация данных на основе задачи «Ирисы» (сегментация клиентской базы) (не оцениваемое)
===Задание 12.===
Решение задачи подбора оптимального алгоритма классификации/регрессии. Подбор оптимального алгоритма для решения задачи классификации/регрессии. (в формате соревнования, победитель получит дополнительные баллы)
===Задание 13.===Тест по итогам пройденной темы. Тест из 10 вопросов по пройденному материалу.
===Задание 14.===
Самостоятельный анализ набора данных с площадки Kaggle, на основе полученных знаний. Результат – презентация в формате «история» с изложением проделанной работы и выводов полученных из данных.

==Критерии оценивания==
Оценки по всем формам текущего контроля выставляются по 10-ти балльной шкале.
При оценивании заданий преподаватель опирается на следующие критерии:
===Задания 1-13 оцениваются по правилу:===
*Правильно выполнен расчет -10% оценки.
*Факт выполнения задания – 50% оценки.
*Ответ на дополнительные вопросы преподавателя и демонстрация понимания материала – 40% оценки.
===Оценка за задание 14 ставится по следующим правилам:===
*Выполнен анализ набора данных с только расчетом описательных статистик и представлены выводы в виде презентации либо эссе – 5 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции и представлены выводы в виде презентации либо эссе – 6-7 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев и представлены выводы в виде презентации либо эссе – 7-8 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев, построена предсказательная модель на основе алгоритма машинного обучения и представлены выводы в виде презентации либо эссе – 8-10 баллов.
*На оценку может влиять правильность расчета, глубина вывода и общее понимание выполненных действий.
*Так как модуль «Работа с данными» является частью дисциплины «Проектный семинар», в диплом выставляется средняя арифметическая оценка за все четыре года Проектного семинара.

===Итоговая оценка за курс===

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.1 * Oтест + 0.45 * ОРаздел 1 + 0.25 * ОРаздел 2 + 0.2 * Oзадание14, где

*Oтест - оценка за финальный тест
*ОРаздел 1 - средняя арифметическая оценка за задания 1-9
*ОРаздел 2 - средняя арифметическая оценка за задания 10–18
*Озадание14 - оценка за задание 14

Способ округления оценки за модуль — арифметический. Округление производится после выполнения всех вычислений внутри формулы, т.е. после умножения оценки за определенный вид деятельности на коэффициент она не округляется. Округляется только итоговая оценка.

==Полезные материалы==

# Дарелл Хафф. Как лгать при помощи статистики — М.: Альпина Паблишер, 2015.
# Miroslav Kubat. An Introduction to Machine Learning. Springer, 2015.
# Gordon S. Linoff and Michael J.A. Berry Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, Third Edition. John Wiley & Sons, 2011.
# Mohammed, Mohssen Khan, Muhammad Badruddin Bashier, Eihab Bashier Mohammed. Machine Learning: Algorithms and Applications. Auerbach Publications, 2017.
# Джафаров, К.А. Теория вероятностей и математическая статистика : учебное пособие / К.А. Джафаров ; Министерство образования и науки Российской Федерации, Новосибирский государственный технический университет. - Новосибирск : НГТУ, 2015.
# Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer series in statistics) Hastie, Trevor Tibshirani, Robert Friedman, J. H Penn, 2009.
# https://www.coursera.org/learn/stats-for-data-analysis
# https://studio.azureml.net
# https://www.gnu.org/software/pspp/
# https://docs.microsoft.com/ru-ru/power-bi/guided-learning/
# http://lib.alpinadigital.ru/
# https://library.books24x7.com
# http://biblioclub.ru

Работа с данными

2019-08-30T11:53:47Z

Psfedorov: /* Примеры оценочных средств */

==Темы курса==
===Содержание разделов дисциплины:===
'''Тема 1. Введение '''
Знакомство с преподавателем и курсом. Мотивирующая часть про анализ данных и ML. Введение в курс (что будем изучать, как оценивать). Краткая информация по пунктам курса. Вводная информация по анализу данных, примеры использования из отрасли. Демонстрация анализа данных на «не очевидном» статистическом примере (можно взять пример про «похудение» и статистическую значимость. Несколько примеров, где отсутствие грамотного анализа приводило к неблагоприятным последствиям (можно рассказать историю о финансировании Билл-Гейтсом маленьких школ и показать на примере опыта «орел-решка» эффект регрессии к среднему).

'''Тема 2. Статистика. Распределения ''' Вероятность и распределение. Параметры распределения (мода, медиана, среднее, эксцесс, ассиметрия, размах, дисперсия, стандартное отклонение). Вводная информация о основах статистики (распределения, параметры гистограммы (отличие медианы, моды и среднего арифметического), уровень значимости, дисперсия, доверительные интервалы. Примеры анализа статистики на прикладных отраслевых задачах (распределение доходов телезрителей).

'''Тема 3. Статистика. Доверительные интервалы и проверка гипотез ''' Понятие доверительного интервала. Расчет доверительного интервала и примеры . Проверка гипотез с помощью доверительного интервала. Расчет 3 сигм с примерами.

'''Тема 4. Проверка гипотез ''' Критерии значимости. Уровень значимости. Критерий Стьюдента, Фишера, Хи квадрат, Мана Уитни. Проверка гипотез с помощью критериев. Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.

'''Тема 5. Корреляция и др. способы обработки данных ''' Корреляция, автокорреляция. Спектральная область. Фильтры временных рядов. Фракталы, вейвлеты, свертка.

'''Тема 6. Основы машинного обучения ''' Что такое ML и где применяется. Задачи классификации, регрессии, кластеризации, ранжирования и прогнозирования временного ряда. Основные алгоритмы ML. 5 Исторических парадигм развития ML. Вводная информация о основах машинного обучения (что это такое, задача классификации, регрессии, кластеризации), основные проблемы и метрики. Примеры использования машинного обучения на прикладных отраслевых задачах (рекомендательные системы).
Типы данных. Предобработка данных. Переобучение и регуляризация. Метрики качества (полнота, точность, f1 мера, roc-auc, confusion matrix). Какие алгоритмы для каких задач лучше подходят

'''Тема 7. Основы работы с данными ''' Каким данным можно доверять? Основные способы манипулирования данными. Когнитивные искажения при интерпретации данных.

===Примеры оценочных===
'''Задание 14 является блокирующим'''

===Задание 1.===
Проведение эксперимента показывающего случайное распределение. Проведение опроса из вопросов о группе (рост, бал ЕГЭ и т.д..)
===Задание 2.===
Тест на знание основ статистики. Тест из 10 вопросов с 2-4 вариантами ответов.
===Задание 3.===
Расчет характеристик распределения. Расчет характеристик гистограммы распределения, построение гистограммы распределения на основе данных задания 1.
===Задание 4.===
Проведение эксперимента зависимости одной величины от другой. Проведение 20 измерений высоты отскока мяча от высоты падения (либо из опроса в группе). (не оцениваемое)
===Задание 5.===
Расчет доверительного интервала.
===Задание 6.===
Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.
===Задание 7.===
A/B тест. Проверка гипотезы на основе А/B теста.
===Задание 8.===
Расчет статистик, доверительного интервала и критериев значимости в Excel
===Задание 9.===Построение бинарного классификатора. Построение классификатора на основе данных о пассажирах с Титаника (можно заменить на отраслевую задачу).
===Задание 10.===Решение задачи регрессии. Построение модели предсказания стоимости авто (фильма, книги…).
===Задание 11.===Решение задачи кластеризации. Кластеризация данных на основе задачи «Ирисы» (сегментация клиентской базы) (не оцениваемое)
===Задание 12.===
Решение задачи подбора оптимального алгоритма классификации/регрессии. Подбор оптимального алгоритма для решения задачи классификации/регрессии. (в формате соревнования, победитель получит дополнительные баллы)
===Задание 13.===Тест по итогам пройденной темы. Тест из 10 вопросов по пройденному материалу.
===Задание 14.===
Самостоятельный анализ набора данных с площадки Kaggle, на основе полученных знаний. Результат – презентация в формате «история» с изложением проделанной работы и выводов полученных из данных.

==Критерии оценивания==
Оценки по всем формам текущего контроля выставляются по 10-ти балльной шкале.
При оценивании заданий преподаватель опирается на следующие критерии:
===Задания 1-13 оцениваются по правилу:===
*Правильно выполнен расчет -10% оценки.
*Факт выполнения задания – 50% оценки.
*Ответ на дополнительные вопросы преподавателя и демонстрация понимания материала – 40% оценки.
====Оценка за задание 14 ставится по следующим правилам:====
*Выполнен анализ набора данных с только расчетом описательных статистик и представлены выводы в виде презентации либо эссе – 5 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции и представлены выводы в виде презентации либо эссе – 6-7 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев и представлены выводы в виде презентации либо эссе – 7-8 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев, построена предсказательная модель на основе алгоритма машинного обучения и представлены выводы в виде презентации либо эссе – 8-10 баллов.
*На оценку может влиять правильность расчета, глубина вывода и общее понимание выполненных действий.
*Так как модуль «Работа с данными» является частью дисциплины «Проектный семинар», в диплом выставляется средняя арифметическая оценка за все четыре года Проектного семинара.

===Итоговая оценка за курс===

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.1 * Oтест + 0.45 * ОРаздел 1 + 0.25 * ОРаздел 2 + 0.2 * Oзадание14, где

*Oтест - оценка за финальный тест
*ОРаздел 1 - средняя арифметическая оценка за задания 1-9
*ОРаздел 2 - средняя арифметическая оценка за задания 10–18
*Озадание14 - оценка за задание 14

Способ округления оценки за модуль — арифметический. Округление производится после выполнения всех вычислений внутри формулы, т.е. после умножения оценки за определенный вид деятельности на коэффициент она не округляется. Округляется только итоговая оценка.

==Полезные материалы==

# Дарелл Хафф. Как лгать при помощи статистики — М.: Альпина Паблишер, 2015.
# Miroslav Kubat. An Introduction to Machine Learning. Springer, 2015.
# Gordon S. Linoff and Michael J.A. Berry Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, Third Edition. John Wiley & Sons, 2011.
# Mohammed, Mohssen Khan, Muhammad Badruddin Bashier, Eihab Bashier Mohammed. Machine Learning: Algorithms and Applications. Auerbach Publications, 2017.
# Джафаров, К.А. Теория вероятностей и математическая статистика : учебное пособие / К.А. Джафаров ; Министерство образования и науки Российской Федерации, Новосибирский государственный технический университет. - Новосибирск : НГТУ, 2015.
# Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer series in statistics) Hastie, Trevor Tibshirani, Robert Friedman, J. H Penn, 2009.
# https://www.coursera.org/learn/stats-for-data-analysis
# https://studio.azureml.net
# https://www.gnu.org/software/pspp/
# https://docs.microsoft.com/ru-ru/power-bi/guided-learning/
# http://lib.alpinadigital.ru/
# https://library.books24x7.com
# http://biblioclub.ru

Работа с данными

2019-08-30T11:52:09Z

Psfedorov: /* Содержание разделов дисциплины: */

==Темы курса==
===Содержание разделов дисциплины:===
'''Тема 1. Введение '''
Знакомство с преподавателем и курсом. Мотивирующая часть про анализ данных и ML. Введение в курс (что будем изучать, как оценивать). Краткая информация по пунктам курса. Вводная информация по анализу данных, примеры использования из отрасли. Демонстрация анализа данных на «не очевидном» статистическом примере (можно взять пример про «похудение» и статистическую значимость. Несколько примеров, где отсутствие грамотного анализа приводило к неблагоприятным последствиям (можно рассказать историю о финансировании Билл-Гейтсом маленьких школ и показать на примере опыта «орел-решка» эффект регрессии к среднему).

'''Тема 2. Статистика. Распределения ''' Вероятность и распределение. Параметры распределения (мода, медиана, среднее, эксцесс, ассиметрия, размах, дисперсия, стандартное отклонение). Вводная информация о основах статистики (распределения, параметры гистограммы (отличие медианы, моды и среднего арифметического), уровень значимости, дисперсия, доверительные интервалы. Примеры анализа статистики на прикладных отраслевых задачах (распределение доходов телезрителей).

'''Тема 3. Статистика. Доверительные интервалы и проверка гипотез ''' Понятие доверительного интервала. Расчет доверительного интервала и примеры . Проверка гипотез с помощью доверительного интервала. Расчет 3 сигм с примерами.

'''Тема 4. Проверка гипотез ''' Критерии значимости. Уровень значимости. Критерий Стьюдента, Фишера, Хи квадрат, Мана Уитни. Проверка гипотез с помощью критериев. Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.

'''Тема 5. Корреляция и др. способы обработки данных ''' Корреляция, автокорреляция. Спектральная область. Фильтры временных рядов. Фракталы, вейвлеты, свертка.

'''Тема 6. Основы машинного обучения ''' Что такое ML и где применяется. Задачи классификации, регрессии, кластеризации, ранжирования и прогнозирования временного ряда. Основные алгоритмы ML. 5 Исторических парадигм развития ML. Вводная информация о основах машинного обучения (что это такое, задача классификации, регрессии, кластеризации), основные проблемы и метрики. Примеры использования машинного обучения на прикладных отраслевых задачах (рекомендательные системы).
Типы данных. Предобработка данных. Переобучение и регуляризация. Метрики качества (полнота, точность, f1 мера, roc-auc, confusion matrix). Какие алгоритмы для каких задач лучше подходят

'''Тема 7. Основы работы с данными ''' Каким данным можно доверять? Основные способы манипулирования данными. Когнитивные искажения при интерпретации данных.

==Примеры оценочных средств ==
===Задание 14 является блокирующим===

===Задание 1.===
Проведение эксперимента показывающего случайное распределение. Проведение опроса из вопросов о группе (рост, бал ЕГЭ и т.д..)
===Задание 2.===
Тест на знание основ статистики. Тест из 10 вопросов с 2-4 вариантами ответов.
===Задание 3.===
Расчет характеристик распределения. Расчет характеристик гистограммы распределения, построение гистограммы распределения на основе данных задания 1.
===Задание 4.===
Проведение эксперимента зависимости одной величины от другой. Проведение 20 измерений высоты отскока мяча от высоты падения (либо из опроса в группе). (не оцениваемое)
===Задание 5.===
Расчет доверительного интервала.
===Задание 6.===
Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.
===Задание 7.===
A/B тест. Проверка гипотезы на основе А/B теста.
===Задание 8.===
Расчет статистик, доверительного интервала и критериев значимости в Excel
===Задание 9.===Построение бинарного классификатора. Построение классификатора на основе данных о пассажирах с Титаника (можно заменить на отраслевую задачу).
===Задание 10.===Решение задачи регрессии. Построение модели предсказания стоимости авто (фильма, книги…).
===Задание 11.===Решение задачи кластеризации. Кластеризация данных на основе задачи «Ирисы» (сегментация клиентской базы) (не оцениваемое)
===Задание 12.===
Решение задачи подбора оптимального алгоритма классификации/регрессии. Подбор оптимального алгоритма для решения задачи классификации/регрессии. (в формате соревнования, победитель получит дополнительные баллы)
===Задание 13.===Тест по итогам пройденной темы. Тест из 10 вопросов по пройденному материалу.
===Задание 14.===
Самостоятельный анализ набора данных с площадки Kaggle, на основе полученных знаний. Результат – презентация в формате «история» с изложением проделанной работы и выводов полученных из данных.

==Критерии оценивания==
Оценки по всем формам текущего контроля выставляются по 10-ти балльной шкале.
При оценивании заданий преподаватель опирается на следующие критерии:
===Задания 1-13 оцениваются по правилу:===
*Правильно выполнен расчет -10% оценки.
*Факт выполнения задания – 50% оценки.
*Ответ на дополнительные вопросы преподавателя и демонстрация понимания материала – 40% оценки.
====Оценка за задание 14 ставится по следующим правилам:====
*Выполнен анализ набора данных с только расчетом описательных статистик и представлены выводы в виде презентации либо эссе – 5 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции и представлены выводы в виде презентации либо эссе – 6-7 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев и представлены выводы в виде презентации либо эссе – 7-8 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев, построена предсказательная модель на основе алгоритма машинного обучения и представлены выводы в виде презентации либо эссе – 8-10 баллов.
*На оценку может влиять правильность расчета, глубина вывода и общее понимание выполненных действий.
*Так как модуль «Работа с данными» является частью дисциплины «Проектный семинар», в диплом выставляется средняя арифметическая оценка за все четыре года Проектного семинара.

===Итоговая оценка за курс===

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.1 * Oтест + 0.45 * ОРаздел 1 + 0.25 * ОРаздел 2 + 0.2 * Oзадание14, где

*Oтест - оценка за финальный тест
*ОРаздел 1 - средняя арифметическая оценка за задания 1-9
*ОРаздел 2 - средняя арифметическая оценка за задания 10–18
*Озадание14 - оценка за задание 14

Способ округления оценки за модуль — арифметический. Округление производится после выполнения всех вычислений внутри формулы, т.е. после умножения оценки за определенный вид деятельности на коэффициент она не округляется. Округляется только итоговая оценка.

==Полезные материалы==

# Дарелл Хафф. Как лгать при помощи статистики — М.: Альпина Паблишер, 2015.
# Miroslav Kubat. An Introduction to Machine Learning. Springer, 2015.
# Gordon S. Linoff and Michael J.A. Berry Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, Third Edition. John Wiley & Sons, 2011.
# Mohammed, Mohssen Khan, Muhammad Badruddin Bashier, Eihab Bashier Mohammed. Machine Learning: Algorithms and Applications. Auerbach Publications, 2017.
# Джафаров, К.А. Теория вероятностей и математическая статистика : учебное пособие / К.А. Джафаров ; Министерство образования и науки Российской Федерации, Новосибирский государственный технический университет. - Новосибирск : НГТУ, 2015.
# Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer series in statistics) Hastie, Trevor Tibshirani, Robert Friedman, J. H Penn, 2009.
# https://www.coursera.org/learn/stats-for-data-analysis
# https://studio.azureml.net
# https://www.gnu.org/software/pspp/
# https://docs.microsoft.com/ru-ru/power-bi/guided-learning/
# http://lib.alpinadigital.ru/
# https://library.books24x7.com
# http://biblioclub.ru

Работа с данными

2019-08-30T11:51:25Z

Psfedorov: /* Проверочные задания */

==Темы курса==
===Обработка данных, статистика, проверка гипотез===
'''Тема 1. Введение '''
Знакомство с преподавателем и курсом. Мотивирующая часть про анализ данных и ML. Введение в курс (что будем изучать, как оценивать). Краткая информация по пунктам курса. Вводная информация по анализу данных, примеры использования из отрасли. Демонстрация анализа данных на «не очевидном» статистическом примере (можно взять пример про «похудение» и статистическую значимость. Несколько примеров, где отсутствие грамотного анализа приводило к неблагоприятным последствиям (можно рассказать историю о финансировании Билл-Гейтсом маленьких школ и показать на примере опыта «орел-решка» эффект регрессии к среднему).

'''Тема 2. Статистика. Распределения ''' Вероятность и распределение. Параметры распределения (мода, медиана, среднее, эксцесс, ассиметрия, размах, дисперсия, стандартное отклонение). Вводная информация о основах статистики (распределения, параметры гистограммы (отличие медианы, моды и среднего арифметического), уровень значимости, дисперсия, доверительные интервалы. Примеры анализа статистики на прикладных отраслевых задачах (распределение доходов телезрителей).

'''Тема 3. Статистика. Доверительные интервалы и проверка гипотез ''' Понятие доверительного интервала. Расчет доверительного интервала и примеры . Проверка гипотез с помощью доверительного интервала. Расчет 3 сигм с примерами.

'''Тема 4. Проверка гипотез ''' Критерии значимости. Уровень значимости. Критерий Стьюдента, Фишера, Хи квадрат, Мана Уитни. Проверка гипотез с помощью критериев. Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.

'''Тема 5. Корреляция и др. способы обработки данных ''' Корреляция, автокорреляция. Спектральная область. Фильтры временных рядов. Фракталы, вейвлеты, свертка.

'''Тема 6. Основы машинного обучения ''' Что такое ML и где применяется. Задачи классификации, регрессии, кластеризации, ранжирования и прогнозирования временного ряда. Основные алгоритмы ML. 5 Исторических парадигм развития ML. Вводная информация о основах машинного обучения (что это такое, задача классификации, регрессии, кластеризации), основные проблемы и метрики. Примеры использования машинного обучения на прикладных отраслевых задачах (рекомендательные системы).
Типы данных. Предобработка данных. Переобучение и регуляризация. Метрики качества (полнота, точность, f1 мера, roc-auc, confusion matrix). Какие алгоритмы для каких задач лучше подходят

'''Тема 7. Основы работы с данными ''' Каким данным можно доверять? Основные способы манипулирования данными. Когнитивные искажения при интерпретации данных.

==Примеры оценочных средств ==
===Задание 14 является блокирующим===

===Задание 1.===
Проведение эксперимента показывающего случайное распределение. Проведение опроса из вопросов о группе (рост, бал ЕГЭ и т.д..)
===Задание 2.===
Тест на знание основ статистики. Тест из 10 вопросов с 2-4 вариантами ответов.
===Задание 3.===
Расчет характеристик распределения. Расчет характеристик гистограммы распределения, построение гистограммы распределения на основе данных задания 1.
===Задание 4.===
Проведение эксперимента зависимости одной величины от другой. Проведение 20 измерений высоты отскока мяча от высоты падения (либо из опроса в группе). (не оцениваемое)
===Задание 5.===
Расчет доверительного интервала.
===Задание 6.===
Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.
===Задание 7.===
A/B тест. Проверка гипотезы на основе А/B теста.
===Задание 8.===
Расчет статистик, доверительного интервала и критериев значимости в Excel
===Задание 9.===Построение бинарного классификатора. Построение классификатора на основе данных о пассажирах с Титаника (можно заменить на отраслевую задачу).
===Задание 10.===Решение задачи регрессии. Построение модели предсказания стоимости авто (фильма, книги…).
===Задание 11.===Решение задачи кластеризации. Кластеризация данных на основе задачи «Ирисы» (сегментация клиентской базы) (не оцениваемое)
===Задание 12.===
Решение задачи подбора оптимального алгоритма классификации/регрессии. Подбор оптимального алгоритма для решения задачи классификации/регрессии. (в формате соревнования, победитель получит дополнительные баллы)
===Задание 13.===Тест по итогам пройденной темы. Тест из 10 вопросов по пройденному материалу.
===Задание 14.===
Самостоятельный анализ набора данных с площадки Kaggle, на основе полученных знаний. Результат – презентация в формате «история» с изложением проделанной работы и выводов полученных из данных.

==Критерии оценивания==
Оценки по всем формам текущего контроля выставляются по 10-ти балльной шкале.
При оценивании заданий преподаватель опирается на следующие критерии:
===Задания 1-13 оцениваются по правилу:===
*Правильно выполнен расчет -10% оценки.
*Факт выполнения задания – 50% оценки.
*Ответ на дополнительные вопросы преподавателя и демонстрация понимания материала – 40% оценки.
====Оценка за задание 14 ставится по следующим правилам:====
*Выполнен анализ набора данных с только расчетом описательных статистик и представлены выводы в виде презентации либо эссе – 5 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции и представлены выводы в виде презентации либо эссе – 6-7 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев и представлены выводы в виде презентации либо эссе – 7-8 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев, построена предсказательная модель на основе алгоритма машинного обучения и представлены выводы в виде презентации либо эссе – 8-10 баллов.
*На оценку может влиять правильность расчета, глубина вывода и общее понимание выполненных действий.
*Так как модуль «Работа с данными» является частью дисциплины «Проектный семинар», в диплом выставляется средняя арифметическая оценка за все четыре года Проектного семинара.

===Итоговая оценка за курс===

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.1 * Oтест + 0.45 * ОРаздел 1 + 0.25 * ОРаздел 2 + 0.2 * Oзадание14, где

*Oтест - оценка за финальный тест
*ОРаздел 1 - средняя арифметическая оценка за задания 1-9
*ОРаздел 2 - средняя арифметическая оценка за задания 10–18
*Озадание14 - оценка за задание 14

Способ округления оценки за модуль — арифметический. Округление производится после выполнения всех вычислений внутри формулы, т.е. после умножения оценки за определенный вид деятельности на коэффициент она не округляется. Округляется только итоговая оценка.

==Полезные материалы==

# Дарелл Хафф. Как лгать при помощи статистики — М.: Альпина Паблишер, 2015.
# Miroslav Kubat. An Introduction to Machine Learning. Springer, 2015.
# Gordon S. Linoff and Michael J.A. Berry Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, Third Edition. John Wiley & Sons, 2011.
# Mohammed, Mohssen Khan, Muhammad Badruddin Bashier, Eihab Bashier Mohammed. Machine Learning: Algorithms and Applications. Auerbach Publications, 2017.
# Джафаров, К.А. Теория вероятностей и математическая статистика : учебное пособие / К.А. Джафаров ; Министерство образования и науки Российской Федерации, Новосибирский государственный технический университет. - Новосибирск : НГТУ, 2015.
# Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer series in statistics) Hastie, Trevor Tibshirani, Robert Friedman, J. H Penn, 2009.
# https://www.coursera.org/learn/stats-for-data-analysis
# https://studio.azureml.net
# https://www.gnu.org/software/pspp/
# https://docs.microsoft.com/ru-ru/power-bi/guided-learning/
# http://lib.alpinadigital.ru/
# https://library.books24x7.com
# http://biblioclub.ru

Работа с данными

2019-08-30T11:47:40Z

Psfedorov: Предварительное создание страницы курса "Работа с данными"

==Темы курса==
===Обработка данных, статистика, проверка гипотез===
'''Тема 1. Введение '''
Знакомство с преподавателем и курсом. Мотивирующая часть про анализ данных и ML. Введение в курс (что будем изучать, как оценивать). Краткая информация по пунктам курса. Вводная информация по анализу данных, примеры использования из отрасли. Демонстрация анализа данных на «не очевидном» статистическом примере (можно взять пример про «похудение» и статистическую значимость. Несколько примеров, где отсутствие грамотного анализа приводило к неблагоприятным последствиям (можно рассказать историю о финансировании Билл-Гейтсом маленьких школ и показать на примере опыта «орел-решка» эффект регрессии к среднему).

'''Тема 2. Статистика. Распределения ''' Вероятность и распределение. Параметры распределения (мода, медиана, среднее, эксцесс, ассиметрия, размах, дисперсия, стандартное отклонение). Вводная информация о основах статистики (распределения, параметры гистограммы (отличие медианы, моды и среднего арифметического), уровень значимости, дисперсия, доверительные интервалы. Примеры анализа статистики на прикладных отраслевых задачах (распределение доходов телезрителей).

'''Тема 3. Статистика. Доверительные интервалы и проверка гипотез ''' Понятие доверительного интервала. Расчет доверительного интервала и примеры . Проверка гипотез с помощью доверительного интервала. Расчет 3 сигм с примерами.

'''Тема 4. Проверка гипотез ''' Критерии значимости. Уровень значимости. Критерий Стьюдента, Фишера, Хи квадрат, Мана Уитни. Проверка гипотез с помощью критериев. Расчет уровня значимости. Проверка истинности гипотезы для p уровня значимости.

'''Тема 5. Корреляция и др. способы обработки данных ''' Корреляция, автокорреляция. Спектральная область. Фильтры временных рядов. Фракталы, вейвлеты, свертка.

'''Тема 6. Основы машинного обучения ''' Что такое ML и где применяется. Задачи классификации, регрессии, кластеризации, ранжирования и прогнозирования временного ряда. Основные алгоритмы ML. 5 Исторических парадигм развития ML. Вводная информация о основах машинного обучения (что это такое, задача классификации, регрессии, кластеризации), основные проблемы и метрики. Примеры использования машинного обучения на прикладных отраслевых задачах (рекомендательные системы).
Типы данных. Предобработка данных. Переобучение и регуляризация. Метрики качества (полнота, точность, f1 мера, roc-auc, confusion matrix). Какие алгоритмы для каких задач лучше подходят

'''Тема 7. Основы работы с данными ''' Каким данным можно доверять? Основные способы манипулирования данными. Когнитивные искажения при интерпретации данных.

==Проверочные задания ==
===Задание 1. Тест на знание основ статистики===
Тест из 10 вопросов с 2-4 вариантами ответов.
===Задание 2. Проведение эксперимента показывающего случайное распределение===
Проведение 100 измерений высоты отскока мяча.
===Задание 3. Расчет характеристик распределения===
Расчет характеристик гистограммы распределения, построение гистограммы распределения.
===Задание 4. Проведение эксперимента зависимости одной величины от другой===
Проведение 20 измерений высоты отскока мяча от высоты падения.
===Задание 5. Расчет доверительного интервала===
Расчет доверительного интервала.
===Задание 6. Расчет уровня значимости===
Проверка истинности гипотезы для p уровня значимости.
===Задание 7. A/B тест===
Проверка гипотезы на основе А/B теста.
===Задание 8. Тест по итогам пройденной темы===
Тест из 10 вопросов с 2-4 вариантами ответов.
===Задание 9. Выполнение расчета статистик в MS Studia ML или RapidMiner===
Освоение программных средств для расчета статистических параметров.
===Задание 10. Тест на знание основ ML===
Тест из 10 вопросов по пройденному материалу.
===Задание 11. Построение бинарного классификатора===
Построение классификатора на основе данных о пассажирах с Титаника.
===Задание 12. Решение задачи регрессии===
Построение модели предсказания стоимости авто.
===Задание 13. Решение задачи кластеризации===
Кластеризация данных на основе задачи «Ирисы»
===Задание 14. Решение задачи прогнозирования временного ряда===
Прогнозирование временного ряда.
===Задание 15. Решение задачи поиска аномалий===
Поиск аномалий для задачи кредитного скоринга.
===Задание 16. Решение задачи подбора оптимального алгоритма классификации===
Подбор оптимального алгоритма для решения задачи классификации.
===Задание 17. Тест по итогам пройденной темы===
Тест из 10 вопросов по пройденному материалу.
===Задание 18. Подбор оптимальных параметров алгоритма===
Подбор оптимальных параметров алгоритма для решения задачи классификации.

==Критерии оценивания==
Оценки по всем формам текущего контроля выставляются по 10-ти балльной шкале.
При оценивании заданий преподаватель опирается на следующие критерии:
===Задания 1-13 оцениваются по правилу:===
*Правильно выполнен расчет -10% оценки.
*Факт выполнения задания – 50% оценки.
*Ответ на дополнительные вопросы преподавателя и демонстрация понимания материала – 40% оценки.
====Оценка за задание 14 ставится по следующим правилам:====
*Выполнен анализ набора данных с только расчетом описательных статистик и представлены выводы в виде презентации либо эссе – 5 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции и представлены выводы в виде презентации либо эссе – 6-7 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев и представлены выводы в виде презентации либо эссе – 7-8 баллов.
*Выполнен анализ набора данных с только расчетом описательных статистик, доверительных интервалов или корреляции, проверена минимум 1 гипотеза с применением статистических критериев, построена предсказательная модель на основе алгоритма машинного обучения и представлены выводы в виде презентации либо эссе – 8-10 баллов.
*На оценку может влиять правильность расчета, глубина вывода и общее понимание выполненных действий.
*Так как модуль «Работа с данными» является частью дисциплины «Проектный семинар», в диплом выставляется средняя арифметическая оценка за все четыре года Проектного семинара.

===Итоговая оценка за курс===

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.1 * Oтест + 0.45 * ОРаздел 1 + 0.25 * ОРаздел 2 + 0.2 * Oзадание14, где

*Oтест - оценка за финальный тест
*ОРаздел 1 - средняя арифметическая оценка за задания 1-9
*ОРаздел 2 - средняя арифметическая оценка за задания 10–18
*Озадание14 - оценка за задание 14

Способ округления оценки за модуль — арифметический. Округление производится после выполнения всех вычислений внутри формулы, т.е. после умножения оценки за определенный вид деятельности на коэффициент она не округляется. Округляется только итоговая оценка.

==Полезные материалы==

# Дарелл Хафф. Как лгать при помощи статистики — М.: Альпина Паблишер, 2015.
# Miroslav Kubat. An Introduction to Machine Learning. Springer, 2015.
# Gordon S. Linoff and Michael J.A. Berry Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, Third Edition. John Wiley & Sons, 2011.
# Mohammed, Mohssen Khan, Muhammad Badruddin Bashier, Eihab Bashier Mohammed. Machine Learning: Algorithms and Applications. Auerbach Publications, 2017.
# Джафаров, К.А. Теория вероятностей и математическая статистика : учебное пособие / К.А. Джафаров ; Министерство образования и науки Российской Федерации, Новосибирский государственный технический университет. - Новосибирск : НГТУ, 2015.
# Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer series in statistics) Hastie, Trevor Tibshirani, Robert Friedman, J. H Penn, 2009.
# https://www.coursera.org/learn/stats-for-data-analysis
# https://studio.azureml.net
# https://www.gnu.org/software/pspp/
# https://docs.microsoft.com/ru-ru/power-bi/guided-learning/
# http://lib.alpinadigital.ru/
# https://library.books24x7.com
# http://biblioclub.ru

О факультете

2019-08-30T11:16:56Z

Psfedorov: Предварительное создание страницы курса "Работа с данными"

__NOTOC__

= Учебные курсы факультета компьютерных наук =
== Курсы за 2018/19 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|

[[Математический_анализ_на_ПМИ_2018/2019_(пилотный_поток) | Математический анализ на ПМИ (пилотный поток)]]

[[Математический_анализ_на_ПМИ_2018/2019_(основной_поток) | Математический анализ на ПМИ (основной поток)]]

[[Calculus_DSBA_2018/2019 | Calculus I DSBA (ПАД)]]

[[Основы_и_методология_программирования_на_ПМИ_2018/2019_(пилотный_поток) | Основы и методология программирования на ПМИ (пилотный поток)]]

[[Основы_и_методология_программирования_на_ПМИ_2019_(С%2B%2B,_основной_поток) | Основы и методология программирования на ПМИ (С++, основной поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2018/2019_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[LAaG_DSBA_2018/2019 | LAaG DSBA]]

[[Дискретная_математика_1_2018/2019 | Дискретная математика-1 на ПМИ]]

[[Discrete Mathematics DSBA |Discrete Mathematics DSBA (ПАД)]]

[[Introduction_to_programming | Introduction to programming DSBA (ПАД)]]

[[Introduction_to_programming_2 | Introduction to programming 2 DSBA (ПАД)]]

[[Алгебра_на_ПМИ_2018/2019_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]

[[Алгебра_на_ПМИ_2018/2019_(основной_поток) | Алгебра на ПМИ (основной поток)]]

[[Algebra_DSBA_2018/2019 | Algebra DSBA]]

[http://hsealgebra19.wikidot.com Алгебра на ПИ]

[[Алгоритмы_и_структуры_данных_2018/2019 | Алгоритмы и структуры данных на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_2018/2019 (пилотный поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

||

[http://math-info.hse.ru/s18/t Дифференциальные уравнения]

[[Теория_вероятностей_2018/2019_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2018/2019_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Математический_анализ_2018/2019_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]

[[Математический_анализ_2018/2019_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]

[[DM2-pilot2018/2019 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[DM2-basic2018/2019 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_2_2018/2019 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Факультатив Теория вычислений]]

||

[[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]

[[Численные_Методы_2018 | Численные методы ]]

[[PDC | Параллельные и распределенные вычисления]]

[[Theory_of_Computing_2018_2019 | Theory of Computing, AMI]]

[[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]

[[Прикладная_статистика_в_машинном_обучении(2018)|Прикладная статистика в машинном обучении]]

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

[[НИС_РС|НИС Распределенные системы]]

[[Основные методы анализа данных]]

[[Теория баз данных]]

[[Непрерывная оптимизация/2019|Непрерывная оптимизация (161-162)]]

[[Непрерывная оптимизация (163-167)]]

[[Сложность вычислений и логика в теоретической информатике]]

[[Data analysis (Software Engineering) 2019|Data analysis]]

[[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]

[[Intro to DL Blended | Intro to DL Blended]]

[[Дискретная оптимизация 2019 | Дискретная оптимизация 2019]]

||

[[Statistical_learning_theory_2018_2019 | Introduction to statistical learning theory]]

[[Анализ_неструктурированных_данных-2018 |Анализ неструктурированных данных ]]

[[Байесовские_методы_машинного_обучения_2018|Байесовские методы машинного обучения]]

[[НИС_Машинное_обучение_и_приложения_2018/2019|НИС Машинное обучение и приложения]]

[[НИС_Науки_о_данных_2018/2019|НИС Науки о данных]]

[[НИС_Распределенные_системы_(4_курс,_2018)|НИС Распределенные системы]]

[[Теория_Информации_2018/2019|Теория информации]]

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

[[Методы_и_системы_обработки_больших_данных_(осень_2018)|Методы и системы обработки больших данных]]

[[Философия_науки_2018|Философия науки]]

[[Теория баз данных]]

[[ConvAppr19 | Выпуклое программирование и аппроксимационные алгоритмы (ТИ)]]

[[Функциональное программирование 2019 | Функциональное программирование]]

[[A_Theorist's_Toolkit_2018_2019 | A Theorist's Toolkit, AMI]]

[[Анализ данных в бизнесе 2019|Анализ данных в бизнесе на ПМИ ]]

||
[[Дополнительные главы теории вероятностей 2019 | Дополнительные главы теории вероятностей 2019]]

[[Дополнительные главы математической статистики 2019 | Дополнительные главы математической статистики 2019]]

[[Введение в программирование (курс майнора) 2018/2019]]

[[dopglavy_DM_1819|Допглавы дискретной математики]]

[[Современные_методы_машинного_обучения_(курс_майнора)_2018/2019 | Современные методы машинного обучения (курс майнора) 2018/2019]]

[[Прикладные_задачи_анализа_данных_(майнор_-_весна_2019) | Прикладные задачи анализа данных (майнор - весна 2019)]]

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных | Введение в анализ данных (курс майнора)]]

[[Функциональный анализ (весна_2019) | Функциональный анализ (весна_2019)]]

[https://docs.google.com/document/d/1annCGZMrnLaXghIroe2Oq2xA1IOPQcD6w7x0H0HbudU/edit?usp=sharing Язык Kotlin (3 и 4 модули 2018-2019)]

||

|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==
=== 2 семестр ===

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

|-
| [[Основы программирования на Python весна 2019 матфак|Основы программирования на Python-2]] || Математика || 2-4 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(филология)|Цифровая грамотность]] || Филология || 1 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(ИИ_и_культурология)|Цифровая грамотность]] || История искусств и Культурология || 1 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(ИЯМК_2019)|Цифровая грамотность]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 1 курс || 3-4 модули
|-
| [[Основы_анализа_и_визуализации_данных_ДИЯ_2019|Анализ и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 3-4 модули
|-
| [[Научно-исследовательский_семинар_2019| Научно-исследовательский семинар]] || Политология || 1 курс || 3 модуль
|-
| [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|-
| [[Основы_программирования_в_Python_2019|Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модули
|-
| [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули
|-
| [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[ПМСАР-1|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 2 г.о. || 3-4 модули
|-
| [[Искусственный интеллект и большие данные_(2019)|Искусственный интеллект и большие данные]] || Дизайн, Мода, Современное искусство || 1 курс || 3-4 модули
|-
| [[Информационный менеджмент: Введение в Data Science|Информационный менеджмент: Введение в Data Science]] || Управление бизнесом Маркетинг и рыночная аналитика || 1 курс || 4 модуль
|-
| [[Технологии анализа больших данных|Технологии анализа больших данных]] || ГМУ || 1 курс || 4 модуль
|-
| [[Основы программирования на Python (Прикладное программное обеспечение)|Основы программирования на Python (Прикладное программное обеспечение)]] || Социология || 1 курс || 4 модуль
|-
| [[Основы работы с данными|Основы работы с данными]] || Медиакоммуникации || 2 курс || 4 модуль
|-
| [[Введение_в_data_science_Социология_1_курс|Профориентационный семинар (Data Culture)]] || Социология || 1 курс || 4 модуль
|-
| [[Введение_в_анализ_данных_МирЭк_2019|Введение в анализ данных]] || Мировая экономика || 1 курс || 4 модуль

|}

=== 1 семестр ===

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

|-
| [[Основы анализа данных в международных отношениях 2018/2019|Основы анализа данных в международных отношениях]] || Международные отношения || 2 курс || 1-2 модули
|-
| [[Introduction_to_Data_Culture_2018-2019|Introduction to Data Culture]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 1 курс || 2 модуль
|-
| [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули
|-
| [[Цифровая грамотность(востоковедение)|Цифровая грамотность]] || Востоковедение || 1 курс || 1 модуль
|-
| [[Разработка управленческих решений в маркетинге | Разработка управленческих решений в маркетинге]] || Маркетинг и рыночная аналитика || 2 курс || 1-2 модули
|-
| [[Информационные технологии в деятельности юриста_2018-2019| Информационные технологии в деятельности юриста]] || Юриспруденция || 1 курс || 2 модуль
|-
| [[Машинное обучение на матфаке 2018/2019| Машинное обучение]] || Факультет математики || 2-4 курсы || 1-2 модули
|-
| [[ПМСАР-2| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули
|-
| [[Анализ данных в Python (Политологи 1 семестр 1-2 модули)|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули
|-
| [[Основы анализа и визуализации данных для медиа (Журналисты 1 семестр 1 модуль)|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль
|-
| [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[Введение в анализ текстов на Python для ФГН 2018|Введение в анализ текстов на Python для ФГН 2018]] || Фундаментальная и компьютерная лингвистика || 3 курс || 1, 2, 4 модули
|-
| [[Машинное обучение (ФЭН)]] || Факультет экономических наук || 3-4 курсы || 1-2 модули
|-
| [[Программирование_(python)_для_экономистов|Программирование (Python) для экономистов]] || Факультет экономических наук || 2 курс || 1-2 модули
|-
| [[Цифровая грамотность(философия)|Цифровая грамотность]] || Философия || 1 курс || 1-2 модули
|-
| [[Цифровая_грамотность_(историки)|Цифровая грамотность]] || История || 1 курс || 1-2 модули
|-
| [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 1-2 модули
|-
| [[Статистический анализ в среде R (Социологи 1 семестр 2 модуль)|Статистический анализ в среде R ]] || Социология || 4 курс || 2 модуль
|-
| [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|-
| [[Работа с данными]] || Медиакоммуникации || 4 курс || 1 модуль
|}

==Courses of the Statistical Learning Theory program==
[[Neurobayesian_models_2019|Neurobayesian models]]

= Архив =

== Курсы за 2017/18 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|

[[Математический_анализ_на_ПМИ_2017/2018_(пилотный_поток) | Математический анализ на ПМИ 2017/2018 (пилотный поток)]]

[[Математический_анализ_на_ПМИ_2017/2018_(основной_поток) | Математический анализ на ПМИ 2017/2018 (основной поток)]]

[[Основы_и_методология_программирования_на_ПМИ_2017/2018_(пилотный_поток,_1_модуль) | Основы и методология программирования на ПМИ 2017/2018 (пилотный поток, 1 модуль)]]

[[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_2_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 2 модуль)]]

[[Основы_и_методология_программирования_на_ПМИ_2017/2018_(основной_поток,_3_модуль) | Основы и методология программирования на ПМИ 2017/2018 (основной поток, 3 модуль)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_2017/2018_(основной_поток) | Алгоритмы и структуры данных на ПМИ 2017/2018 (основной поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2017/2018_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[Дискретная_математика_1_2017/2018 | Дискретная математика-1 на ПМИ]]

[[Алгоритмы и структуры данных 1 | Алгоритмы и структуры данных – 1 (пилотный поток)]]

[[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]

[http://hsealgebra18.wikidot.com Алгебра на ПИ]

||
[[Теория_вероятностей_2017/2018_(основной_поток) | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2017/2018_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Математический анализ-3 на ПМИ_2017/2018_(основной_поток) | Математический анализ-2 на ПМИ (основной поток)]]

[[Математический анализ на ПМИ_2017/2018 | Математический анализ-3 на ПМИ (пилотный поток)]]

[[DM2-pilot2017/2018 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[DM_2_2017_2018 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Алгоритмы и структуры данных_2_2017/2018 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Дифференциальные уравнения (2 курс, 2017/2018)| Дифференциальные уравнения]]

||
[[Машинное_обучение_1/2017_2018 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2/2017_2018 | Машинное обучение 2 на ПМИ]]

[[Численные_методы_2017 | Численные методы]]

[[Statistics of Stochastic Processes|Статистика случайных процессов 2018]]

[[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]

[[Theory_of_Computing | Theory of Computing, AMI]]

[[Statistical_learning_theory | Introduction to statistical learning theory]]

[[Основные_методы_анализа_данных_(специализация_АДИС) | Основные методы анализа данных на ПМИ]]

[[Анализ неструктурированных данных]]

[[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]

[[НИС_Распределенные_системы_(3_курс,_2017) | НИС Распределенные системы]]

[[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]

[[Непрерывная_оптимизация | Непрерывная оптимизация]]

[[ Сложность_и_логика| Сложность вычислений и логика в теоретической информатике]]

[[Data_analysis_(Software_Engineering)_2018 | Data Analysis на ПИ]]

[http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]

[http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных Машинное обучение на больших данных]

[[Дискретная_оптимизация | Дискретная оптимизация]]

||

[[Безопасность компьютерных систем 2017 | Безопасность компьютерных систем]]

[[Философия_науки_2017 | Философия науки]]

[[НИС_Распределенные_системы_(4_курс,_2017) | НИС Распределенные системы]]

[[НИС_Машинное_обучение_и_приложения_2017/2018 | НИС Машинное обучение и приложения]]

[[Анализ неструктурированных данных]]

[[Байесовские методы машинного обучения 2017 | Байесовские методы машинного обучения]]

[[Функциональное программирование 2018 | Функциональное программирование]]

[http://telegra.ph/Kurs-Vvedenie-v-OOP-VSHEH-2018-Modul-3-01-30 Введение в ООП]

||

[[Современные методы машинного обучения (курс майнора) 2017/2018]]

[[Введение в программирование (курс майнора) 2017/2018]]

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2017-2018 | Введение в анализ данных (курс майнора)]]

[[Прикладные задачи анализа данных (майнор - весна 2018)]]

[[Маго-лего "Линейная алгебра в приложениях" весна 2018 | Линейная алгебра в приложениях (маго-лего)]]

[[Функциональный анализ 2017/18 | Функциональный анализ на ПМИ (факультатив)]]

[[Дополнительные главы теории вероятностей и математической статистики (факультативы) | Дополнительные главы теории вероятностей и математической статистики (факультативы)]]

[[Дополнительные главы дискретной математики 2017/18 | Дополнительные главы дискретной математики (факультатив)]]

[[Цифровые технологии в гуманитарных науках]]

|}

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

=== 2 семестр ===

[[Цифровая_грамотность_2018_(2_семестр)|Цифровая грамотность (факультет гуманитарных наук — 2 семестр: ИЯМК, Филология, История искусств, Культурология, 1 курс)]] 
[[Научно-исследовательский семинар (ФСН) |Научно-исследовательский семинар (ОП "Политология", 1 курс)]] 
[[Introduction_to_Data_Culture|Introduction to Data Culture (HSE and University of London Parallel Degree Programme in International Relations, 1 year)]] 
[[ИИ_и_БД|Искусственный интеллект и большие данные (ОП "Дизайн", "Мода", 1 курс)]] 
[[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП "Фундаментальная и компьютерная лингвистика", 4 курс, 2 семестр)]] 
[[Основы анализа данных в международных отношениях|Основы анализа данных в международных отношениях (ОП "Международные отношения", 2 курс, 4 модуль)]] 
[[Введение в data science (2_семестр)|Профориентационный семинар (блок по введению в data scicence) (Факультет социальных наук — 2 семестр: Социология, 1 курс)]] 
[[Введение в Data Science| Введение в Data Science (ФБиМ, 4 модуль)]] 

=== 1 семестр ===

[[Цифровая_грамотность|Цифровая грамотность (факультет гуманитарных наук — 1 семестр: История, Философия, 1 курс)]] 
[[Машинное обучение (факультет экономических наук)|Машинное обучение (факультет экономических наук)]] 
[[Компьютерная лингвистика и информационные технологии |Компьютерная лингвистика и информационные технологии (ОП "Фундаментальная и компьютерная лингвистика", 4 курс, 1 семестр)]] 
[[Извлечение и анализ интернет-данных | Извлечение и анализ интернет-данных (факультет экономических наук)]] 
[[Анализ больших данных в социальных науках (ФСН, 2017) | Анализ больших данных в социальных науках (ФСН, 2017)]] 
[[Информационные_технологии_в_деятельности_юриста|Информационные технологии в деятельности юриста (Факультет права)]] 
[[Машинное_обучение_для_лингвистов|Машинное обучение (магистратура Школы лингвистики)]] 

== Курсы магистратуры Финансовые технологии и анализ данных ==

[[Вероятностные_модели_и_прикладная_статистика_в_финансовой_математике|Вероятностные модели и прикладная статистика в финансовой математике]]

[[Рекомендательные системы и поиск закономерностей в данных|Рекомендательные системы и поиск закономерностей в данных]]

== Courses of Data Science master program/Курсы магистерской программы "Науки о данных" ==

[[Introduction to Machine Learning and Data Mining|Introduction to Machine Learning and Data Mining]]

== Курсы за 2016/17 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3-4 курс !! майноры
|-
|

[[Математический анализ на ПМИ_2016/2017 | Математический анализ на ПМИ (пилотный поток)]]

[[Линейная алгебра и геометрия_2016/2017 | Линейная алгебра и геометрия на ПМИ]]

[[Дискретная_математика_1_2016/2017 | Дискретная математика-1 на ПМИ]]

[[Основы и методология программирования_2016/2017_пилотный_поток | Основы и методология программирования на ПМИ (пилотный поток)]]

[[Основы и методология программирования_2016/2017 | Основы и методология программирования на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_(пилотный_поток) | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

[[Алгоритмы_и_структуры_данных_на_ПМИ_(основной_поток) | Алгоритмы и структуры данных на ПМИ (основной поток)]]

[[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]

[http://hsealgebra17.wikidot.com/ Алгебра на ПИ]

||

[[Математический анализ_2016/2017 | Математический анализ-3 на ПМИ (основной поток)]]

[[Математически_анализ_3_на_ПМИ_(пилотный_поток) | Математический анализ-3 на ПМИ (пилотный поток)]]

[[DM_2_2016_2017 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Дискретная математика_2_2016/2017 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[Алгоритмы и структуры данных_2_2016/2017 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

[[Теория вероятностей_2016/2017 | Теория вероятностей на ПМИ (основной поток)]]

[[Теория_вероятностей_2016/2017_(пилотный_поток) | Теория вероятностей на ПМИ (пилотный поток)]]

[[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы]]

[[Факультатив_теория_вычислений_2016/2017 | Факультатив теория вычислений на ПМИ]]

[[Дополнительные_главы_теории_вероятностей_(факультатив,_2017) | Дополнительные главы теории вероятностей (факультатив)]]

[[Дифференциальные_уравнения_(2_курс,_2016/2017) | Дифференциальные уравнения]]

[[Математическая_статистика_2016/2017_(пилотный_поток) | Математическая статистика на ПМИ (пилотный поток)]]

[[Архитектура_компьютеров_и_операционные_системы_2016/2017 | Архитектура компьютеров и операционные системы ]]

||

[[НИС_Машинное_обучение_и_приложения_2016/2017 | НИС Машинное обучение и приложения на ПМИ]]

[[Машинное_обучение_1/2016_2017 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2/2016_2017 | Машинное обучение 2 на ПМИ]]

[[Прикладной_статистический_анализ_данных | Прикладной статистический анализ данных на ПМИ]]

[[Численные_методы_в_анализе_данных | Численные методы в анализе данных на ПМИ]]

[http://www.machinelearning.ru/wiki/index.php?title=Статистика_случайных_процессов_(курс_лекций,_ФКН_ВШЭ) Вероятностные модели и статистика случайных процессов на ПМИ]

[http://www.machinelearning.ru/wiki/index.php?title=Opt Методы оптимизации на ПМИ (специализации МОП и РС)]

[[Методы_оптимизации_(весна_2017)|Методы оптимизации 2 (дискретная оптимизация)]]

[[НИС_Распределенные_системы_(осень_2016) | НИС Распределенные системы]]

[[Анализ и верификация алгоритмов биржевой торговли | Анализ и верификация алгоритмов для систем биржевой торговли ]]

[[Программирование_на_графических_процессорах | Программирование на графических процессорах]]

[[ЯРПО | Языки разработки ПО (курс по выбору) на ПМИ]]

[[Data analysis (Software Engineering) 2017 | Data analysis на ПИ]]

[[Базы данных 2 | Базы данных 2 ]]

[[Компьютерные сети 2 | Компьютерные сети 2]]

[[Машинное_обучение_на_больших_данных | Машинное обучение на больших данных на ПМИ]]

||

[[Современные_методы_машинного_обучения_(курс_майнора) | Современные методы машинного обучения (курс майнора)]]

[[Майнор_Интеллектуальный_анализ_данных/Введение_в_программирование_2016/2017 | Введение в программирование (курс майнора)]]

[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2016-2017 | Введение в анализ данных (курс майнора)]]

[[Майнор Интеллектуальный анализ данных/Прикладные задачи анализа данных| Прикладные задачи анализа данных (курс майнора)]]

|}

{|width=100%
|style="vertical-align:top;"|



=== Курсы за 2015/16 учебный год ===
{|
|-
| [[Технологии программирования|Технологии программирования на ПМИ]]
|-
|[[ОиМП-2015|Основы и методология программирования на ПМИ]]
|-
|[[Алгоритмы и структуры данных 2016]]
|-
|[[Линейная алгебра и геометрия_2015/2016 | Линейная алгебра и геометрия на ПМИ]]
|-
|[[Алгебра_2015/2016 | Алгебра на ПМИ]]
|-
|[http://hsealgebra.wikidot.com/ Алгебра на ПИ]
|-
|[[Компьютерные системы]]
|-
|[[Математический анализ на ПМИ_2015/2016 | Математический анализ на ПМИ]]
|-
|[[Факультатив_Матпрактикум | Матпрактикум (факультатив) на ПМИ]]
|-
|[[Data analysis (Software Engineering)]] 
|-
|[[Майнор Интеллектуальный анализ данных/Введение в программирование|Введение в программирование (курс майнора) на ПМИ]]
|-
|[[Майнор Интеллектуальный анализ данных/Введение в анализ данных/2015-2016|Введение в анализ данных (курс майнора) на ПМИ]]
|-
|[[НИС Машинное обучение и приложения|НИС Машинное обучение и приложения на ПМИ]]
|-
|[[Архитектура компьютеров и системное программирование (ПМИ_4, 2015/2016)|Архитектура компьютеров и системное программирование (4 курс)]]
|-
|[[Дифференциальные уравнения (2 курс, 2015/2016)| Дифференциальные уравнения]]
|-
|[[Введение в VBA|Введение в VBA]]
|}

|style="vertical-align:top;"|



=== Курсы за 2014/15 учебный год ===
{|
|-
|[[Основы и методологии программирования]] 
|-
|[[Алгоритмы и структуры данных 2015 | Алгоритмы и структуры данных]] 
|-
|[[Анализ данных (Программная инженерия)]] 
|-
|[[Алгебра_2014/2015 | Алгебра]] 
|-
|[[Magolego_sna_2015| MAGoLEGO Social Network Analysis]]
|}

==== Проектная работа ====
{|
|-
|[[Проектная работа]] 
|-
|[[Учебная практика 1 курс (2016)]]
|-
|[[Проектная работа 2 курс (2016)]]
|}


|}

== Мероприятия факультета компьютерных наук ==
=== Summer School 2015 ===
[[Introduction to Natural Language Processing|Introduction to Natural Language Processing]]
#[[Lecture 1. Introduction|Introduction]]
#[[Lecture 2. Tokenization and word counts|Tokenization and word counts]]
#[[Lecture 3. POS tagging. Key word and phrase extraction|POS tagging. Key word and phrase extraction]]
#[[Lecture 4. Parsing|Parsing]]
#[[Lecture 5. Language sources|Language sources]]
#[[Lecture 6. Synonyms and near-synonyms detection|Synonyms and near-synonyms detection]]
#[[Lecture 8. Suffix trees for NLP|Suffix trees for NLP]]
#[[NLP References|References]]

== Архив ==
* [[Учебная практика 1 курс (2015)]]