Wiki - Факультет компьютерных наук - Вклад [ru]

Анализ данных в Python 2020-2021 Политология

2021-05-24T21:26:09Z

Rogovich: /* Контрольные работы */

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02, 20.03 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_3_Pandas_Datetime.ipynb Блокнот Datetime]|| [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv НЛО] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_2_Numpy_Problems_Solution.ipynb NumPy решения][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems_Solution.ipynb Pandas Решения]
|-
|| 06.04 — 13.04|| Визуализация данных. || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_1_Viz_Matplotlib.ipynb Matplotlib] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_2_Plotly.ipynb Plotly] || [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt Forest Data] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv Gapminder] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv Crimes] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] [https://github.com/rogovich/Data/blob/master/data/babies%20names/babies_all.txt Names]|| [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_3_Pandas_Viz_Problems.ipynb Задачи]
|-

|}
===Финальный проект===
[https://docs.google.com/document/d/1QCz5ojT6SianwkODDD1UMBis3sWlyPVRxdTy-yscu9E/edit?usp=sharing Описание финального проекта (экзамен) и дедлайны]

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || 27.04 23.59 || [https://docs.google.com/document/d/1THLjluBI6ruFS8YO4bQBox09dwDfRI0LRQSV-7PSG-0/edit# Задание] ДЗ сдается в ЛМС
|-
|| ДЗ3: KNN || 11.05 23.58 || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/%40HW/3_HW/HW_3_KNN.ipynb Блокнот] ДЗ сдается в ЛМС
|-
|| ДЗ4: ML || 03.06 23.58 || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/%40HW/4_HW/2021_POL_HW4.ipynb Блокнот] ДЗ сдается в ЛМС
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || 7.06 13:00 - 14:20 || [https://online.hse.ru/mod/quiz/view.php?id=239056 Демо здесь]
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1) || DataCamp || 16.03 23.59
|-
|| 3 || Python Data Science Toolbox (Part 2) || DataCamp || 16.03 23.59
|-
|| 4 || Writing Efficient Python Code || DataCamp || 23.03 23.59
|-
|| 5 || Analyzing Police Activity with pandas || DataCamp || 04.05 23.59
|-
|| 6 || Improving Your Data Visualizations in Python || DataCamp || 04.05 23.59
|-
|| 7 || Interactive Data Visualization with Bokeh || Datacamp || 11.05 23.59
|-
|| 7 || Interactive Data Visualization with Bokeh || Datacamp || 11.05 23.59
|-
|| 8 || Machine learning for everyone || Datacamp || 11.05 23.59
|-
|| 9 || Case Study: School Budgeting with Machine Learning in Python || Datacamp || 10.06 23.59
|-
|| 10 || Preprocessing for Machine Learning in Python
|| Datacamp || 10.06 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-05-24T21:17:31Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02, 20.03 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_3_Pandas_Datetime.ipynb Блокнот Datetime]|| [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv НЛО] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_2_Numpy_Problems_Solution.ipynb NumPy решения][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems_Solution.ipynb Pandas Решения]
|-
|| 06.04 — 13.04|| Визуализация данных. || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_1_Viz_Matplotlib.ipynb Matplotlib] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_2_Plotly.ipynb Plotly] || [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt Forest Data] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv Gapminder] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv Crimes] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] [https://github.com/rogovich/Data/blob/master/data/babies%20names/babies_all.txt Names]|| [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_3_Pandas_Viz_Problems.ipynb Задачи]
|-

|}
===Финальный проект===
[https://docs.google.com/document/d/1QCz5ojT6SianwkODDD1UMBis3sWlyPVRxdTy-yscu9E/edit?usp=sharing Описание финального проекта (экзамен) и дедлайны]

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || 27.04 23.59 || [https://docs.google.com/document/d/1THLjluBI6ruFS8YO4bQBox09dwDfRI0LRQSV-7PSG-0/edit# Задание] ДЗ сдается в ЛМС
|-
|| ДЗ3: KNN || 11.05 23.58 || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/%40HW/3_HW/HW_3_KNN.ipynb Блокнот] ДЗ сдается в ЛМС
|-
|| ДЗ4: ML || 03.06 23.58 || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/%40HW/4_HW/2021_POL_HW4.ipynb Блокнот] ДЗ сдается в ЛМС
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || 7.06 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1) || DataCamp || 16.03 23.59
|-
|| 3 || Python Data Science Toolbox (Part 2) || DataCamp || 16.03 23.59
|-
|| 4 || Writing Efficient Python Code || DataCamp || 23.03 23.59
|-
|| 5 || Analyzing Police Activity with pandas || DataCamp || 04.05 23.59
|-
|| 6 || Improving Your Data Visualizations in Python || DataCamp || 04.05 23.59
|-
|| 7 || Interactive Data Visualization with Bokeh || Datacamp || 11.05 23.59
|-
|| 7 || Interactive Data Visualization with Bokeh || Datacamp || 11.05 23.59
|-
|| 8 || Machine learning for everyone || Datacamp || 11.05 23.59
|-
|| 9 || Case Study: School Budgeting with Machine Learning in Python || Datacamp || 10.06 23.59
|-
|| 10 || Preprocessing for Machine Learning in Python
|| Datacamp || 10.06 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-05-24T21:17:08Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02, 20.03 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_3_Pandas_Datetime.ipynb Блокнот Datetime]|| [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv НЛО] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_2_Numpy_Problems_Solution.ipynb NumPy решения][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems_Solution.ipynb Pandas Решения]
|-
|| 06.04 — 13.04|| Визуализация данных. || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_1_Viz_Matplotlib.ipynb Matplotlib] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_2_Plotly.ipynb Plotly] || [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt Forest Data] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv Gapminder] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv Crimes] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] [https://github.com/rogovich/Data/blob/master/data/babies%20names/babies_all.txt Names]|| [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_3_Pandas_Viz_Problems.ipynb Задачи]
|-

|}
===Финальный проект===
https://docs.google.com/document/d/1QCz5ojT6SianwkODDD1UMBis3sWlyPVRxdTy-yscu9E/edit?usp=sharing

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || 27.04 23.59 || [https://docs.google.com/document/d/1THLjluBI6ruFS8YO4bQBox09dwDfRI0LRQSV-7PSG-0/edit# Задание] ДЗ сдается в ЛМС
|-
|| ДЗ3: KNN || 11.05 23.58 || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/%40HW/3_HW/HW_3_KNN.ipynb Блокнот] ДЗ сдается в ЛМС
|-
|| ДЗ4: ML || 03.06 23.58 || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/%40HW/4_HW/2021_POL_HW4.ipynb Блокнот] ДЗ сдается в ЛМС
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || 7.06 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1) || DataCamp || 16.03 23.59
|-
|| 3 || Python Data Science Toolbox (Part 2) || DataCamp || 16.03 23.59
|-
|| 4 || Writing Efficient Python Code || DataCamp || 23.03 23.59
|-
|| 5 || Analyzing Police Activity with pandas || DataCamp || 04.05 23.59
|-
|| 6 || Improving Your Data Visualizations in Python || DataCamp || 04.05 23.59
|-
|| 7 || Interactive Data Visualization with Bokeh || Datacamp || 11.05 23.59
|-
|| 7 || Interactive Data Visualization with Bokeh || Datacamp || 11.05 23.59
|-
|| 8 || Machine learning for everyone || Datacamp || 11.05 23.59
|-
|| 9 || Case Study: School Budgeting with Machine Learning in Python || Datacamp || 10.06 23.59
|-
|| 10 || Preprocessing for Machine Learning in Python
|| Datacamp || 10.06 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-05-18T15:57:52Z

Rogovich: /* Дополнительные баллы */

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02, 20.03 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_3_Pandas_Datetime.ipynb Блокнот Datetime]|| [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv НЛО] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_2_Numpy_Problems_Solution.ipynb NumPy решения][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems_Solution.ipynb Pandas Решения]
|-
|| 06.04 — 13.04|| Визуализация данных. || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_1_Viz_Matplotlib.ipynb Matplotlib] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_2_Plotly.ipynb Plotly] || [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt Forest Data] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv Gapminder] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv Crimes] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] [https://github.com/rogovich/Data/blob/master/data/babies%20names/babies_all.txt Names]|| [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_3_Pandas_Viz_Problems.ipynb Задачи]
|-

|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || 27.04 23.59 || [https://docs.google.com/document/d/1THLjluBI6ruFS8YO4bQBox09dwDfRI0LRQSV-7PSG-0/edit# Задание] ДЗ сдается в ЛМС
|-
|| ДЗ3: KNN || 11.05 23.58 || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/%40HW/3_HW/HW_3_KNN.ipynb Блокнот] ДЗ сдается в ЛМС
|-
|| ДЗ4: ML || 03.06 23.58 || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/%40HW/4_HW/2021_POL_HW4.ipynb Блокнот] ДЗ сдается в ЛМС
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || 7.06 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1) || DataCamp || 16.03 23.59
|-
|| 3 || Python Data Science Toolbox (Part 2) || DataCamp || 16.03 23.59
|-
|| 4 || Writing Efficient Python Code || DataCamp || 23.03 23.59
|-
|| 5 || Analyzing Police Activity with pandas || DataCamp || 04.05 23.59
|-
|| 6 || Improving Your Data Visualizations in Python || DataCamp || 04.05 23.59
|-
|| 7 || Interactive Data Visualization with Bokeh || Datacamp || 11.05 23.59
|-
|| 7 || Interactive Data Visualization with Bokeh || Datacamp || 11.05 23.59
|-
|| 8 || Machine learning for everyone || Datacamp || 11.05 23.59
|-
|| 9 || Case Study: School Budgeting with Machine Learning in Python || Datacamp || 10.06 23.59
|-
|| 10 || Preprocessing for Machine Learning in Python
|| Datacamp || 10.06 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-05-18T15:49:55Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02, 20.03 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_3_Pandas_Datetime.ipynb Блокнот Datetime]|| [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv НЛО] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_2_Numpy_Problems_Solution.ipynb NumPy решения][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems_Solution.ipynb Pandas Решения]
|-
|| 06.04 — 13.04|| Визуализация данных. || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_1_Viz_Matplotlib.ipynb Matplotlib] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_2_Plotly.ipynb Plotly] || [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt Forest Data] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv Gapminder] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv Crimes] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] [https://github.com/rogovich/Data/blob/master/data/babies%20names/babies_all.txt Names]|| [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_3_Pandas_Viz_Problems.ipynb Задачи]
|-

|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || 27.04 23.59 || [https://docs.google.com/document/d/1THLjluBI6ruFS8YO4bQBox09dwDfRI0LRQSV-7PSG-0/edit# Задание] ДЗ сдается в ЛМС
|-
|| ДЗ3: KNN || 11.05 23.58 || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/%40HW/3_HW/HW_3_KNN.ipynb Блокнот] ДЗ сдается в ЛМС
|-
|| ДЗ4: ML || 03.06 23.58 || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/%40HW/4_HW/2021_POL_HW4.ipynb Блокнот] ДЗ сдается в ЛМС
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || 7.06 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1) || DataCamp || 16.03 23.59
|-
|| 3 || Python Data Science Toolbox (Part 2) || DataCamp || 16.03 23.59
|-
|| 4 || Writing Efficient Python Code || DataCamp || 23.03 23.59
|-
|| 5 || Analyzing Police Activity with pandas || DataCamp || 04.05 23.59
|-
|| 6 || Improving Your Data Visualizations in Python || DataCamp || 04.05 23.59
|-
|| 7 || Interactive Data Visualization with Bokeh || Datacamp || 11.05 23.59
|-
|| 7 || Interactive Data Visualization with Bokeh || Datacamp || 11.05 23.59
|-
|| 8 || Machine learning for everyone || Datacamp || 11.05 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-04-27T11:29:08Z

Rogovich: /* Дополнительные баллы */

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02, 20.03 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_3_Pandas_Datetime.ipynb Блокнот Datetime]|| [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv НЛО] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_2_Numpy_Problems_Solution.ipynb NumPy решения][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems_Solution.ipynb Pandas Решения]
|-
|| 06.04 — 13.04|| Визуализация данных. || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_1_Viz_Matplotlib.ipynb Matplotlib] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_2_Plotly.ipynb Plotly] || [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt Forest Data] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv Gapminder] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv Crimes] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] [https://github.com/rogovich/Data/blob/master/data/babies%20names/babies_all.txt Names]|| [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_3_Pandas_Viz_Problems.ipynb Задачи]
|-

|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || 27.04 23.59 || [https://docs.google.com/document/d/1THLjluBI6ruFS8YO4bQBox09dwDfRI0LRQSV-7PSG-0/edit# Задание] ДЗ сдается в ЛМС
|-
|| ДЗ3: KNN || 11.05 23.58 || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/%40HW/3_HW/HW_3_KNN.ipynb Блокнот] ДЗ сдается в ЛМС
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1) || DataCamp || 16.03 23.59
|-
|| 3 || Python Data Science Toolbox (Part 2) || DataCamp || 16.03 23.59
|-
|| 4 || Writing Efficient Python Code || DataCamp || 23.03 23.59
|-
|| 5 || Analyzing Police Activity with pandas || DataCamp || 04.05 23.59
|-
|| 6 || Improving Your Data Visualizations in Python || DataCamp || 04.05 23.59
|-
|| 7 || Interactive Data Visualization with Bokeh || Datacamp || 11.05 23.59
|-
|| 7 || Interactive Data Visualization with Bokeh || Datacamp || 11.05 23.59
|-
|| 8 || Machine learning for everyone || Datacamp || 11.05 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-04-27T11:25:27Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02, 20.03 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_3_Pandas_Datetime.ipynb Блокнот Datetime]|| [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv НЛО] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_2_Numpy_Problems_Solution.ipynb NumPy решения][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems_Solution.ipynb Pandas Решения]
|-
|| 06.04 — 13.04|| Визуализация данных. || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_1_Viz_Matplotlib.ipynb Matplotlib] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_2_Plotly.ipynb Plotly] || [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt Forest Data] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv Gapminder] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv Crimes] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] [https://github.com/rogovich/Data/blob/master/data/babies%20names/babies_all.txt Names]|| [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_3_Pandas_Viz_Problems.ipynb Задачи]
|-

|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || 27.04 23.59 || [https://docs.google.com/document/d/1THLjluBI6ruFS8YO4bQBox09dwDfRI0LRQSV-7PSG-0/edit# Задание] ДЗ сдается в ЛМС
|-
|| ДЗ3: KNN || 11.05 23.58 || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/%40HW/3_HW/HW_3_KNN.ipynb Блокнот] ДЗ сдается в ЛМС
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1) || DataCamp || 16.03 23.59
|-
|| 3 || Python Data Science Toolbox (Part 2) || DataCamp || 16.03 23.59
|-
|| 4 || Writing Efficient Python Code || DataCamp || 23.03 23.59
|-
|| 5 || Analyzing Police Activity with pandas || DataCamp || 04.05 23.59
|-
|| 6 || Improving Your Data Visualizations in Python || DataCamp || 04.05 23.59
|-
|| 7 || Interactive Data Visualization with Bokeh || Datacamp|| 11.05 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Python для анализа данных (МирЭк) 2020-2021

2021-04-25T21:42:40Z

Rogovich: /* О курсе */

== О курсе ==
"Python для анализа данных" читается на 2 курсе, в 3 и 4 модуле.
3 модуль - самостоятельное прохождение студентами онлайн-курса.
4 модуль - лекционные и семинарские занятия.

[https://www.hse.ru/ba/we/courses/339556904.html Карточка курса и программа]

Канал в Telegram (для всего потока): https://t.me/joinchat/WJU_itbWU1r0rPFm или 2021_HSE_MIREC_Python в поиске.

[https://youtube.com/playlist?list=PLEwK9wdS5g0oUbtGWe9CKQsyTI_L-pqat Плейлист с лекциями].
[https://docs.google.com/spreadsheets/d/1-z1FFVBRjqHrcRCqmXv2Zhpy5mVF7gXrEEA6ucLLp6k/edit?usp=sharing Ведомость с оценками]

== Преподаватели ==

{| class="wikitable"
|- style="font-weight:bold;"
! Группа
! Лектор
! Семинарист
! Ассистент
! Ссылка на чат
|-
| 191
| rowspan="7" | Рогович Татьяна @rogovich 
| rowspan="2" | Карпов Максим @buntar29
| rowspan="2" | Артем Цыганов @anti_v_ist
| rowspan="2" | https://t.me/joinchat/S7L4OadoZOhc9dK3
|-
| 193
|-
| 192
| rowspan="2" | Бирюков Валентин @biryuk_v
| rowspan="2" | Кузнецов Дмитрий @pattvefound
| http://t.me/mirec193
|-
| 194
| http://t.me/mirec194
|-
| 195
| rowspan="3" | Филатов Михаил @mihfil
| rowspan="2" | Сулейманов Руслан @rus_slm
| https://t.me/mirec195
|-
| 196
| https://t.me/mirec196
|-
| 197
| Латыпов Инсан-Александр @Le_Figaro
| https://t.me/mirec197
|}

== Формула оценки ==
Оценка =
0.4 * Домашнее задание (среднее всех) + 0.2 * Контрольная работа (Питон) + 0.1 * Мини-опросы на лекциях (среднее всех) + 0.1 * Оценка за онлайн-курс + 0.2 * Письменный экзамен (анализ данных)

*онлайн-курс выполняется на платформе online.hse.ru в течение 3 модуля.

== Таблица с оценками и дедлайнами ==

TBA

== Материалы занятий ==
* '''Лекции'''
** [https://github.com/mikefilatov/python_for_DA_MirEc/tree/main/L1 Лекция 1: введение]
** [https://github.com/mikefilatov/python_for_DA_MirEc/tree/main/L2 Лекция 2: демо контрольной]

* '''Семинары'''
** [https://github.com/mikefilatov/python_for_DA_MirEc/tree/main/S1_S2 Семинар 1-2: повторение]

Python для анализа данных (МирЭк) 2020-2021

2021-04-23T12:38:22Z

Rogovich:

== О курсе ==
"Python для анализа данных" читается на 2 курсе, в 3 и 4 модуле.
3 модуль - самостоятельное прохождение студентами онлайн-курса.
4 модуль - лекционные и семинарские занятия.

[https://www.hse.ru/ba/we/courses/339556904.html Карточка курса и программа]

Канал в Telegram (для всего потока): https://t.me/joinchat/WJU_itbWU1r0rPFm или 2021_HSE_MIREC_Python в поиске.

[https://youtube.com/playlist?list=PLEwK9wdS5g0oUbtGWe9CKQsyTI_L-pqat Плейлист с лекциями].

== Преподаватели ==

{| class="wikitable"
|- style="font-weight:bold;"
! Группа
! Лектор
! Семинарист
! Ассистент
! Ссылка на чат
|-
| 191
| rowspan="7" | Рогович Татьяна @rogovich 
| rowspan="2" | Карпов Максим @buntar29
| rowspan="2" | Артем Цыганов @anti_v_ist
| rowspan="2" | https://t.me/joinchat/S7L4OadoZOhc9dK3
|-
| 193
|-
| 192
| rowspan="2" | Бирюков Валентин @biryuk_v
| rowspan="2" | Кузнецов Дмитрий @pattvefound
| http://t.me/mirec193
|-
| 194
| http://t.me/mirec194
|-
| 195
| rowspan="3" | Филатов Михаил @mihfil
| rowspan="2" | Сулейманов Руслан @rus_slm
| https://t.me/mirec195
|-
| 196
| https://t.me/mirec196
|-
| 197
| Латыпов Инсан-Александр @Le_Figaro
| https://t.me/mirec197
|}

== Формула оценки ==
Оценка =
0.4 * Домашнее задание (среднее всех) + 0.2 * Контрольная работа (Питон) + 0.1 * Мини-опросы на лекциях (среднее всех) + 0.1 * Оценка за онлайн-курс + 0.2 * Письменный экзамен (анализ данных)

*онлайн-курс выполняется на платформе online.hse.ru в течение 3 модуля.

== Таблица с оценками и дедлайнами ==

TBA

== Материалы занятий ==
* '''Лекции'''
** [https://github.com/mikefilatov/python_for_DA_MirEc/tree/main/L1 Лекция 1: введение]
** [https://github.com/mikefilatov/python_for_DA_MirEc/tree/main/L2 Лекция 2: демо контрольной]

* '''Семинары'''
** [https://github.com/mikefilatov/python_for_DA_MirEc/tree/main/S1_S2 Семинар 1-2: повторение]

Анализ данных в Python 2020-2021 Политология

2021-04-20T09:04:25Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02, 20.03 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_3_Pandas_Datetime.ipynb Блокнот Datetime]|| [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv НЛО] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_2_Numpy_Problems_Solution.ipynb NumPy решения][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems_Solution.ipynb Pandas Решения]
|-
|| 06.04 — 13.04|| Визуализация данных. || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_1_Viz_Matplotlib.ipynb Matplotlib] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_2_Plotly.ipynb Plotly] || [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt Forest Data] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv Gapminder] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv Crimes] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] [https://github.com/rogovich/Data/blob/master/data/babies%20names/babies_all.txt Names]|| [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_3_Pandas_Viz_Problems.ipynb Задачи]
|-

|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || 27.04 23.59 || [https://docs.google.com/document/d/1THLjluBI6ruFS8YO4bQBox09dwDfRI0LRQSV-7PSG-0/edit# Задание] ДЗ сдается в ЛМС
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1) || DataCamp || 16.03 23.59
|-
|| 3 || Python Data Science Toolbox (Part 2) || DataCamp || 16.03 23.59
|-
|| 4 || Writing Efficient Python Code || DataCamp || 23.03 23.59
|-
|| 5 || Analyzing Police Activity with pandas || DataCamp || 04.05 23.59
|-
|| 6 || Improving Your Data Visualizations in Python || DataCamp || 04.05 23.59
|-
|| 7 || Interactive Data Visualization with Bokeh || Datacamp|| 11.05 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-04-13T11:29:06Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02, 20.03 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_3_Pandas_Datetime.ipynb Блокнот Datetime]|| [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv НЛО] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_2_Numpy_Problems_Solution.ipynb NumPy решения][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems_Solution.ipynb Pandas Решения]
|-
|| 06.04 — 13.04|| Визуализация данных. || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_1_Viz_Matplotlib.ipynb Matplotlib] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_2_Plotly.ipynb Plotly] || [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt Forest Data] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv Gapminder] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv Crimes] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] [https://github.com/rogovich/Data/blob/master/data/babies%20names/babies_all.txt Names]|| [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_3_Pandas_Viz_Problems.ipynb Задачи]
|-

|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || 27.04 23.59 || [https://docs.google.com/document/d/1THLjluBI6ruFS8YO4bQBox09dwDfRI0LRQSV-7PSG-0/edit# Задание] ДЗ сдается в ЛМС
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1) || DataCamp || 16.03 23.59
|-
|| 3 || Python Data Science Toolbox (Part 2) || DataCamp || 16.03 23.59
|-
|| 4 || Writing Efficient Python Code || DataCamp || 23.03 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-04-13T11:27:06Z

Rogovich: /* Домашние задания */

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02, 20.03 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_3_Pandas_Datetime.ipynb Блокнот Datetime]|| [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv НЛО] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_2_Numpy_Problems_Solution.ipynb NumPy решения][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems_Solution.ipynb Pandas Решения]
|-
|| 06.04 || Визуализация данных. || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_1_Viz_Matplotlib.ipynb Matplotlib] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_2_Plotly.ipynb Plotly] || [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt Forest Data] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv Gapminder] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv Crimes] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] [https://github.com/rogovich/Data/blob/master/data/babies%20names/babies_all.txt Names]|| [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_3_Pandas_Viz_Problems.ipynb Задачи]
|-

|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || 27.04 23.59 || [https://docs.google.com/document/d/1THLjluBI6ruFS8YO4bQBox09dwDfRI0LRQSV-7PSG-0/edit# Задание] ДЗ сдается в ЛМС
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1) || DataCamp || 16.03 23.59
|-
|| 3 || Python Data Science Toolbox (Part 2) || DataCamp || 16.03 23.59
|-
|| 4 || Writing Efficient Python Code || DataCamp || 23.03 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-04-06T13:21:26Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02, 20.03 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_3_Pandas_Datetime.ipynb Блокнот Datetime]|| [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv НЛО] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_2_Numpy_Problems_Solution.ipynb NumPy решения][https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems_Solution.ipynb Pandas Решения]
|-
|| 06.04 || Визуализация данных. || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_1_Viz_Matplotlib.ipynb Matplotlib] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_2_Plotly.ipynb Plotly] || [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt Forest Data] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv Gapminder] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv Crimes] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] [https://github.com/rogovich/Data/blob/master/data/babies%20names/babies_all.txt Names]|| [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_3_Pandas_Viz_Problems.ipynb Задачи]
|-

|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1) || DataCamp || 16.03 23.59
|-
|| 3 || Python Data Science Toolbox (Part 2) || DataCamp || 16.03 23.59
|-
|| 4 || Writing Efficient Python Code || DataCamp || 23.03 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-04-06T11:29:51Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02, 20.03 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_3_Pandas_Datetime.ipynb Блокнот Datetime]|| [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv НЛО] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas]
|-
|| 06.04 || Визуализация данных. || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_1_Viz_Matplotlib.ipynb Matplotlib] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_2_Plotly.ipynb Plotly] || [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt Forest Data] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv Gapminder] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv Crimes] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] [https://github.com/rogovich/Data/blob/master/data/babies%20names/babies_all.txt Names]||
|-

|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1) || DataCamp || 16.03 23.59
|-
|| 3 || Python Data Science Toolbox (Part 2) || DataCamp || 16.03 23.59
|-
|| 4 || Writing Efficient Python Code || DataCamp || 23.03 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-04-06T11:07:02Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02, 20.03 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_3_Pandas_Datetime.ipynb Блокнот Datetime]|| [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv НЛО] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas]
|-
|| 06.04 || Визуализация данных. || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_1_Viz_Matplotlib.ipynb Matplotlib] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/07_Viz/7_2_Plotly.ipynb Plotly] || [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt Forest Data] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv Gapminder] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv Crimes] [Films https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv] [https://github.com/rogovich/Data/blob/master/data/babies%20names/babies_all.txt Names]||
|-

|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1) || DataCamp || 16.03 23.59
|-
|| 3 || Python Data Science Toolbox (Part 2) || DataCamp || 16.03 23.59
|-
|| 4 || Writing Efficient Python Code || DataCamp || 23.03 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-03-02T11:27:41Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02, 20.03 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_3_Pandas_Datetime.ipynb Блокнот Datetime]|| [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv НЛО] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas]
|-

|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1) || DataCamp || 16.03 23.59
|-
|| 3 || Python Data Science Toolbox (Part 2) || DataCamp || 16.03 23.59
|-
|| 4 || Writing Efficient Python Code || DataCamp || 23.03 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-03-01T13:13:56Z

Rogovich: /* Дополнительные баллы */

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] || [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas]
|-

|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1) || DataCamp || 16.03 23.59
|-
|| 3 || Python Data Science Toolbox (Part 2) || DataCamp || 16.03 23.59
|-
|| 4 || Writing Efficient Python Code || DataCamp || 23.03 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-03-01T13:10:42Z

Rogovich: /* Дополнительные баллы */

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] || [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas]
|-

|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|| 2 || Python Data Science Toolbox (Part 1 & Part 2) || DataCamp || 16.03 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Wiki - Факультет компьютерных наук:Wiki ФКН

2021-03-01T13:09:32Z

Rogovich:

__NOTOC__

= Учебные курсы факультета компьютерных наук =

== Курсы за 2020/21 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|
'''ПМИ'''

[[Математический_анализ_1_2020/2021_(пилотный_поток) | Математический анализ-1 на ПМИ (пилотный поток)]]

[[Математический_анализ_1_2020/2021_(основной_поток) | Математический анализ-1 на ПМИ (основной поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2020/2021_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2020/2021_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[Основы_и_методология_программирования_на_ПМИ_2020/2021_(пилотный_поток) | Основы и методология программирования на ПМИ 2020/2021 (пилотный поток)]]

[[Основы_и_методология_программирования_на_ПМИ_2020/2021_(основной_поток)_3_модуль | Основы и методология программирования на ПМИ 2020/2021 (основной поток, III модуль)]]

[[DM1-2020-21 | Дискретная математика-1 ПМИ]]

[[Алгоритмы_и_структуры_данных_1_2020/2021 | Алгоритмы и структуры данных – 1 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_пилотный_поток_2020/2021 | Алгоритмы и структуры данных – 1 на ПМИ (пилотный поток)]]

'''ПИ'''

[[DM1-SE-2020-21 | Дискретная математика-1 ПИ]]

[http://hsealgebra21.wikidot.com/ Алгебра ПИ]

'''ПАД'''

[[Discrete_Mathematics_DSBA2020/2021 | Discrete Mathematics (DSBA) ]]

[[LAaG_DSBA_2020/2021 | Linear Algebra and Geometry (DSBA)]]

[[English_DSBA_2020/2021 | English DSBA (DSBA)]]

[[Introduction_to_programming_DSBA_2020/2021 | Introduction to Programming (DSBA)]]

[[ Calculus_2020/21 | Calculus (DSBA) ]]

||
'''ПМИ'''

[[Теория_вероятностей_и_математическая_статистика_2020/2021_(пилотный_поток)| ТВиМС (пилотный поток)]]

[[Теория_вероятностей_2020/2021_(основной_поток)| Теория вероятностей (основной поток)]]

[[Математический_анализ_2020/2021_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]

[[Математический_анализ_-_2_(основной_поток) | Математический анализ - 2 на ПМИ (основной поток)]]

[[MissingSemester2020/2021 | Инструменты промышленной разработки (The Missing Semester of your CS education)]]

[[АКОС ПМИ 2020/2021 | Архитектура компьютеров и операционные системы]]

[[Основы матричных вычислений 2020/2021]]

[[Дифференциальные уравнения (ПМИ)]]

[[DM2-pilot2020/2021 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[DM2-base2020/2021 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_пилотный_поток_2019/2020 | Алгоритмы и структуры данных - 2 на ПМИ (пилотный поток)]]

[[Алгоритмы_и_структуры_данных_2_2020/2021 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

'''ПАД'''

[[Calculus-2_DSBA_2020_(ПАД) | Calculus-2 (DSBA) ]]

[[Discrete_Mathematics_-_2_DSBA2020/2021 | Discrete Mathematics - 2 (DSBA)]]

[[Business_and_Management_in_Global_Context_2020/21 | Business and Management in Global Context (DSBA)]]

[[Principles_of_micro_and_macro-economics_2020/21 | Principles of micro and macro-economics (DSBA)]]

[[Algorithms_and_data_structures_2_2020/21 | Algorithms and data structures 2 (DSBA)]]

[[Statistics_DSBA_2020/2021 | Probability and Statistics (DSBA)]]

[[ACOS_DSBA_2020/2021 | Computer Architecture and Operating Systems (DSBA)]]

[[Differential_Equations_2021 | Differential Equations ]]

||

'''ПМИ'''

[[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]

[[Прикладная статистика в машинном обучении 20/21]]

[[Безопасность компьютерных систем 20/21]]

[[Theory of computing, AMI]]

[[Матричные вычисления 20/21]]

[[НИС_Машинное_обучение_и_приложения_2020/2021|НИС Машинное обучение и приложения]]

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

[[Моделирование временных рядов 20/21]]

[[Высокопроизводительные вычисления 20/21]]

[[ Сбор и обработка данных с помощью краудсорсинга 20/21 ]]

[[ Распределённые системы ]]

[[ Компьютерные сети 2021 ]]

[[НИС_РС|НИС Распределенные системы]]

[[Анализ данных в бизнесе (Кафедра SAS)]]

[[Дополнительные главы прикладной статистики (2020/21)]]

[[Comb2020_2021 | Комбинаторные конструкции в теоретической информатике]]

[[Численные Методы 2021]]

[[Методы оптимизации 20/21]]

[[Математическое моделирование]]

'''ПАД'''

[[ MachineLearning1_DSBA2020 | Machine Learning 1 (DSBA)]]

[[ Time_Series_and_Stochastic_Processes_ada_20_21 | Time Series and Stochastic Processes (DSBA) ]]

[[ST2187 Business analytics, applied modelling and prediction | Business analytics, applied modelling and prediction (DSBA)]]

[[Data_Base_2020/2021_DSBA | Data Base (DSBA)]]

[[Social_History_of_Science_2020/21 | Social History of Science (DSBA)]]

[[Elements_of_Econometrics_2020/21 | Elements of Econometrics (DSBA)]]

[[Data Science Case Studies / Анализ данных в бизнесе (Кафедра SAS)]]

[[ Optimization_methods | Optimizaton Methods (DSBA) ]]

||

[[Философия_науки_2020 | Философия науки]]

[[Символьные вычисления]]

'''ПМИ / МОП'''

[[НИС_Машинное_обучение_и_приложения_2020/2021 | НИС Машинное обучение и приложения]]

[[Глубинное обучение в обработке звука 20/21]]

[[Байесовские методы машинного обучения 2020 | Байесовские методы машинного обучения]]

[[Машинное обучение на больших данных 2021]]

[[Генеративные модели в машинном обучении 2021 | Генеративные модели в машинном обучении 2021]]

'''ПМИ / РС'''

[[НИС_РС_2 | НИС Распределенные системы]]

[[msbdp_20 | Методы и системы обработки больших данных]]

[[ Облачные вычисления]]

'''ПМИ / ТИ'''

[[Statistical_learning_theory_2020 | Statistical learning theory]]

[[InfTheo2020-2021|Теория информации]]

[[A_Theorist's_Toolkit_2020_2021 | A Theorist's Toolkit, AMI]]

||

[[ Майнор Биоинформатика 1 год ]]

[[ Майнор Биоинформатика 2 год ]]

[[ Введение в программирование (майнор ИАД) ]]

[[Введение в анализ данных (майнор ИАД)]]

[[Современные_методы_машинного_обучения|Современные методы машинного обучения (майнор ИАД)]]

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

[[ ОУФ Машинное Обучение в Питоне ]]

[[ Факультатив "Теория вычислений и логика" (Осень 2020)]]

[[dopglavy_DM_2021|Допглавы дискретной математики]]

[[Adaptation_DM_20-21 |Adaptation course in DM]]

[[Функциональный анализ (осень 2020)]]

[[KotlinElective|Факультатив "Язык Kotlin" (2-3 модули)]]

[[ Факультатив "Теория вычислений и логика" | Факультатив "Теория вычислений" (Весна 2021)]]

[[Дополнительные_главы_теории_вероятностей_2021 | ДГТВ]]

[[Дополнительные_главы_теории_вероятностей-3_2019/2020 | ДГТВ-3]]

|}

== Курсы магистратуры ФКН ==

{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс
|-
| [[Stochastic_analysis_2020_2021 | Stochastic Analysis ]] || Statistical Learning Theory || 1 year
|-
| [[Econometrics_fall_2020 | Эконометрика ]] || ФТИАД || 1 year
|-
| [[Recsys_2020_2021 | Рекомендательные системы]] || ФТИАД|| 2 year
|-
| [[Project_Seminar_2020_2021 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 year
|-
|}

== Курсы в рамках проекта [https://www.hse.ru/dataculture/ Data Culture]==
=== 2 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули
|-
| [[Цифровая грамотность ИЯиМК 2020-2021|Цифровая грамотность ИЯиМК 2020-2021]] || ИЯиМК || 1 курс || 3-4 модули
|-
| [[Data Analysis in Python 2020-2021|Data Analysis in Python]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 2 курс || 3-4 модули
|-
| [[Машинное обучение на матфаке 2021 |Машинное обучение]] || Математика || 1-4 курс || 3-4 модули
|-
| [http://wiki.cs.hse.ru/Анализ_данных_на_python,_фэн,_2020_spring Анализ данных на python] || Факультет экономических наук || 1 курс || 3-4 модули
|-
| [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 3-4 модули
|-
| [[Python для ОП "Психология" |Python для ОП "Психология" ]] ||Психология || 1 курс || 3-4 модули
|-
| [http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%B2_Python_2020-2021_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F Анализ данных в Python] || Политолгия || 3 курс || 3-4 модули
|-
| [[Цифровая грамотность История искусств 2020-2021]] || История искусств || 1 курс || 3-4 модули
|-
| [[Excel для анализа данных , 20-21|Excel для анализа данных , 20-21]] || ИЯиМК || 4 курс || 3 модуль
|-
| [[ СДиА_Матфак_1_курс_2020/2021 | Структуры данных и алгоритмы ]] || Математика || 3-4 курс || 3-4 модуль
|-
|}

=== 1 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули
|-
| [[Основы программирования на Python осень 2020 матфак|Основы программирования на Python-1]] || Математика || 3 курс || 1-2 модули
|-
| [[Анализ_данных_в_Python_2020-2021|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули
|-
| [[Основы_анализа_и_визуализация_данных_для_медиа_2020/2021|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль
|-
| [[Компьютерная лингвистика и информационные технологии 2020|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[Проектный семинар медиаком 2020|Проектный семинар]] || Медиакоммуникации || 3 курс || 1 модуль
|-
| [[Основы анализа и визуализации данных ДИЯ 2020-2021|Основы анализа и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 1-2 модули
|-
| [[Основы программирования в Python (Политология 2020)|Основы программирования в Python]] || Политология || 3 курс || 1-2 модули
|-
| [[Data Analysis in Journalism and Political Science 2020-2021|Data Analysis in Journalism & Political Science]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 3 курс || 1 модуль
|-
| [[Data Analysis in Economics and Finance 2020-2021|Data Analysis in Economics & Finance]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 3 курс || 1 модуль
|-
| [[Прикладные исследования в культурологии 2020 1модуль|Прикладные исследования в культурологии]] || Прикладная культурология || 1 курс || 1 модуль
|-
| [[Основы анализа данных в международных отношениях 20/21|Основы анализа данных в международных отношениях 20/21]] || Международные отношения || 2 курс || 1-2 модуль
|-
| [[Анализ данных в R, Социология|Анализ данных в R]] || Социология || 4 курс || 1-2 модуль
|-
| [[Анализ данных на python, фэн, 2020 fall|Анализ данных на Python]] || Факультет экономических наук || 2 курс || 1-2 модуль
|-
| [[Цифровая грамотность, ЭиАМ|Цифровая грамотность, ЭиАМ]] || Эфиопия и арабский мир || 1 курс || 1-2 модуль
|-
| [[Цифровая грамотность, Античность|Цифровая грамотность, Античность]] || Античность || 1 курс || 1-2 модуль
|-
| [[Цифровая грамотность, ТиТМ|Цифровая грамотность, ТиТМ]] || Турция и Тюркский мир || 1 курс || 1-2 модуль
|-
| [[Цифровая грамотность История 2020/2021|Цифровая грамотность, История]] || История || 1 курс || 1-2 модуль
|-
| [[Цифровая_грамотность_2020_(Востоковедение)|Цифровая грамотность, Востоковедение]] || Востоковедение || 1 курс || 1-2 модуль
|-
| [[Цифровая_грамотность_География_2020/21|Цифровая грамотность, География]] || География || 1 курс || 1-2 модуль
|-
| [[Цифровая_грамотность_(филология)_2020|Цифровая грамотность, Филология]] || Филология|| 1 курс || 1-2 модуль
|-
| [[Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020)|Машинное обучение]] || Совместная программа по экономике НИУ ВШЭ и РЭШ || 3 курс || 1-2 модуль
|-
| [[Машинное_обучение_(ФЭН)_-_2020|Машинное обучение]] || Экономика || 3-4 курс || 1-2 модуль
|-
| [[Python: работа с данными и текстом|Python: работа с данными и текстом]] || Медиакоммуникации || 2-3 курс || 1-2 модуль
|-
| [[Phyton_для_извлечения_и_обработки_данных|Phyton для извлечения и обработки данных]] || Молекулярная и клеточная биотехнология || 1 курс || 1-2 модуль
|-
| [[ПМСАР-2_2020| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули
|-
| [[Основы_программирования_на_Python2020/2021|Основы программирования на Python]] || Экономика и статистика || 2-3 курс || 1-2 модули
|-
| [[Извлечение и анализ интернет-данных (2020)|Извлечение и анализ интернет-данных]] || Экономика и статистика || 2-4 курс || 2 модуль

|}

== Курсы других факультетов ==

{| class="wikitable"
|-
! Дисциплина !! Курс !! Период
|-
| [[Теория вероятностей и математическая статистика, фэн, 2020-2021|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 1-4 модуль
|-
| [[Эконометрика, фэн, 2020-2021|Эконометрика]] || фэн, 3 курс || 1-4 модуль
|-
| [[Динамическая оптимизация в экономике и финансах, фэн, 2020-2021|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль
|-
|}

=Архив=

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

[[Математический_анализ_1_2019/2020 | Математический анализ-1 на ПМИ (пилотный поток)]]

[[Математический_анализ_на_ПМИ_2019/2020_(основной_поток,_2_семестр) | Математический анализ на ПМИ (основной поток, 2 семестр)]]

[[Математический_анализ_на_ПМИ_2019/2020_(основной_поток) | Математический анализ на ПМИ (основной поток)]]

[[Дискретная_математика_1_2019/2020 | Дискретная математика-1 на ПМИ]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[Алгебра_на_ПМИ_2019/2020_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]

[[Алгебра_на_ПМИ_2019/2020_(основной_поток) | Алгебра на ПМИ (основной поток)]]

[[Основы_и_методология_программирования_2019/2020 | Основы и методология программирования на ПМИ (основной поток)]]

[[Основы_и_методология_программирования_1_2019/2020_(пилотный_поток) | Основы и методология программирования-1 на ПМИ (пилотный поток)]]

[[Discrete_Mathematics_DSBA2019/2020 | Discrete Mathematics DSBA (ПАД)]]

[[Calculus_DSBA2019/2020 | Calculus DSBA (ПАД) 1st module]]

[[Calculus_DSBA2020 | Calculus DSBA (ПАД) 2nd module]]

[[LAaG_DSBA_2019/2020 | Linear Algebra and Geometry (ПАД)]]

[[Introduction_to_programming_DSBA_2019/2020 | Introduction to Programming (ПАД)]]

[[English_DSBA_2019/2020 | English DSBA (ПАД)]]

[[Algorithms_and_Data_Structures_DSBA_2020 | Algorithms and Data Structures DSBA ]]

[[Algebra_DSBA_2019/2020 | Algebra DSBA]]

[[Алгоритмы_и_структуры_данных_1_основной_поток_2019/202 | Алгоритмы и структуры данных-1 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_пилотный_поток_2019/2020 | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

||

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

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

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

[[Теория_вероятностей_и_математическая_статистика_2019/2020_(пилотный_поток)| ТВиМС (пилотный поток)]]

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

[[Математический_анализ_2_2019/2020_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_2_2019/2020 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

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

[[Calculus_2_2019 | Calculus-2 DBSA (ПАД)]]

[[Statistics_DSBA_2019/2020 | Statistics DSBA (ПАД)]]

[[DM2 | Дискретная Математика-2 (ПАД)]]

[[ADS2 | Алгоритмы и Структуры Данных-2 (ПАД)]]

[[Introduction_to_Economics | Introduction to Economics DSBA ]]

[[Business_and_Management_in_Global_Context_2019-2020| Business and Management in Global Context DSBA ]]

[[ACOS_DSBA_2019/2020 | Computer Architecture and Operating Systems (ПАД)]]

[[Differential_Equations_2020 | Differential Equations DSBA ]]

[[Факультатив Теория вычислений_2020 | Факультатив Теория вычислений]]

[[Дифференциальные_уравнения_2020 | Дифференциальные уравнения 2020 ]]

||

[[Машинное_обучение_1/2019_2020 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2/2019_2020 | Машинное обучение 2 на ПМИ]]

[[Численные_Методы_2020 | Численные методы]]

[[Прикладная_статистика_в_машинном_обучении(2019)|Прикладная статистика в машинном обучении]]

[[Theory_of_Computing_2019_2020 | Theory of Computing, AMI]]

[[Компьютерные_Сети | Компьютерные сети]]

[[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]

[[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]

[[Непрерывная_оптимизация_(МОП)/2020| Непрерывная оптимизация (МОП)]]

[[%D0%9D%D0%B5%D0%BF%D1%80%D0%B5%D1%80%D1%8B%D0%B2%D0%BD%D0%B0%D1%8F_%D0%BE%D0%BF%D1%82%D0%B8%D0%BC%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F_(%D0%A2%D0%98,_%D0%90%D0%94%D0%98%D0%A1,_%D0%90%D0%9F%D0%A0,_%D0%A0%D0%A1)| Непрерывная оптимизация (ТИ, АДИС, АПР, РС) ]]

[[Data_analysis_(Software_Engineering)_2020|Data Analysis]]

[[Промышленное_программирование_на_языке_Java| Промышленное программирование на языке Java]]

[[CCTI_2020|Сложность вычислений и логика в теоретической информатике]]

||

[[InfTheo2019-2020|Теория информации]]

[[Байесовские_методы_машинного_обучения_2019|Байесовские методы машинного обучения]]

[[НИС Науки о данных]]

[[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]

[[Философия_науки_2019|Философия науки]]

[[Глубинное обучение|Глубинное обучение]]

[[NLP 2019|NLP Анализ данных]]

[[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]

[[Генеративные_модели_в_машинном_обучении_2020|Генеративные модели в машинном обучении]]

[[Компьютерные Сети 4 курс| Компьютерные сети]]

[[Промышленное_программирование_на_языке_Java| Промышленное программирование на языке Java]]

[[Машинное_обучение_на_больших_данных_2020|Машинное обучение на больших данных]]

[[Основы_обработки_больших_данных_2020|Основы обработки больших данных]]

||
[[MinorBioinformatics|Биоинформатика]]

[[Майнор Интеллектуальный анализ данных/Современные_методы_машинного_обучения | Современные методы машинного обучения (ИАД)]]

[[KotlinElective|Факультатив "Язык Kotlin" (2-3 модули)]]

[[ISDElective|Факультатив "Методы разработки программного обеспечения" (1-2 модули)]]

[[Введение в программирование (курс майнора)]]

[[dopglavy_DM_1920|Допглавы дискретной математики]]

[[Дополнительные_главы_теории_вероятностей-2_2019/2020|ДГТВ-2]]

[[Дополнительные_главы_теории_вероятностей_2020|ДГТВ]]

[[Введение_в_анализ_данных_(майнор_ИАД)_2019/2020|Введение в анализ данных (майнор ИАД)]]

[[Прикладные_задачи_анализа_данных_(майнор_ИАД)|Прикладные задачи анализа данных (майнор ИАД)]]

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

|}

== Курсы магистратуры ФКН ==

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

|-
| [[Theory_of_Computing_2019_2020 | Theory of Computing]] || Науки о данных, специализация ТИ || 1 курс
|-
| [[Project_Seminar_2019_2020 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 курс
|-
| [[Stochastic_analysis_2019_2020 | Stochastic Calculus ]] || Statistical Learning Theory || 1 year
|-
| [[A_Theorist's_Toolkit_2019_2020 | A Theorist's Toolkit, AMI]] || Науки о данных, специализация ТИ || 1 курс
|-
| [[Neurobayesian_models_2020 | Neurobayesian models ]] || Statistical Learning Theory || 2 year
|}

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

{| class="wikitable"
|- http://wiki.cs.hse.ru/Цифровая_грамотность_(филология)_2020#.F0.9F.93.AC_.D0.A7.D0.B0.D1.82.D1.8B_.D0.B3.D1.80.D1.83.D0.BF.D0.BF
! Дисциплина !! Образовательная программа !! Курс !! Модули
|-
| [[Введение в анализ данных 2020 МирЭк| Введение в анализ данных]] || Мировая экономика || 1 курс || 3-4 модуль
|-
|[[ Основы программирования в Python (Мирэк) | Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модуль
|-
| [[ Цифровая грамотность, ИЯиМК| Цифровая грамотность ]] || Иностранные языки и межкультурная коммуникация || 1 курс || 3-4 модуль
|-
| [[ Цифровая_грамотность_(филология)_2020| Цифровая грамотность ]] || Филология || 1 курс || 3-4 модуль
|-
| [[Цифровая_грамотность_(ФиКЛ)_2020| Цифровая грамотность ]] || Фундаментальная и компьютерная лингвистика || 1 курс || 4 модуль
|-
| [[ Цифровая грамотность 2019-2020 (История искусств)| Цифровая грамотность ]] || История искусств || 1 курс || 3-4 модуль
|-
| [[ Цифровая грамотность 2019-2020 (Культурология)| Цифровая грамотность ]] || Культурология || 1 курс || 3-4 модуль
|-
| [[ Цифровая грамотность, ЯиЛ_ЮВА| Цифровая грамотность ]] || Языки и литература Юго-Восточной Азии || 1 курс || 3-4 модуль
|-
| [[ Цифровая грамотность, ЯиЛЯ| Цифровая грамотность ]] || Языки и литература Японии || 1 курс || 3-4 модуль
|-
| [[ ППО Социология 1 курс 2019/2020| ППО (Python для извлечения и обработки данных) ]] || Социология || 1 курс || 3 модуль
|-
|[[ Машинное обучение на матфаке 2020 | Машинное обучение]] || Математика || 2-4 курс || 3-4 модуль
|-
|[[ Excel для анализа данных | Excel для анализа данных]] || ИЯиМК || 4 курс || 3 модуль
|-
| [[ Python для извлечения и обработки данных Медиаком 2 курс 2019/2020| Python для извлечения и обработки данных ]] || Медиакоммуникации || 2 курс || 3 модуль
|-
| [[ Python для извлечения и обработки данных Медиаком 1 курс 2019/2020| Python для извлечения и обработки данных ]] || Медиакоммуникации || 1 курс || 4 модуль
|-
| [[ СДиА Матфак 1 курс 2019/2020| Структуры данных и алгоритмы ]] || Математика || 3-4 курс || 3-4 модуль
|-
| [[Методы_машинного_обучения_(Прикладная_политология)|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|-
| [[Наука о данных (Экономика)|Наука о данных]] || Экономика || 2 курс || 3-4 модули
|-
| [[Основы программирования на Python весна 2021 матфак|Основы программирования на Python, 2 часть]] || Математика || 2-4 курс || 3-4 модули
|-
| [[Культура работы с данными, КМБТ|Культура работы с данными, КМБТ]] || Клеточная и молекулярная биотехнология || 1 курс || 3-4 модули
|-
| [[Natural_Language_Processing_Blended_2020_module4 | Natural Language Processing (blended)]] || Прикладная политология || 1 г.о. || 4 модуль
|-
| [[ПМСАР-1 2019/2020|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 1 г.о. || 3-4 модули
|-
| [[Введение в Data Science]] || Экономика впечатлений: менеджмент в индустрии гостеприимства и туризме || 1 г.о. || 3 модуль
|-
| [[Принципы построения математических моделей]] || МИЭМ || 1 г.о. || 4 модуль
|-
| [[Python для извлечения и обработки данных Психология 1 курс 2019/2020]] || Психология || 1 г.о. || 4 модуль
|-
| [[Технологии анализа больших данных ГМУ 1 курс 2019/2020]] || ГМУ || 1 г.о. || 4 модуль
|-
| [[Городское планирование | Цифровая грамотность]] || Городское планирование || 1 г.о. || 4 модуль
|}

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

|-
| [[ Основы анализа и визуализация данных для медиа 2019/2020 | Основы анализа и визуализации данных для медиа ]] || Журналистика || 4 курс || 1 модуль
|-
| [[ Анализ данных в Python 2019-2020 | Анализ данных в Python ]] || Политология || 4 курс || 1-2 модули
|-
| [[Introduction to Data Culture 2019-2020 | Introduction to Data Culture ]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 1 курс || 2 модуль
|-
| [[ Основы анализа данных в международных отношениях | Основы анализа данных в международных отношениях ]] || Международные отношения || 2 курс || 1-2 модуль
|-
| [[Основы программирования в Python (Политология)|Основы программирования в Python]] || Политология || 3 курс || 1-2 модули
|-
| [[Основы программирования на Python осень 2019 матфак|Основы программирования на Python-1]] || Математика || 1-4 курс || 1-2 модули
|-
| [[ Цифровая грамотность (История 2019) | Цифровая грамотность ]] || История || 1 курс || 1-2 модули
|-
| [[ Цифровая грамотность (Востоковедение 2019) | Цифровая грамотность ]] || Востоковедение|| 1 курс || 1-2 модули
|-
| [[ Цифровая_грамотность_2019-2020(философия) | Цифровая грамотность ]] || Философия || 1 курс || 1-2 модули
|-
| [[ Цифровая грамотность (ассириология и античность 2019) | Цифровая грамотность ]] || Ассириология и античность|| 1 курс || 1-2 модули
|-
| [[ПМСАР-2_2019| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули
|-
| [[Работа с данными]] || Медиакоммуникации || 4 курс || 1 модуль
|-
| [[Машинное обучение (фэн 2019)]] || ФЭН || 3 курс || 1-2 модули
|-
| [[Natural_Language_Processing_Blended_2019_module1 | Natural Language Processing (blended)]] || Прикладная политология || 2 г.о. || 1 модуль
|-
| [[ ML_HSE_NES_2019 | Машинное обучение (ВШЭ-РЭШ)]] || Совместный бакалавриат ВШЭ-РЭШ || 3-4 курс || 1-2 модули
|-
| [[ Основы_анализа_и_визуализации_данных_ДИЯ_2019/2020 | Основы анализа и визуализации данных ]] || ДИЯ || 2 курс || 1,2 модуль
|-
| [[Методы_машинного_обучения_(Прикладная_политология)|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|-
| [[Основы_программирования_на_Python2019/2020|Основы программирования на Python]] || Экономика и статистика || 2-4 курс || 2 модуль
|}

== Курсы других факультетов ==

{| class="wikitable"
|-
! Дисциплина !! Курс !! Период
|-
| [[Теория вероятностей и математическая статистика, фэн, 2019-2020|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 3-4 модуль
|-
| [[Микроэконометрика качественных данных, фэн, 2020|Микроэконометрика качественных данных 2020]] || фэн, 4 курс || 1-2 модуль
|}

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

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

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

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

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

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

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

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

[[LAaG_DSBA_2018/2019 | LAaG DSBA]]

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

[[Discrete_Mathematics_DSBA2018/2019 |Discrete Mathematics DSBA (ПАД)]]

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

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

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

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

[[Algebra_DSBA_2018/2019 | Algebra DSBA]]

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

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

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

||

[http://math-info.hse.ru/2018-19/Дифференциальные_уравнения_(ФКН) Дифференциальные уравнения]

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

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

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

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

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

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

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

[[Факультатив Теория вычислений]]

||

[[Машинное_обучение_1/2018_2019 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]

[[Численные_Методы_2018 | Численные методы ]]

[[PDC | Параллельные и распределенные вычисления]]

[[Theory_of_Computing_2018_2019 | Theory of Computing, AMI]]

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

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

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

[[Основные методы анализа данных]]

[[Теория баз данных]]

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

[[Непрерывная оптимизация (163-167)]]

[[Сложность вычислений и логика в теоретической информатике]]

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

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

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

[[Дискретная оптимизация 2019 | Дискретная оптимизация 2019]]

||

[[Statistical_learning_theory_2018_2019 | Introduction to statistical learning theory]]

[[Анализ_неструктурированных_данных-2018 |Анализ неструктурированных данных ]]

[[Байесовские_методы_машинного_обучения_2018|Байесовские методы машинного обучения]]

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

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

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

[[Теория_Информации_2018/2019|Теория информации]]

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

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

[[Философия_науки_2018|Философия науки]]

[[Теория баз данных]]

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

[[Функциональное программирование 2019 | Функциональное программирование]]

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

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

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

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

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

[[dopglavy_DM_1819|Допглавы дискретной математики]]

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

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

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

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

[[KotlinElective| Язык Kotlin (3 и 4 модули 2018-2019)]]

|}

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

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

|-
| [[Основы программирования на Python весна 2020 матфак|Основы программирования на Python-2]] || Математика || 2-4 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(филология)|Цифровая грамотность]] || Филология || 1 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(ИИ_и_культурология)|Цифровая грамотность]] || История искусств и Культурология || 1 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(ИЯМК_2019)|Цифровая грамотность]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 1 курс || 3-4 модули
|-
| [[Основы_анализа_и_визуализации_данных_ДИЯ_2019|Анализ и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 3-4 модули
|-
| [[Научно-исследовательский_семинар_2019| Научно-исследовательский семинар]] || Политология || 1 курс || 3 модуль
|-
| [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|-
| [[Основы_программирования_в_Python_2019|Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модули
|-
| [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули
|-
| [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[ПМСАР-1|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 1 г.о. || 3-4 модули
|-
| [[Искусственный интеллект и большие данные_(2019)|Искусственный интеллект и большие данные]] || Дизайн, Мода, Современное искусство || 1 курс || 3-4 модули
|-
| [[Информационный менеджмент: Введение в Data Science|Информационный менеджмент: Введение в Data Science]] || Управление бизнесом Маркетинг и рыночная аналитика || 1 курс || 4 модуль
|-
| [[Технологии анализа больших данных|Технологии анализа больших данных]] || ГМУ || 1 курс || 4 модуль
|-
| [[Основы программирования на Python (Прикладное программное обеспечение)|Основы программирования на Python (Прикладное программное обеспечение)]] || Социология || 1 курс || 4 модуль
|-
| [[Основы работы с данными|Основы работы с данными]] || Медиакоммуникации || 2 курс || 4 модуль
|-
| [[Введение_в_data_science_Социология_1_курс|Профориентационный семинар (Data Culture)]] || Социология || 1 курс || 4 модуль
|-
| [[Введение_в_анализ_данных_МирЭк_2019|Введение в анализ данных]] || Мировая экономика || 1 курс || 4 модуль

|}

=== 1 семестр ===

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

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

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

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

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

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

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

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

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

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

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

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

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

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

[[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]

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

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

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

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

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

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

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

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

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

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

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

[[Численные_методы_2017 | Численные методы]]

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

[[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]

[[Theory_of_Computing | Theory of Computing, AMI]]

[[Statistical_learning_theory | Introduction to statistical learning theory]]

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

[[Анализ неструктурированных данных]]

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

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

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

[[Непрерывная_оптимизация | Непрерывная оптимизация]]

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

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

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

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

[[Дискретная_оптимизация | Дискретная оптимизация]]

||

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

[[Философия_науки_2017 | Философия науки]]

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

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

[[Анализ неструктурированных данных]]

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

[[Функциональное программирование 2018 | Функциональное программирование]]

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

||

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

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

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

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

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

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

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

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

[[Цифровые технологии в гуманитарных науках]]

|}

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

=== 2 семестр ===

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

=== 1 семестр ===

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

== Курсы магистратуры Финансовые технологии и анализ данных ==

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

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

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

[[Introduction to Machine Learning and Data Mining |Introduction to Machine Learning and Data Mining 2019]]

[[Introduction to Machine Learning and Data Mining 2020 |Introduction to Machine Learning and Data Mining 2020]]

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

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

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

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

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

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

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

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

[[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]

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

||

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

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

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

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

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

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

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

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

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

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

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

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

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

||

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

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

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

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

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

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

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

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

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

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

[[Программирование_на_графических_процессорах | Программирование на графических процессорах]]

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

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

[[Базы данных 2 | Базы данных 2 ]]

[[Компьютерные сети 2 | Компьютерные сети 2]]

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

||

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

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

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

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

|}

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



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

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



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

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


|}

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

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

Анализ данных в Python 2020-2021 Политология

2021-02-16T10:23:17Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/04_Classes/4_Classes.ipynb Блокнот] || ||
|-
|| 16.02 || NumPy. Введение. Pandas || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/5_1_Numpy.ipynb Блокнот NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_1_Pandas_Intro.ipynb Блокнот Pandas Intro] || [https://github.com/rogovich/Data/blob/master/data/olympics/athlete_events.csv Олимпиады] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv Титаник] ||[https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/05_Numpy/2_2_Numpy_Problems.ipynb Задачи NumPy] [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/06_Pandas/6_2_Pandas_Problems.ipynb Задачи Pandas]
|-

|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-02-09T08:29:00Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || || ||
|-
|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-02-09T08:25:51Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]
* [Ведомость https://docs.google.com/spreadsheets/d/18JFioxwTs3uAqtKv4-Oh8E4aKERAaLJMGPqSExx_If0/edit?usp=sharing]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || || ||
|-
|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-02-09T08:05:58Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].
Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01-26.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 02.02 || Алгоритмы || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/03_Algorithms Блокнот] || ||
|-
|| 09.02 || Классы || || ||
|-
|}

===Домашние задания===
Домашние задания или публикуются на платформе (online.hse.ru) или находим их в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

{| class="wikitable"
|-
! Номер !! Тема задания !! Где искать? !! Deadline
|-
|| 1 || Regular Expressions in Python || DataCamp || 16.02 23.59
|-
|}

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-01-26T11:43:44Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].

Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 26.01 || Алгоритмы ||
|-}

==Домашние задания==
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 || [https://online.hse.ru/mod/quiz/view.php?id=204850 Ссылка на ДЗ]
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-01-25T22:02:34Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].

Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 19.01|| RegEx || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/02_Strings_RegEx Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/blob/main/02_Strings_RegEx/2_Problems.ipynb Задачи для урока]
|-
|| 26.01 || Алгоритмы ||
|-}

==Домашние задания==
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 ||
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-01-25T21:49:56Z

Rogovich: /* Дополнительные баллы */

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].

Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 ||
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-01-25T21:49:19Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].

Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 ||
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу аналогичны дз1.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-01-25T21:48:49Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].

Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 ||
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 9.02 16.20 - 17.40 ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-01-25T21:47:50Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].

Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Ссылки
|-
|| ДЗ1: Python || 4.02 23.59 ||
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-01-19T10:14:14Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].

Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]
|-}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || ||
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-01-19T10:12:58Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

==Материалы==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qsqVvpc5qz1-HphtFim-Km жмяк].

Репозиторий с материалами: [https://github.com/rogovich/2021_HSE_POL_DAinP здесь]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 12.01 || Python Refresher || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2021_HSE_POL_DAinP/tree/main/01_Python_Refresher/%40Problems Задачи и решения]

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || ||
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021 Политология

2021-01-12T11:58:46Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || ||
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Оценка===
Окончательная оценка = Округление(0.45 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.2 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Wiki - Факультет компьютерных наук:Wiki ФКН

2021-01-12T11:29:40Z

Rogovich:

__NOTOC__

= Учебные курсы факультета компьютерных наук =

== Курсы за 2020/21 учебный год ==
{| class="wikitable"
|-
! 1 курс !! 2 курс !! 3 курс !! 4 курс !! майноры и факультативы
|-
|
'''ПМИ'''

[[Математический_анализ_1_2020/2021_(пилотный_поток) | Математический анализ-1 на ПМИ (пилотный поток)]]

[[Математический_анализ_1_2020/2021_(основной_поток) | Математический анализ-1 на ПМИ (основной поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2020/2021_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2020/2021_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[Основы_и_методология_программирования_на_ПМИ_2020/2021_(пилотный_поток) | Основы и методология программирования на ПМИ 2020/2021 (пилотный поток)]]

[[Основы_и_методология_программирования_на_ПМИ_2020/2021_(основной_поток)_3_модуль | Основы и методология программирования на ПМИ 2020/2021 (основной поток, III модуль)]]

[[DM1-2020-21 | Дискретная математика-1 ПМИ]]

[[Алгоритмы_и_структуры_данных_1_2020/2021 | Алгоритмы и структуры данных – 1 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_пилотный_поток_2020/2021 | Алгоритмы и структуры данных – 1 на ПМИ (пилотный поток)]]

'''ПИ'''

[[DM1-SE-2020-21 | Дискретная математика-1 ПИ]]

'''ПАД'''

[[Discrete_Mathematics_DSBA2020/2021 | Discrete Mathematics (DSBA) ]]

[[LAaG_DSBA_2020/2021 | Linear Algebra and Geometry (DSBA)]]

[[English_DSBA_2020/2021 | English DSBA (DSBA)]]

[[Introduction_to_programming_DSBA_2020/2021 | Introduction to Programming (DSBA)]]

[[ Calculus_2020/21 | Calculus (DSBA) ]]

||
'''ПМИ'''

[[Теория_вероятностей_и_математическая_статистика_2020/2021_(пилотный_поток)| ТВиМС (пилотный поток)]]

[[Теория_вероятностей_2020/2021_(основной_поток)| Теория вероятностей (основной поток)]]

[[Математический_анализ_2020/2021_(пилотный_поток) | Математический анализ 2 на ПМИ (пилотный поток)]]

[[Математический_анализ_-_2_(основной_поток) | Математический анализ - 2 на ПМИ (основной поток)]]

[[MissingSemester2020/2021 | Инструменты промышленной разработки (The Missing Semester of your CS education)]]

[[АКОС ПМИ 2020/2021 | Архитектура компьютеров и операционные системы]]

[[Основы матричных вычислений 2020/2021]]

[[Дифференциальные уравнения (ПМИ)]]

[[DM2-pilot2020/2021 | Дискретная математика-2 на ПМИ (пилотный поток)]]

[[DM2-base2020/2021 | Дискретная математика-2 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_пилотный_поток_2019/2020 | Алгоритмы и структуры данных - 2 на ПМИ (пилотный поток)]]

[[Алгоритмы_и_структуры_данных_2_2020/2021 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

'''ПАД'''

[[Calculus-2_DSBA_2020_(ПАД) | Calculus-2 (DSBA) ]]

[[Discrete_Mathematics_-_2_DSBA2020/2021 | Discrete Mathematics - 2 (DSBA)]]

[[Business_and_Management_in_Global_Context_2020/21 | Business and Management in Global Context (DSBA)]]

[[Principles_of_micro_and_macro-economics_2020/21 | Principles of micro and macro-economics (DSBA)]]

[[Algorithms_and_data_structures_2_2020/21 | Algorithms and data structures 2 (DSBA)]]

[[Statistics_DSBA_2020/2021 | Probability and Statistics (DSBA)]]

[[ACOS_DSBA_2020/2021 | Computer Architecture and Operating Systems (DSBA)]]

[[Differential_Equations_2021 | Differential Equations ]]

||

'''ПМИ'''

[[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]

[[Прикладная статистика в машинном обучении 20/21]]

[[Безопасность компьютерных систем 20/21]]

[[Theory of computing, AMI]]

[[Матричные вычисления 20/21]]

[[НИС_Машинное_обучение_и_приложения_2020/2021|НИС Машинное обучение и приложения]]

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

[[Моделирование временных рядов 20/21]]

[[Высокопроизводительные вычисления 20/21]]

[[ Сбор и обработка данных с помощью краудсорсинга 20/21 ]]

[[ Распределённые системы ]]

[[НИС_РС|НИС Распределенные системы]]

[[Анализ данных в бизнесе (Кафедра SAS)]]

[[Дополнительные главы прикладной статистики (2020/21)]]

[[Comb2020_2021 | Комбинаторные конструкции в теоретической информатике]]

[[Численные Методы 2021]]

'''ПАД'''

[[ MachineLearning1_DSBA2020 | Machine Learning 1 (DSBA)]]

[[ Time_Series_and_Stochastic_Processes_ada_20_21 | Time Series and Stochastic Processes (DSBA) ]]

[[ST2187 Business analytics, applied modelling and prediction | Business analytics, applied modelling and prediction (DSBA)]]

[[Data_Base_2020/2021_DSBA | Data Base (DSBA)]]

[[Social_History_of_Science_2020/21 | Social History of Science (DSBA)]]

[[Elements_of_Econometrics_2020/21 | Elements of Econometrics (DSBA)]]

[[Data Science Case Studies / Анализ данных в бизнесе (Кафедра SAS)]]

[[ Optimization_methods | Optimizaton Methods (DSBA) ]]

||

[[Философия_науки_2020 | Философия науки]]

'''ПМИ / МОП'''

[[НИС_Машинное_обучение_и_приложения_2020/2021 | НИС Машинное обучение и приложения]]

[[Глубинное обучение в обработке звука 20/21]]

[[Байесовские методы машинного обучения 2020 | Байесовские методы машинного обучения]]

[[Statistical_learning_theory_2020 | Statistical learning theory]]

[[Машинное обучение на больших данных 2021]]

[[InfTheo2020-2021|Теория информации]]

'''ПМИ / РС'''

[[НИС_РС_2 | НИС Распределенные системы]]

[[msbdp_20 | Методы и системы обработки больших данных]]

[[ Облачные вычисления]]

||

[[ Майнор Биоинформатика 1 год ]]

[[ Майнор Биоинформатика 2 год ]]

[[ Введение в программирование (майнор ИАД) ]]

[[Современные_методы_машинного_обучения|Современные методы машинного обучения (майнор ИАД) ]]

[[ ОУФ Машинное Обучение в Питоне ]]

[[ Факультатив "Теория вычислений и логика" (Осень 2020)]]

[[Дополнительные_главы_теории_вероятностей-3_2019/2020 | ДГТВ-3]]

[[dopglavy_DM_2021|Допглавы дискретной математики]]

[[Adaptation_DM_20-21 |Adaptation course in DM]]

[[Функциональный анализ (осень 2020)]]

[[KotlinElective|Факультатив "Язык Kotlin" (2-3 модули)]]

[[ Факультатив "Теория вычислений и логика" | Факультатив "Теория вычислений" (Весна 2021)]]

|}

== Курсы магистратуры ФКН ==

{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс
|-
| [[Stochastic_analysis_2020_2021 | Stochastic Analysis ]] || Statistical Learning Theory || 1 year
|-
| [[Econometrics_fall_2020 | Эконометрика ]] || ФТИАД || 1 year
|-
| [[Recsys_2020_2021 | Рекомендательные системы]] || ФТИАД|| 2 year
|-
| [[Project_Seminar_2020_2021 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 year
|-
|}

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

{| class="wikitable"
|- http://wiki.cs.hse.ru/Цифровая_грамотность_(филология)_2020#.F0.9F.93.AC_.D0.A7.D0.B0.D1.82.D1.8B_.D0.B3.D1.80.D1.83.D0.BF.D0.BF
! Дисциплина !! Образовательная программа !! Курс !! Модули
|-
| [[Цифровая грамотность ИЯиМК 2020-2021|Цифровая грамотность ИЯиМК 2020-2021]] || ИЯиМК || 1 курс || 3-4 модули
|-
| [[Машинное обучение на матфаке 2021 |Машинное обучение]] || Математика || 1-4 курс || 3-4 модули
|-
| [[Обработка и анализ данных физического эксперимента|Обработка и анализ данных физического эксперимента]] || Физика || 2 курс || 3-4 модули
|-
| [[Python для ОП "Психология" |Python для ОП "Психология" ]] ||Психология || 1 курс || 3-4 модули
|-
| [http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_%D0%B2_Python_2020-2021_%D0%9F%D0%BE%D0%BB%D0%B8%D1%82%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F Анализ данных в Python] || Политолгия || 3 курс || 3-4 модули
|}

=== 1 семестр ===
{| class="wikitable"
|-
! Дисциплина !! Образовательная программа !! Курс !! Модули
|-
| [[Основы программирования на Python осень 2020 матфак|Основы программирования на Python-1]] || Математика || 3 курс || 1-2 модули
|-
| [[Анализ_данных_в_Python_2020-2021|Анализ данных в Python]] || Политология || 4 курс || 1-2 модули
|-
| [[Основы_анализа_и_визуализация_данных_для_медиа_2020/2021|Основы анализа и визуализации данных для медиа]] || Журналистика || 4 курс || 1 модуль
|-
| [[Компьютерная лингвистика и информационные технологии 2020|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[Проектный семинар медиаком 2020|Проектный семинар]] || Медиакоммуникации || 3 курс || 1 модуль
|-
| [[Основы анализа и визуализации данных ДИЯ 2020-2021|Основы анализа и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 1-2 модули
|-
| [[Основы программирования в Python (Политология 2020)|Основы программирования в Python]] || Политология || 3 курс || 1-2 модули
|-
| [[Data Analysis in Journalism and Political Science 2020-2021|Data Analysis in Journalism & Political Science]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 3 курс || 1 модуль
|-
| [[Data Analysis in Economics and Finance 2020-2021|Data Analysis in Economics & Finance]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 3 курс || 1 модуль
|-
| [[Прикладные исследования в культурологии 2020 1модуль|Прикладные исследования в культурологии]] || Прикладная культурология || 1 курс || 1 модуль
|-
| [[Основы анализа данных в международных отношениях 20/21|Основы анализа данных в международных отношениях 20/21]] || Международные отношения || 2 курс || 1-2 модуль
|-
| [[Анализ данных в R, Социология|Анализ данных в R]] || Социология || 4 курс || 1-2 модуль
|-
| [[Анализ данных на python, фэн, 2020 fall|Анализ данных на Python]] || Факультет экономических наук || 2 курс || 1-2 модуль
|-
| [[Цифровая грамотность, ЭиАМ|Цифровая грамотность, ЭиАМ]] || Эфиопия и арабский мир || 1 курс || 1-2 модуль
|-
| [[Цифровая грамотность, Античность|Цифровая грамотность, Античность]] || Античность || 1 курс || 1-2 модуль
|-
| [[Цифровая грамотность, ТиТМ|Цифровая грамотность, ТиТМ]] || Турция и Тюркский мир || 1 курс || 1-2 модуль
|-
| [[Цифровая грамотность История 2020/2021|Цифровая грамотность, История]] || История || 1 курс || 1-2 модуль
|-
| [[Цифровая_грамотность_2020_(Востоковедение)|Цифровая грамотность, Востоковедение]] || Востоковедение || 1 курс || 1-2 модуль
|-
| [[Цифровая_грамотность_География_2020/21|Цифровая грамотность, География]] || География || 1 курс || 1-2 модуль
|-
| [[Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020)|Машинное обучение]] || Совместная программа по экономике НИУ ВШЭ и РЭШ || 3 курс || 1-2 модуль
|-
| [[Машинное_обучение_(ФЭН)_-_2020|Машинное обучение]] || Экономика || 3-4 курс || 1-2 модуль
|-
| [[Python: работа с данными и текстом|Python: работа с данными и текстом]] || Медиакоммуникации || 2-3 курс || 1-2 модуль
|-
| [[Phyton_для_извлечения_и_обработки_данных|Phyton для извлечения и обработки данных]] || Молекулярная и клеточная биотехнология || 1 курс || 1-2 модуль
|-
| [[ПМСАР-2_2020| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули
|-
| [[Основы_программирования_на_Python2020/2021|Основы программирования на Python]] || Экономика и статистика || 2-3 курс || 1-2 модули
|-
| [[Извлечение и анализ интернет-данных (2020)|Извлечение и анализ интернет-данных]] || Экономика и статистика || 2-4 курс || 2 модуль
|}

== Курсы других факультетов ==

{| class="wikitable"
|-
! Дисциплина !! Курс !! Период
|-
| [[Теория вероятностей и математическая статистика, фэн, 2020-2021|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 1-4 модуль
|-
| [[Эконометрика, фэн, 2020-2021|Эконометрика]] || фэн, 3 курс || 1-4 модуль
|-
| [[Динамическая оптимизация в экономике и финансах, фэн, 2020-2021|Динамическая оптимизация в экономике и финансах]] || фэн, 3-4 курс || 1-2 модуль
|-
|}

=Архив=

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

[[Математический_анализ_1_2019/2020 | Математический анализ-1 на ПМИ (пилотный поток)]]

[[Математический_анализ_на_ПМИ_2019/2020_(основной_поток,_2_семестр) | Математический анализ на ПМИ (основной поток, 2 семестр)]]

[[Математический_анализ_на_ПМИ_2019/2020_(основной_поток) | Математический анализ на ПМИ (основной поток)]]

[[Дискретная_математика_1_2019/2020 | Дискретная математика-1 на ПМИ]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(пилотный_поток) | Линейная алгебра и геометрия на ПМИ (пилотный поток)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2019/2020_(основной_поток) | Линейная алгебра и геометрия на ПМИ (основной поток)]]

[[Алгебра_на_ПМИ_2019/2020_(пилотный_поток) | Алгебра на ПМИ (пилотный поток)]]

[[Алгебра_на_ПМИ_2019/2020_(основной_поток) | Алгебра на ПМИ (основной поток)]]

[[Основы_и_методология_программирования_2019/2020 | Основы и методология программирования на ПМИ (основной поток)]]

[[Основы_и_методология_программирования_1_2019/2020_(пилотный_поток) | Основы и методология программирования-1 на ПМИ (пилотный поток)]]

[[Discrete_Mathematics_DSBA2019/2020 | Discrete Mathematics DSBA (ПАД)]]

[[Calculus_DSBA2019/2020 | Calculus DSBA (ПАД) 1st module]]

[[Calculus_DSBA2020 | Calculus DSBA (ПАД) 2nd module]]

[[LAaG_DSBA_2019/2020 | Linear Algebra and Geometry (ПАД)]]

[[Introduction_to_programming_DSBA_2019/2020 | Introduction to Programming (ПАД)]]

[[English_DSBA_2019/2020 | English DSBA (ПАД)]]

[[Algorithms_and_Data_Structures_DSBA_2020 | Algorithms and Data Structures DSBA ]]

[[Algebra_DSBA_2019/2020 | Algebra DSBA]]

[[Алгоритмы_и_структуры_данных_1_основной_поток_2019/202 | Алгоритмы и структуры данных-1 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_пилотный_поток_2019/2020 | Алгоритмы и структуры данных на ПМИ (пилотный поток)]]

||

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

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

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

[[Теория_вероятностей_и_математическая_статистика_2019/2020_(пилотный_поток)| ТВиМС (пилотный поток)]]

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

[[Математический_анализ_2_2019/2020_(основной_поток) | Математический анализ 2 на ПМИ (основной поток)]]

[[Алгоритмы_и_структуры_данных_2_2019/2020 | Алгоритмы и структуры данных – 2 на ПМИ (основной поток)]]

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

[[Calculus_2_2019 | Calculus-2 DBSA (ПАД)]]

[[Statistics_DSBA_2019/2020 | Statistics DSBA (ПАД)]]

[[DM2 | Дискретная Математика-2 (ПАД)]]

[[ADS2 | Алгоритмы и Структуры Данных-2 (ПАД)]]

[[Introduction_to_Economics | Introduction to Economics DSBA ]]

[[Business_and_Management_in_Global_Context_2019-2020| Business and Management in Global Context DSBA ]]

[[ACOS_DSBA_2019/2020 | Computer Architecture and Operating Systems (ПАД)]]

[[Differential_Equations_2020 | Differential Equations DSBA ]]

[[Факультатив Теория вычислений_2020 | Факультатив Теория вычислений]]

[[Дифференциальные_уравнения_2020 | Дифференциальные уравнения 2020 ]]

||

[[Машинное_обучение_1/2019_2020 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]

[[Численные_Методы_2020 | Численные методы]]

[[Прикладная_статистика_в_машинном_обучении(2019)|Прикладная статистика в машинном обучении]]

[[Theory_of_Computing_2019_2020 | Theory of Computing, AMI]]

[[Компьютерные_Сети | Компьютерные сети]]

[[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]

[[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]

[[Непрерывная_оптимизация_(МОП)/2020| Непрерывная оптимизация (МОП)]]

[[%D0%9D%D0%B5%D0%BF%D1%80%D0%B5%D1%80%D1%8B%D0%B2%D0%BD%D0%B0%D1%8F_%D0%BE%D0%BF%D1%82%D0%B8%D0%BC%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F_(%D0%A2%D0%98,_%D0%90%D0%94%D0%98%D0%A1,_%D0%90%D0%9F%D0%A0,_%D0%A0%D0%A1)| Непрерывная оптимизация (ТИ, АДИС, АПР, РС) ]]

[[Data_analysis_(Software_Engineering)_2020|Data Analysis]]

[[Промышленное_программирование_на_языке_Java| Промышленное программирование на языке Java]]

[[CCTI_2020|Сложность вычислений и логика в теоретической информатике]]

||

[[InfTheo2019-2020|Теория информации]]

[[Байесовские_методы_машинного_обучения_2019|Байесовские методы машинного обучения]]

[[НИС Науки о данных]]

[[НИС_Машинное_обучение_и_приложения_2019/2020|НИС Машинное обучение и приложения]]

[[Философия_науки_2019|Философия науки]]

[[Глубинное обучение|Глубинное обучение]]

[[NLP 2019|NLP Анализ данных]]

[[Безопасность_компьютерных_систем_2019|Безопасность компьютерных систем]]

[[Генеративные_модели_в_машинном_обучении_2020|Генеративные модели в машинном обучении]]

[[Компьютерные Сети 4 курс| Компьютерные сети]]

[[Промышленное_программирование_на_языке_Java| Промышленное программирование на языке Java]]

[[Машинное_обучение_на_больших_данных_2020|Машинное обучение на больших данных]]

[[Основы_обработки_больших_данных_2020|Основы обработки больших данных]]

||
[[MinorBioinformatics|Биоинформатика]]

[[Майнор Интеллектуальный анализ данных/Современные_методы_машинного_обучения | Современные методы машинного обучения (ИАД)]]

[[KotlinElective|Факультатив "Язык Kotlin" (2-3 модули)]]

[[ISDElective|Факультатив "Методы разработки программного обеспечения" (1-2 модули)]]

[[Введение в программирование (курс майнора)]]

[[dopglavy_DM_1920|Допглавы дискретной математики]]

[[Дополнительные_главы_теории_вероятностей-2_2019/2020|ДГТВ-2]]

[[Дополнительные_главы_теории_вероятностей_2020|ДГТВ]]

[[Введение_в_анализ_данных_(майнор_ИАД)|Введение в анализ данных (майнор ИАД)]]

[[Прикладные_задачи_анализа_данных_(майнор_ИАД)|Прикладные задачи анализа данных (майнор ИАД)]]

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

|}

== Курсы магистратуры ФКН ==

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

|-
| [[Theory_of_Computing_2019_2020 | Theory of Computing]] || Науки о данных, специализация ТИ || 1 курс
|-
| [[Project_Seminar_2019_2020 | Проектный семинар специализации ТИ]] || Науки о данных, специализация ТИ || 1 курс
|-
| [[Stochastic_analysis_2019_2020 | Stochastic Calculus ]] || Statistical Learning Theory || 1 year
|-
| [[A_Theorist's_Toolkit_2019_2020 | A Theorist's Toolkit, AMI]] || Науки о данных, специализация ТИ || 1 курс
|-
| [[Neurobayesian_models_2020 | Neurobayesian models ]] || Statistical Learning Theory || 2 year
|}

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

{| class="wikitable"
|- http://wiki.cs.hse.ru/Цифровая_грамотность_(филология)_2020#.F0.9F.93.AC_.D0.A7.D0.B0.D1.82.D1.8B_.D0.B3.D1.80.D1.83.D0.BF.D0.BF
! Дисциплина !! Образовательная программа !! Курс !! Модули
|-
| [[Введение в анализ данных 2020 МирЭк| Введение в анализ данных]] || Мировая экономика || 1 курс || 3-4 модуль
|-
|[[ Основы программирования в Python (Мирэк) | Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модуль
|-
| [[ Цифровая грамотность, ИЯиМК| Цифровая грамотность ]] || Иностранные языки и межкультурная коммуникация || 1 курс || 3-4 модуль
|-
| [[ Цифровая_грамотность_(филология)_2020| Цифровая грамотность ]] || Филология || 1 курс || 3-4 модуль
|-
| [[Цифровая_грамотность_(ФиКЛ)_2020| Цифровая грамотность ]] || Фундаментальная и компьютерная лингвистика || 1 курс || 4 модуль
|-
| [[ Цифровая грамотность 2019-2020 (История искусств)| Цифровая грамотность ]] || История искусств || 1 курс || 3-4 модуль
|-
| [[ Цифровая грамотность 2019-2020 (Культурология)| Цифровая грамотность ]] || Культурология || 1 курс || 3-4 модуль
|-
| [[ Цифровая грамотность, ЯиЛ_ЮВА| Цифровая грамотность ]] || Языки и литература Юго-Восточной Азии || 1 курс || 3-4 модуль
|-
| [[ Цифровая грамотность, ЯиЛЯ| Цифровая грамотность ]] || Языки и литература Японии || 1 курс || 3-4 модуль
|-
| [[ ППО Социология 1 курс 2019/2020| ППО (Python для извлечения и обработки данных) ]] || Социология || 1 курс || 3 модуль
|-
|[[ Машинное обучение на матфаке 2020 | Машинное обучение]] || Математика || 2-4 курс || 3-4 модуль
|-
|[[ Excel для анализа данных | Excel для анализа данных]] || ИЯиМК || 4 курс || 3 модуль
|-
| [[ Python для извлечения и обработки данных Медиаком 2 курс 2019/2020| Python для извлечения и обработки данных ]] || Медиакоммуникации || 2 курс || 3 модуль
|-
| [[ Python для извлечения и обработки данных Медиаком 1 курс 2019/2020| Python для извлечения и обработки данных ]] || Медиакоммуникации || 1 курс || 4 модуль
|-
| [[ СДиА Матфак 1 курс 2019/2020| Структуры данных и алгоритмы ]] || Математика || 3-4 курс || 3-4 модуль
|-
| [[Методы_машинного_обучения_(Прикладная_политология)|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|-
| [[Наука о данных (Экономика)|Наука о данных]] || Экономика || 2 курс || 3-4 модули
|-
| [[Основы программирования на Python весна 2020 матфак|Основы программирования на Python-2]] || Математика || 2-4 курс || 3-4 модули
|-
| [[Культура работы с данными, КМБТ|Культура работы с данными, КМБТ]] || Клеточная и молекулярная биотехнология || 1 курс || 3-4 модули
|-
| [[Natural_Language_Processing_Blended_2020_module4 | Natural Language Processing (blended)]] || Прикладная политология || 1 г.о. || 4 модуль
|-
| [[ПМСАР-1 2019/2020|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 1 г.о. || 3-4 модули
|-
| [[Введение в Data Science]] || Экономика впечатлений: менеджмент в индустрии гостеприимства и туризме || 1 г.о. || 3 модуль
|-
| [[Принципы построения математических моделей]] || МИЭМ || 1 г.о. || 4 модуль
|-
| [[Python для извлечения и обработки данных Психология 1 курс 2019/2020]] || Психология || 1 г.о. || 4 модуль
|-
| [[Технологии анализа больших данных ГМУ 1 курс 2019/2020]] || ГМУ || 1 г.о. || 4 модуль
|-
| [[Городское планирование | Цифровая грамотность]] || Городское планирование || 1 г.о. || 4 модуль
|}

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

|-
| [[ Основы анализа и визуализация данных для медиа 2019/2020 | Основы анализа и визуализации данных для медиа ]] || Журналистика || 4 курс || 1 модуль
|-
| [[ Анализ данных в Python 2019-2020 | Анализ данных в Python ]] || Политология || 4 курс || 1-2 модули
|-
| [[Introduction to Data Culture 2019-2020 | Introduction to Data Culture ]] || Программа двух дипломов НИУ ВШЭ и Лондонского университета "Международные отношения" || 1 курс || 2 модуль
|-
| [[ Основы анализа данных в международных отношениях | Основы анализа данных в международных отношениях ]] || Международные отношения || 2 курс || 1-2 модуль
|-
| [[Основы программирования в Python (Политология)|Основы программирования в Python]] || Политология || 3 курс || 1-2 модули
|-
| [[Основы программирования на Python осень 2019 матфак|Основы программирования на Python-1]] || Математика || 1-4 курс || 1-2 модули
|-
| [[ Цифровая грамотность (История 2019) | Цифровая грамотность ]] || История || 1 курс || 1-2 модули
|-
| [[ Цифровая грамотность (Востоковедение 2019) | Цифровая грамотность ]] || Востоковедение|| 1 курс || 1-2 модули
|-
| [[ Цифровая_грамотность_2019-2020(философия) | Цифровая грамотность ]] || Философия || 1 курс || 1-2 модули
|-
| [[ Цифровая грамотность (ассириология и античность 2019) | Цифровая грамотность ]] || Ассириология и античность|| 1 курс || 1-2 модули
|-
| [[ПМСАР-2_2019| Методы анализа больших данных в исследованиях поведения покупателей]] || Прикладные методы социального анализа рынков || 2 г.о. || 1-2 модули
|-
| [[Работа с данными]] || Медиакоммуникации || 4 курс || 1 модуль
|-
| [[Машинное обучение (фэн 2019)]] || ФЭН || 3 курс || 1-2 модули
|-
| [[Natural_Language_Processing_Blended_2019_module1 | Natural Language Processing (blended)]] || Прикладная политология || 2 г.о. || 1 модуль
|-
| [[ ML_HSE_NES_2019 | Машинное обучение (ВШЭ-РЭШ)]] || Совместный бакалавриат ВШЭ-РЭШ || 3-4 курс || 1-2 модули
|-
| [[ Основы_анализа_и_визуализации_данных_ДИЯ_2019/2020 | Основы анализа и визуализации данных ]] || ДИЯ || 2 курс || 1,2 модуль
|-
| [[Методы_машинного_обучения_(Прикладная_политология)|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|-
| [[Основы_программирования_на_Python2019/2020|Основы программирования на Python]] || Экономика и статистика || 2-4 курс || 2 модуль
|}

== Курсы других факультетов ==

{| class="wikitable"
|-
! Дисциплина !! Курс !! Период
|-
| [[Теория вероятностей и математическая статистика, фэн, 2019-2020|Теория вероятностей и математическая статистика]] || фэн, 2 курс || 3-4 модуль
|-
| [[Микроэконометрика качественных данных, фэн, 2020|Микроэконометрика качественных данных 2020]] || фэн, 4 курс || 1-2 модуль
|}

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

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

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

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

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

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

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

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

[[LAaG_DSBA_2018/2019 | LAaG DSBA]]

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

[[Discrete_Mathematics_DSBA2018/2019 |Discrete Mathematics DSBA (ПАД)]]

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

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

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

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

[[Algebra_DSBA_2018/2019 | Algebra DSBA]]

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

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

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

||

[http://math-info.hse.ru/2018-19/Дифференциальные_уравнения_(ФКН) Дифференциальные уравнения]

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

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

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

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

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

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

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

[[Факультатив Теория вычислений]]

||

[[Машинное_обучение_1/2018_2019 | Машинное обучение 1 на ПМИ]]

[[Машинное_обучение_2 | Машинное обучение 2 на ПМИ]]

[[Численные_Методы_2018 | Численные методы ]]

[[PDC | Параллельные и распределенные вычисления]]

[[Theory_of_Computing_2018_2019 | Theory of Computing, AMI]]

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

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

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

[[Основные методы анализа данных]]

[[Теория баз данных]]

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

[[Непрерывная оптимизация (163-167)]]

[[Сложность вычислений и логика в теоретической информатике]]

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

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

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

[[Дискретная оптимизация 2019 | Дискретная оптимизация 2019]]

||

[[Statistical_learning_theory_2018_2019 | Introduction to statistical learning theory]]

[[Анализ_неструктурированных_данных-2018 |Анализ неструктурированных данных ]]

[[Байесовские_методы_машинного_обучения_2018|Байесовские методы машинного обучения]]

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

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

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

[[Теория_Информации_2018/2019|Теория информации]]

[[Безопасность_компьютерных_систем_2018|Безопасность компьютерных систем]]

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

[[Философия_науки_2018|Философия науки]]

[[Теория баз данных]]

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

[[Функциональное программирование 2019 | Функциональное программирование]]

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

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

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

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

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

[[dopglavy_DM_1819|Допглавы дискретной математики]]

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

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

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

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

[[KotlinElective| Язык Kotlin (3 и 4 модули 2018-2019)]]

|}

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

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

|-
| [[Основы программирования на Python весна 2020 матфак|Основы программирования на Python-2]] || Математика || 2-4 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(филология)|Цифровая грамотность]] || Филология || 1 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(ИИ_и_культурология)|Цифровая грамотность]] || История искусств и Культурология || 1 курс || 3-4 модули
|-
| [[Цифровая_грамотность_(ИЯМК_2019)|Цифровая грамотность]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 1 курс || 3-4 модули
|-
| [[Основы_анализа_и_визуализации_данных_ДИЯ_2019|Анализ и визуализации данных]] || Иностранные языки и межкультурная коммуникация (ДИЯ) || 2 курс || 3-4 модули
|-
| [[Научно-исследовательский_семинар_2019| Научно-исследовательский семинар]] || Политология || 1 курс || 3 модуль
|-
| [[ММО_Политология_201810|Методы машинного обучения]] || Прикладная политология || 1 г.о. || 2-3 модули
|-
| [[Основы_программирования_в_Python_2019|Основы программирования в Python]] || Мировая экономика || 2 курс || 3-4 модули
|-
| [[Программирование_и_компьютерные_инструменты_лингвистического_исследования|Программирование и компьютерные инструменты лингвистического исследования]] || Фундаментальная и компьютерная лингвистика || 1 курс || 1-4 модули
|-
| [[Компьютерная лингвистика и информационные технологии|Компьютерная лингвистика и информационные технологии]] || Фундаментальная и компьютерная лингвистика || 4 курс || 1-3 модули
|-
| [[ПМСАР-1|Автоматизированный сбор больших данных в экономико-социологических исследованиях]] || Прикладные методы социального анализа рынков || 1 г.о. || 3-4 модули
|-
| [[Искусственный интеллект и большие данные_(2019)|Искусственный интеллект и большие данные]] || Дизайн, Мода, Современное искусство || 1 курс || 3-4 модули
|-
| [[Информационный менеджмент: Введение в Data Science|Информационный менеджмент: Введение в Data Science]] || Управление бизнесом Маркетинг и рыночная аналитика || 1 курс || 4 модуль
|-
| [[Технологии анализа больших данных|Технологии анализа больших данных]] || ГМУ || 1 курс || 4 модуль
|-
| [[Основы программирования на Python (Прикладное программное обеспечение)|Основы программирования на Python (Прикладное программное обеспечение)]] || Социология || 1 курс || 4 модуль
|-
| [[Основы работы с данными|Основы работы с данными]] || Медиакоммуникации || 2 курс || 4 модуль
|-
| [[Введение_в_data_science_Социология_1_курс|Профориентационный семинар (Data Culture)]] || Социология || 1 курс || 4 модуль
|-
| [[Введение_в_анализ_данных_МирЭк_2019|Введение в анализ данных]] || Мировая экономика || 1 курс || 4 модуль

|}

=== 1 семестр ===

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

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

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

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

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

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

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

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

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

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

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

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

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

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

[[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]

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

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

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

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

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

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

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

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

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

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

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

[[Численные_методы_2017 | Численные методы]]

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

[[Прикладная_статистика_в_машинном_обучении | Прикладная статистика в машинном обучении]]

[[Theory_of_Computing | Theory of Computing, AMI]]

[[Statistical_learning_theory | Introduction to statistical learning theory]]

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

[[Анализ неструктурированных данных]]

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

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

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

[[Непрерывная_оптимизация | Непрерывная оптимизация]]

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

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

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

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

[[Дискретная_оптимизация | Дискретная оптимизация]]

||

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

[[Философия_науки_2017 | Философия науки]]

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

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

[[Анализ неструктурированных данных]]

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

[[Функциональное программирование 2018 | Функциональное программирование]]

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

||

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

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

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

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

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

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

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

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

[[Цифровые технологии в гуманитарных науках]]

|}

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

=== 2 семестр ===

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

=== 1 семестр ===

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

== Курсы магистратуры Финансовые технологии и анализ данных ==

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

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

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

[[Introduction to Machine Learning and Data Mining |Introduction to Machine Learning and Data Mining 2019]]

[[Introduction to Machine Learning and Data Mining 2020 |Introduction to Machine Learning and Data Mining 2020]]

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

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

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

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

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

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

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

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

[[Алгебра_на_ПМИ_2016/2017 | Алгебра на ПМИ]]

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

||

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

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

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

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

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

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

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

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

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

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

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

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

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

||

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

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

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

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

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

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

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

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

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

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

[[Программирование_на_графических_процессорах | Программирование на графических процессорах]]

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

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

[[Базы данных 2 | Базы данных 2 ]]

[[Компьютерные сети 2 | Компьютерные сети 2]]

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

||

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

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

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

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

|}

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



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

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



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

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


|}

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

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

Анализ данных в Python 2020-2021 Политология

2021-01-12T11:28:16Z

Rogovich: Новая страница: «== О курсе == "Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле. * [https://www.hse.ru/ba/political/courses/…»

== О курсе ==
"Анализ данных в Python" читается на 3 курсе, в 3 и 4 модуле.

* [https://www.hse.ru/ba/political/courses/375301968.html Программа]
* [https://t.me/joinchat/EvsjHkzjQ0pnPbPq Чат курса в Telegram]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || ||
|-
|| ДЗ2: Pandas & Viz || ||
|-
|| ДЗ3: KNN || ||
|-
|| ДЗ4: ML || ||
|-
|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || ||
|-
|| КР2: Анализ данных и ML || ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее. При дистанционном формате может использоваться процедура прокторинга или аналогичная.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Обратите внимание, не у всех ДЗ есть поздний дедлайн (будет уточнено).
Работы, сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-12-15T11:28:45Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Web-scraping ||[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/06_Scraping Блокноты] || ||
|-
|| 20.11 || Введение в ML || [https://docs.google.com/presentation/d/1iz_64A_nWXcFhHi0_rv931SPKQ-ONI28AvUKMey1BCo/edit?usp=sharing Что такое данные и какие задачи может решать ML? Презентация] || ||
|-
|| 24.11 || Логика решения задач ML || [https://docs.google.com/presentation/d/1bgDLXdZy2FIh1D-OhvrmCT5E6wQ1-hAu5b4y0UWccPs/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_1_Titanic_Kaggle_Predictions.ipynb Kaggle блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv] ||
|-
|| 1.12 - 4.12 || Логика машинного обучения. Решающее дерево и случайный лес || [https://docs.google.com/presentation/d/10FrEl-4Qrz41c3-g-EtgAS8O6VDxOKojZKbcw2cpp7g/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_2_Houses_EDA.ipynb EDA Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Предсказываем цену домов. Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Дома. Для урока] || [https://raw.githubusercontent.com/rogovich/Data/master/data/house_data.csv Дома. Данные] ||
|-
|| 8.12 || ML: задача классификации. Cross validation и grid search || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_5_Titanic_Kaggle.ipynb Титаник: блокнот для занятия] || ||
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || 11.12 23.59 || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/%40HW/3HW/HW_3_KNN.ipynb ДЗ3]
|-
|| ДЗ4: ML || 15.12 23.59 || Демо-вариант КР
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
| 5 || Scraping || 3 декабря 23.59
|-
| 6 || KNN (ДЗ) + 2 балла || 11 декабря 23.59
|-
| 7 || DC || 20 декабря 23.59
|-
| 8 || DC + 2 балла || 27 декабря 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
[https://docs.google.com/document/d/1va0obkBPIpdLTZa4vT_RO0nFKjFUiuTV1neuBItFdoE/edit?usp=sharing Описание экзамена и требования]

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-12-11T12:37:58Z

Rogovich: /* Домашние задания */

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Web-scraping ||[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/06_Scraping Блокноты] || ||
|-
|| 20.11 || Введение в ML || [https://docs.google.com/presentation/d/1iz_64A_nWXcFhHi0_rv931SPKQ-ONI28AvUKMey1BCo/edit?usp=sharing Что такое данные и какие задачи может решать ML? Презентация] || ||
|-
|| 24.11 || Логика решения задач ML || [https://docs.google.com/presentation/d/1bgDLXdZy2FIh1D-OhvrmCT5E6wQ1-hAu5b4y0UWccPs/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_1_Titanic_Kaggle_Predictions.ipynb Kaggle блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv] ||
|-
|| 1.12 - 4.12 || Логика машинного обучения. Решающее дерево и случайный лес || [https://docs.google.com/presentation/d/10FrEl-4Qrz41c3-g-EtgAS8O6VDxOKojZKbcw2cpp7g/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_2_Houses_EDA.ipynb EDA Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Предсказываем цену домов. Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Дома. Для урока] || [https://raw.githubusercontent.com/rogovich/Data/master/data/house_data.csv Дома. Данные] ||
|-
|| 8.12 || ML: задача классификации. Cross validation и grid search || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_5_Titanic_Kaggle.ipynb Титаник: блокнот для занятия] || ||
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || 11.12 23.59 || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/%40HW/3HW/HW_3_KNN.ipynb ДЗ3]
|-
|| ДЗ4: ML || 15.12 23.59 || Демо-вариант КР
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
| 5 || Scraping || 3 декабря 23.59
|-
| 6 || KNN (ДЗ) + 2 балла || 11 декабря 23.59
|-
| 7 || DC || 20 декабря 23.59
|-
| 8 || DC + 2 балла || 27 декабря 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
TBA

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-12-08T11:35:46Z

Rogovich: /* Лекции и семинары */

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Web-scraping ||[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/06_Scraping Блокноты] || ||
|-
|| 20.11 || Введение в ML || [https://docs.google.com/presentation/d/1iz_64A_nWXcFhHi0_rv931SPKQ-ONI28AvUKMey1BCo/edit?usp=sharing Что такое данные и какие задачи может решать ML? Презентация] || ||
|-
|| 24.11 || Логика решения задач ML || [https://docs.google.com/presentation/d/1bgDLXdZy2FIh1D-OhvrmCT5E6wQ1-hAu5b4y0UWccPs/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_1_Titanic_Kaggle_Predictions.ipynb Kaggle блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv] ||
|-
|| 1.12 - 4.12 || Логика машинного обучения. Решающее дерево и случайный лес || [https://docs.google.com/presentation/d/10FrEl-4Qrz41c3-g-EtgAS8O6VDxOKojZKbcw2cpp7g/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_2_Houses_EDA.ipynb EDA Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Предсказываем цену домов. Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Дома. Для урока] || [https://raw.githubusercontent.com/rogovich/Data/master/data/house_data.csv Дома. Данные] ||
|-
|| 8.12 || ML: задача классификации. Cross validation и grid search || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_5_Titanic_Kaggle.ipynb Титаник: блокнот для занятия] || ||
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || 11.12 23.59 || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/%40HW/3HW/HW_3_KNN.ipynb ДЗ3]
|-
|| ДЗ4: ML || 17.12 23.59 || Демо-вариант КР
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
| 5 || Scraping || 3 декабря 23.59
|-
| 6 || KNN (ДЗ) + 2 балла || 11 декабря 23.59
|-
| 7 || DC || 20 декабря 23.59
|-
| 8 || DC + 2 балла || 27 декабря 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
TBA

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-12-08T11:32:51Z

Rogovich: /* Лекции и семинары */

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Web-scraping ||[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/06_Scraping Блокноты] || ||
|-
|| 20.11 || Введение в ML || [https://docs.google.com/presentation/d/1iz_64A_nWXcFhHi0_rv931SPKQ-ONI28AvUKMey1BCo/edit?usp=sharing Что такое данные и какие задачи может решать ML? Презентация] || ||
|-
|| 24.11 || Логика решения задач ML || [https://docs.google.com/presentation/d/1bgDLXdZy2FIh1D-OhvrmCT5E6wQ1-hAu5b4y0UWccPs/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_1_Titanic_Kaggle_Predictions.ipynb Kaggle блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv] ||
|-
|| 1.12 - 4.12 || Логика машинного обучения. Решающее дерево и случайный лес || [https://docs.google.com/presentation/d/10FrEl-4Qrz41c3-g-EtgAS8O6VDxOKojZKbcw2cpp7g/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_2_Houses_EDA.ipynb EDA Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Предсказываем цену домов. Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Дома. Для урока] || [https://raw.githubusercontent.com/rogovich/Data/master/data/house_data.csv Дома. Данные] ||
|-
|| 8.12 || ML: задача классификации. Cross validation и grid search || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_5_Titanic_Kaggle_Lesson.ipynb Титаник: блокнот для занятия] || ||
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || 11.12 23.59 || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/%40HW/3HW/HW_3_KNN.ipynb ДЗ3]
|-
|| ДЗ4: ML || 17.12 23.59 || Демо-вариант КР
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
| 5 || Scraping || 3 декабря 23.59
|-
| 6 || KNN (ДЗ) + 2 балла || 11 декабря 23.59
|-
| 7 || DC || 20 декабря 23.59
|-
| 8 || DC + 2 балла || 27 декабря 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
TBA

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-12-08T11:31:40Z

Rogovich: /* Лекции и семинары */

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Web-scraping ||[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/06_Scraping Блокноты] || ||
|-
|| 20.11 || Введение в ML || [https://docs.google.com/presentation/d/1iz_64A_nWXcFhHi0_rv931SPKQ-ONI28AvUKMey1BCo/edit?usp=sharing Что такое данные и какие задачи может решать ML? Презентация] || ||
|-
|| 24.11 || Логика решения задач ML || [https://docs.google.com/presentation/d/1bgDLXdZy2FIh1D-OhvrmCT5E6wQ1-hAu5b4y0UWccPs/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_1_Titanic_Kaggle_Predictions.ipynb Kaggle блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv] ||
|-
|| 1.12 - 4.12 || Логика машинного обучения. Решающее дерево и случайный лес || [https://docs.google.com/presentation/d/10FrEl-4Qrz41c3-g-EtgAS8O6VDxOKojZKbcw2cpp7g/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_2_Houses_EDA.ipynb EDA Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Предсказываем цену домов. Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Дома. Для урока] || [https://raw.githubusercontent.com/rogovich/Data/master/data/house_data.csv Дома. Данные] ||
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || 11.12 23.59 || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/%40HW/3HW/HW_3_KNN.ipynb ДЗ3]
|-
|| ДЗ4: ML || 17.12 23.59 || Демо-вариант КР
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
| 5 || Scraping || 3 декабря 23.59
|-
| 6 || KNN (ДЗ) + 2 балла || 11 декабря 23.59
|-
| 7 || DC || 20 декабря 23.59
|-
| 8 || DC + 2 балла || 27 декабря 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
TBA

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-12-04T00:01:33Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Web-scraping ||[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/06_Scraping Блокноты] || ||
|-
|| 20.11 || Введение в ML || [https://docs.google.com/presentation/d/1iz_64A_nWXcFhHi0_rv931SPKQ-ONI28AvUKMey1BCo/edit?usp=sharing Что такое данные и какие задачи может решать ML? Презентация] || ||
|-
|| 24.11 || Логика решения задач ML || [https://docs.google.com/presentation/d/1bgDLXdZy2FIh1D-OhvrmCT5E6wQ1-hAu5b4y0UWccPs/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_1_Titanic_Kaggle_Predictions.ipynb Kaggle блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv] ||
|-
|| 1.12 - 4.12 || Логика машинного обучения. Решающее дерево и случайный лес || [https://docs.google.com/presentation/d/10FrEl-4Qrz41c3-g-EtgAS8O6VDxOKojZKbcw2cpp7g/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_2_Houses_EDA.ipynb EDA Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Предсказываем цену домов. Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/house_data.csv Дома. Данные] ||
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || 11.12 23.59 || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/%40HW/3HW/HW_3_KNN.ipynb ДЗ3]
|-
|| ДЗ4: ML || 17.12 23.59 || Демо-вариант КР
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
| 5 || Scraping || 3 декабря 23.59
|-
| 6 || KNN (ДЗ) + 2 балла || 11 декабря 23.59
|-
| 7 || DC || 20 декабря 23.59
|-
| 8 || DC + 2 балла || 27 декабря 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
TBA

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-12-03T23:59:50Z

Rogovich: /* Домашние задания */

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Web-scraping ||[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/06_Scraping Блокноты] || ||
|-
|| 20.11 || Введение в ML || [https://docs.google.com/presentation/d/1iz_64A_nWXcFhHi0_rv931SPKQ-ONI28AvUKMey1BCo/edit?usp=sharing Что такое данные и какие задачи может решать ML? Презентация] || ||
|-
|| 24.11 || Логика решения задач ML || [https://docs.google.com/presentation/d/1bgDLXdZy2FIh1D-OhvrmCT5E6wQ1-hAu5b4y0UWccPs/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_1_Titanic_Kaggle_Predictions.ipynb Kaggle блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv] ||
|-
|| 1.12 - 4.12 || Логика машинного обучения. Решающее дерево и случайный лес || [https://docs.google.com/presentation/d/10FrEl-4Qrz41c3-g-EtgAS8O6VDxOKojZKbcw2cpp7g/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_2_Houses_EDA.ipynb EDA Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Предсказываем цену домов. Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/house_data.csv Дома. Данные] ||
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || 11.12 23.59 || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/%40HW/3HW/HW_3_KNN.ipynb ДЗ3]
|-
|| ДЗ4: ML || 17.12 23.59 || Демо-вариант КР
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
TBA

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-12-03T23:57:55Z

Rogovich: /* Лекции и семинары */

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Web-scraping ||[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/06_Scraping Блокноты] || ||
|-
|| 20.11 || Введение в ML || [https://docs.google.com/presentation/d/1iz_64A_nWXcFhHi0_rv931SPKQ-ONI28AvUKMey1BCo/edit?usp=sharing Что такое данные и какие задачи может решать ML? Презентация] || ||
|-
|| 24.11 || Логика решения задач ML || [https://docs.google.com/presentation/d/1bgDLXdZy2FIh1D-OhvrmCT5E6wQ1-hAu5b4y0UWccPs/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_1_Titanic_Kaggle_Predictions.ipynb Kaggle блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv] ||
|-
|| 1.12 - 4.12 || Логика машинного обучения. Решающее дерево и случайный лес || [https://docs.google.com/presentation/d/10FrEl-4Qrz41c3-g-EtgAS8O6VDxOKojZKbcw2cpp7g/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_2_Houses_EDA.ipynb EDA Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Предсказываем цену домов. Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/house_data.csv Дома. Данные] ||
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || ориентировочно 8.12 23.59 ||
|-
|| ДЗ4: ML || ориентировочно 15.12 23.59 ||
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
TBA

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-11-30T23:38:41Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Web-scraping ||[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/06_Scraping Блокноты] || ||
|-
|| 20.11 || Введение в ML || [https://docs.google.com/presentation/d/1iz_64A_nWXcFhHi0_rv931SPKQ-ONI28AvUKMey1BCo/edit?usp=sharing Что такое данные и какие задачи может решать ML? Презентация] || ||
|-
|| 24.11 || Логика решения задач ML || [https://docs.google.com/presentation/d/1bgDLXdZy2FIh1D-OhvrmCT5E6wQ1-hAu5b4y0UWccPs/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_1_Titanic_Kaggle_Predictions.ipynb Kaggle блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv] ||
|-
|| 1.12 || Логика машинного обучения. Решающее дерево и случайный лес || [https://docs.google.com/presentation/d/10FrEl-4Qrz41c3-g-EtgAS8O6VDxOKojZKbcw2cpp7g/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_2_Houses_EDA.ipynb EDA Блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_3_Houses_ML.ipynb Предсказываем цену домов. Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/house_data.csv Дома. Данные] ||
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || ориентировочно 8.12 23.59 ||
|-
|| ДЗ4: ML || ориентировочно 15.12 23.59 ||
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
TBA

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-11-24T09:47:46Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Web-scraping ||[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/06_Scraping Блокноты] || ||
|-
|| 20.11 || Введение в ML || [https://docs.google.com/presentation/d/1iz_64A_nWXcFhHi0_rv931SPKQ-ONI28AvUKMey1BCo/edit?usp=sharing Что такое данные и какие задачи может решать ML? Презентация] || ||
|-
|| 24.11 || Логика решения задач ML || [https://docs.google.com/presentation/d/1bgDLXdZy2FIh1D-OhvrmCT5E6wQ1-hAu5b4y0UWccPs/edit?usp=sharing Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_1_Titanic_Kaggle_Predictions.ipynb Kaggle блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv] ||
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || ориентировочно 8.12 23.59 ||
|-
|| ДЗ4: ML || ориентировочно 15.12 23.59 ||
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
TBA

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-11-20T09:48:50Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Web-scraping ||[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/06_Scraping Блокноты] || ||
|-
|| 20.11 || Введение в ML || [https://docs.google.com/presentation/d/1iz_64A_nWXcFhHi0_rv931SPKQ-ONI28AvUKMey1BCo/edit?usp=sharing Что такое данные и какие задачи может решать ML? Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_1_Titanic_Kaggle_Predictions.ipynb Kaggle блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv] ||
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || ориентировочно 8.12 23.59 ||
|-
|| ДЗ4: ML || ориентировочно 15.12 23.59 ||
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
TBA

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-11-19T21:08:44Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Web-scraping || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/06_Scraping Блокноты]
|-
|| 20.11 || Введение в ML || [https://docs.google.com/presentation/d/1iz_64A_nWXcFhHi0_rv931SPKQ-ONI28AvUKMey1BCo/edit?usp=sharing Что такое данные и какие задачи может решать ML? Презентация] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_1_Titanic_Kaggle_Predictions.ipynb Kaggle блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv]
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || ориентировочно 8.12 23.59 ||
|-
|| ДЗ4: ML || ориентировочно 15.12 23.59 ||
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
TBA

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-11-19T21:00:16Z

Rogovich: /* Лекции и семинары */

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Web-scraping || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/06_Scraping Блокноты]
|-
|| 20.11 || Введение в ML || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/07_ML_Intro/7_1_Titanic_Kaggle_Predictions.ipynb Kaggle блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv]
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || ориентировочно 8.12 23.59 ||
|-
|| ДЗ4: ML || ориентировочно 15.12 23.59 ||
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
TBA

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-11-19T20:54:56Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Web-scraping || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/06_Scraping Блокноты]
|-
|| 20.11 || Введение в ML || || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv]
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || ориентировочно 8.12 23.59 ||
|-
|| ДЗ4: ML || ориентировочно 15.12 23.59 ||
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
TBA

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-11-19T20:48:57Z

Rogovich: /* Лекции и семинары */

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Web-scraping || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/06_Scraping Блокноты]
|-
|| 20.11 || Введение в ML || || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv]
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы !!
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || 8.12 23.59
|-
|| ДЗ4: ML || 15.12 23.59
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
TBA

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]

Анализ данных в Python 2020-2021

2020-11-17T11:07:55Z

Rogovich:

== О курсе ==
"Анализ данных в Python" читается на 4 курсе, в 1 и 2 модуле.

* [https://www.hse.ru/ba/political/courses/375301964.html Программа]
* [https://t.me/joinchat/BVSknBmorE6t6qtUtwhucA Чат курса в Telegram]
* [https://docs.google.com/spreadsheets/d/1cBEsiEBY86Fu6BgwXrOXBpI00FnRfT0rG96m8Ltp8p4/edit#gid=0 Ведомость]

==Преподаватель==
Рогович Татьяна Владимировна
* [mailto:rogovich@gmail.com E-mail]

==Ассистент==
Инсан-Александр Латыпов
* @Le_Figaro в Telegram

== Материалы курса ==
[https://www.anaconda.com/distribution/#download-section Дистрибутив для установки Anaconda на собственные компьютеры]
Пожалуйста, устанавливайте версию Python 3.7 и выше.

== Лекции и семинары ==
Записи занятий на youtube: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pQEYHkLoQRynJM5UmICCAW жмяк]
===Лекции и семинары===
Все блокноты и семинары: [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python репозиторий]

{| class="wikitable"
|-
! Дата !! № !! Блокноты и презентации !! Данные !! Доп. материалы
|-
|| 17.09, 24.09 || Python Refresher || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher Блокноты] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/tree/master/01_Python_Refresher/%40Problems Задачи и решения]
|-
|| 1.10 || Numpy || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_1_Numpy.ipynb Блокнот] || || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/02_Numpy/2_2_Numpy_Problems.ipynb Задачи для самопроверки]
|-
|| 15.10, 27.10 || Intro to Pandas (Titanic) || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_1_Pandas_Intro.ipynb Блокнот] || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_2_Pandas_Problems.ipynb Задачи для самопроверки]
|-
|| 3.11 || Pandas DateTime. Визуализация с Matplotlib || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/03_Pandas/3_3_Pandas_Datetime.ipynb DataTime блокнот] [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/04_VIZ_Matplotlib/4_1_Viz_Matplotlib.ipynb Matplotlib блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/ufo/ufo.csv ufo.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/populations.txt populations.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/crimeRatesByState2005.tsv crimeRatesByState2005.tsv] [https://raw.githubusercontent.com/rogovich/Data/master/data/gapminderData.csv gapminderData.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/bodycount_Directors_Genra.csv Films] ||
|-
|| 10.11 || Визуализация в Plotly. || [https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_1_Plotly.ipynb Plotly блокнот]
[https://github.com/rogovich/2020_POL_Data_Analysis_in_Python/blob/master/05_VIZ_Plotly/5_2_Plotly_Spiderchart.ipynb Spiderchart блокнот]
|| [https://raw.githubusercontent.com/rogovich/Data/master/data/countries_radar_plot.txt Spidertchart data] [https://raw.githubusercontent.com/rogovich/Data/master/data/iris.csv iris data] [https://raw.githubusercontent.com/rogovich/Data/master/data/biggest_tests.csv Nuclear tests] [https://raw.githubusercontent.com/rogovich/Data/master/data/tests_coor.csv Coordinates] ||
|-
|| 17.11 || Введение в ML || || [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/gender_submission.csv gender_submission] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/train.csv train.csv] [https://raw.githubusercontent.com/rogovich/Data/master/data/titanic/test.csv test.csv]
|-
|}

===Домашние задания===
Домашние задания находим в проектах в ЛМС и там же сдаем.
{| class="wikitable"
|-
! ДЗ !! Дедлайн !! Файлы !!
|-
|| ДЗ1: Python || 1.10 23.59 ||
|-
|| ДЗ2: Pandas & Viz || 1.12 23.59 || [https://docs.google.com/document/d/1cYtkPh11xbMIT6wEsgamx9T_n7gr2zsDro_rpd_sRMs/edit?usp=sharing ДЗ]
|-
|| ДЗ3: KNN || 8.12 23.59
|-
|| ДЗ4: ML || 15.12 23.59
|-

|}

===Контрольные работы===
{| class="wikitable"
|-
! КР !! ДАТА !! Тестовый вариант
|-
|| КР1: Python || 8.10 11:10 || [https://online.hse.ru/mod/quiz/view.php?id=156049 Жмяк]
|-
|| КР2: Анализ данных и ML || 18.12 ||
|-
|}

'''КР1'''
* Проводится во время занятия по расписанию.
* Тест и задачи будут опубликованы на online.hse.ru (проверьте логины заранее, мы не сможем вам оперативно помочь!)
* Задания по типу и количеству аналогичны демонстрационному варианту.
* Во время контрольной у вас должна быть включена камера в zoom и предоставлен доступ к экрану (прокторинг нашими силами на минималках).

===Дополнительные баллы===

'''Дополнительные баллы рассчитываются по следующей формуле:

* 8+ заданий: 1.5 балла
* 5-7 заданий: 1 балл
* <5 заданий: 0 баллов

Баллы прибавляются к итоговой оценке до округления.'''
{| class="wikitable"
|-
! Номер !! Платформа !! Дедлайн
|-
| 1 || DataCamp. Pandas || 3 ноября 23.59
|-
| 2 || LMS. Pandas || 11 ноября 23.59
|-
| 3 || DataCamp. Viz || 18 ноября 23.59
|-
| 4 || DataCamp. Project || 25 ноября 23.59
|-
|}

У студентов есть возможность получить до полутора
дополнительных баллов за выполнение необязательных заданий в течение
семестра. Дополнительные баллы учитываются в итоговой оценке до
округления с весом 1. Обратите внимания, что дополнительные задания,
выполненные в рамках онлайн курса засчитываются только при условии
прохождения исключительно с корпоративного почтового адреса студента.
Подключение студентов к онлайн курсу на платформе НПОО
(https://openedu.ru/) производит Дирекция по онлайн обучению НИУ ВШЭ
по заявке администратора учебного офиса образовательной программы.
Скрытая сессия для студентов ВШЭ автоматически появляется в личном
аккаунте на платформе. Регистрироваться на открытую сессию для всех
желающих слушателей нельзя. На платформе DataCamp слушатели
приглашаются в специальную сессию, созданную преподавателем курса.

Всего за семестр будет дано 10 небольших заданий. У каждого свой дедлайн.
Задания будут выложены на вики и в ЛМС, решенные блокноты принимаются в ЛМС. После дедлайна задания не принимаются.
В качестве некоторых заданий будет предложено пройти часть онлайн курса или выполнить его задания.
Оценка за задание не ставится, задание считается выполненным, если оно выполнено на 100% (допускаются небольшие помарки, в этом случае выполнение засчитывается на усмотрение преподавателя).

===Экзамен===
TBA

===Оценка===
Окончательная оценка = Округление(0.35 * среднее(Домашние задания) + 0.35 * среднее(Контрольные работы) + 0.3 * Экзамен)

Домашние задания выдаются по темам: программирование на Python, скрейпинг, визуализация, реализация алгоритма kNN.
Контрольные работы по темам: программирование на Python, работа с данными Pandas.

Формат контрольных работ пока не определен (очно или дистанционно), будет сообщено позднее.

Преподаватель оставляет за собой право изменить темы домашних и контрольных работы, а также устроить устную защиту любой из
форм контроля.

Домашнее задание должно быть сдано до установленного дедлайна. В случае
сдачи в течение суток после дедлайна, оценка снижается на 1 балл. В случае
сдачи в течение недели после дедлайна, оценка снижается на 2 балла. Работы,
сданные позже, не принимаются и за них выставляется оценка «0».

== Список рекомендуемых материалов ==

==== Линейная алгебра и статистика ====
* [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie, Tibshirani, Friedman. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction.]
* [http://people.math.umass.edu/~lavine/Book/book.pdf Lavine. (2013). Introduction to Statistical Thought]
* [https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/ MIT Open course: Linear Algebra by Strang]

====Python====
* [https://github.com/pandas-dev/pandas/blob/master/doc/cheatsheet/Pandas_Cheat_Sheet.pdf Pandas Cheat Sheet]
* [http://www.pyregex.com/ Python RegExp Cheat Sheet]
* [http://opencarts.org/sachlaptrinh/pdf/28232.pdf O'Reilly: Python for Data Analysis]
* [https://stepik.org/course/67/syllabus Базовый курс по программированию на Stepik]

==== Machine learning ====
* [http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf Bishop. (2006). Pattern Recognition and Machine Learning]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://www.coursera.org/learn/machine-learning Coursera: Machine Learning by Andrew Ng]
* [http://shop.oreilly.com/product/0636920018483.do O'Reilly: Machine Learning for Hackers]

==== Материала по ML ====
* [https://www.kaggle.com/learn/machine-learning Simple Decision Tree]
* [https://books.google.ru/books?id=vbQlDQAAQBAJ&dq=Introduction+to+Machine+Learning+with+Python:+A+Guide+for+Data+Scientists&hl=ru&source=gbs_navlinks_s Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists]

====Статистика====
* Бослав С. Статистика для всех (Есть в библиотеке)
* Gravetter F, Wallnau L. Statistics for behavioral sciences (Есть в библиотеке)

==== Web scraping ====
* [http://shop.oreilly.com/product/0636920028468.do O'Reilly: RESTful Web APIs]