Wiki - Факультет компьютерных наук - Вклад [ru]

О факультете

2018-09-03T21:06:41Z

Sggpls: Добавлен курс Введение в анализ текстов на Python для ФГН 2018

__NOTOC__

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

[[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)]]

[[Discrete Mathematics DSBA |Discrete Mathematics DSBA]]

||

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

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

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

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

||

[[Машинное_обучение_1 | Машинное обучение 1 на ПМИ]]

[[Theory_of_Computing_2018_2019 | Theory of Computing, AMI]]

||

[[Statistical_learning_theory_2018_2019 | Introduction to statistical learning theory]]

||

|}

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

=== 1 семестр ===
[[Основы анализа данных в международных отношениях 2018/2019|Основы анализа данных в международных отношениях (ОП "Международные отношения", 2 курс, 1-2 модули)]] 
[[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 ( ОП "Востоковедение", 1 курс, 1 модуль)]] 
[[Разработка управленческих решений в маркетинге | Разработка управленческих решений в маркетинге(ОП "Маркетинг и рыночная аналитика", 2 курс, 1-2 модули)]] 
[[Информационные технологии в деятельности юриста_2018-2019| Информационные технологии в деятельности юриста (ОП "Юриспруденция", 1 курс, 1-2 модули)]] 
[[Машинное обучение на матфаке 2018/2019| Машинное обучение (факультет математики)]] 
[[ПМСАР-2| Методы анализа больших данных в исследованиях поведения покупателей (факультет социологии, ПМСАР, 2 курс)]] 
[[Анализ данных в Python (Политологи 1 семестр 1-2 модули)]] 
[[Основы анализа и визуализации данных для медиа (Журналисты 1 семестр 1 модуль)]] 
[[Программирование_(python)_для_лингвистов|Компьютерная лингвистика и информационные технологии (ОП "Фундаментальная и компьютерная лингвистика", 4 курc)]] 
[[Введение в анализ текстов на Python для ФГН 2018|Введение в анализ текстов на Python для ФГН 2018 (3 курс, Компьютерная лингвистика и информационные технологии)]] 

== Архив ==

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

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

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

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

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

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

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

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

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

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

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

[[Алгебра_на_ПМИ_2017/2018 | Алгебра на ПМИ]]

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

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

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

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

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

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

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

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

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

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

[[Машинное_обучение_2 | 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]]

[[Параллельные и распределенные вычисления 2017 | Параллельные и распределенные вычисления]]

[[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 | 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)]] 
[[Программирование_(python)_для_лингвистов|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)]] 
[[Программирование (python) для лингвистов | Программирование (python) для лингвистов (факультет гуманитарных наук)]] 
[[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]] 

=== 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)]]

Введение в анализ текстов на Python для ФГН 2018

2018-09-03T05:05:14Z

Sggpls:

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ161 и БКЛ162 в 1, 2 и 4 модулях.

'''Семинарист:''' Кабанов Сергей Михайлович

'''Ассистенты:''' Соболев Марк и Татаринов Дмитрий

Семинары проходят по пятницам, 1-я и 2-я пары, в ауд. ???.

'''Просьба, по возможности, приходить со своими ноутбуками.'''

За всеми важными объявлениями можно и нужно следить в чате курса [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g LingvoX].

=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/222132678.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g LingvoX]

Wiki-страница прошлого года: [http://wiki.cs.hse.ru/index.php?title=Введение_в_анализ_текстов_на_Python_для_ФГН Введение в анализ текстов на Python для ФГН 2017]

== 1 модуль ==
=== Семинары ===
'''07.09.18 Ознакомительный семинар''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8).

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''50 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 150+
|-
| Отлично (9) || 140+
|-
| Отлично (8) || 130+
|-
| Хорошо (7) || 110+
|-
| Хорошо (6) || 100+
|-
| Удовлетворительно (5) || 80+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' в разработке.

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]

Введение в анализ текстов на Python для ФГН 2018

2018-09-03T05:04:49Z

Sggpls:

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ161 и БКЛ162 в 1, 2 и 4 модулях.

'''Семинарист:''' Кабанов Сергей Михайлович

'''Ассистенты:''' Соболев Марк и Татаринов Дмитрий

Семинары проходят по пятницам, 1-я и 2-я пары, в ауд. ???.

'''Просьба, по возможности, приходить со своими ноутбуками.'''

За всеми важными объявлениями можно и нужно следить в чате курса LingvoX.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/222132678.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g LingvoX]

Wiki-страница прошлого года: [http://wiki.cs.hse.ru/index.php?title=Введение_в_анализ_текстов_на_Python_для_ФГН Введение в анализ текстов на Python для ФГН 2017]

== 1 модуль ==
=== Семинары ===
'''07.09.18 Ознакомительный семинар''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8).

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''50 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 150+
|-
| Отлично (9) || 140+
|-
| Отлично (8) || 130+
|-
| Хорошо (7) || 110+
|-
| Хорошо (6) || 100+
|-
| Удовлетворительно (5) || 80+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' в разработке.

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]

Введение в анализ текстов на Python для ФГН 2018

2018-09-03T05:04:14Z

Sggpls: /* Описание курса */

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ161 и БКЛ162 в 1, 2 и 4 модулях.

'''Семинарист:''' Кабанов Сергей Михайлович

'''Ассистенты:''' Соболев Марк и Татаринов Дмитрий

Семинары проходят по пятницам, 1-я и 2-я пары, в ауд. ???.

'''Просьба, по возможности, приходить со своими ноутбуками.'''

За всеми важными объявлениями можно и нужно следить в группе телеграм.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/222132678.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g LingvoX]

Wiki-страница прошлого года: [http://wiki.cs.hse.ru/index.php?title=Введение_в_анализ_текстов_на_Python_для_ФГН Введение в анализ текстов на Python для ФГН 2017]

== 1 модуль ==
=== Семинары ===
'''07.09.18 Ознакомительный семинар''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8).

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''50 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 150+
|-
| Отлично (9) || 140+
|-
| Отлично (8) || 130+
|-
| Хорошо (7) || 110+
|-
| Хорошо (6) || 100+
|-
| Удовлетворительно (5) || 80+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' в разработке.

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]

Введение в анализ текстов на Python для ФГН 2018

2018-09-03T05:03:56Z

Sggpls:

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ161 и БКЛ162 в 1, 2 и 4 модулях.

'''Семинарист:''' Кабанов Сергей Михайлович

'''Ассистенты:''' Соболев Марк и Татаринов Дмитрий

Семинары проходят по пятницам, 1-я и 2-я пары, в ауд. ???.
'''Просьба, по возможности, приходить со своими ноутбуками.'''
За всеми важными объявлениями можно и нужно следить в группе телеграм.

=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/222132678.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g LingvoX]

Wiki-страница прошлого года: [http://wiki.cs.hse.ru/index.php?title=Введение_в_анализ_текстов_на_Python_для_ФГН Введение в анализ текстов на Python для ФГН 2017]

== 1 модуль ==
=== Семинары ===
'''07.09.18 Ознакомительный семинар''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8).

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''50 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 150+
|-
| Отлично (9) || 140+
|-
| Отлично (8) || 130+
|-
| Хорошо (7) || 110+
|-
| Хорошо (6) || 100+
|-
| Удовлетворительно (5) || 80+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' в разработке.

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]

Введение в анализ текстов на Python для ФГН 2018

2018-09-03T05:02:27Z

Sggpls: /* Правила оценивания */

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ161 и БКЛ162 в 1, 2 и 4 модулях.

'''Семинарист:''' Кабанов Сергей Михайлович

'''Ассистенты:''' Соболев Марк и Татаринов Дмитрий

Семинары проходят по пятницам, 1-я и 2-я пары, в ауд. ???.

'''Просьба, по возможности, приходить со своими ноутбуками.'''

=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/222132678.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g LingvoX]

Wiki-страница прошлого года: [http://wiki.cs.hse.ru/index.php?title=Введение_в_анализ_текстов_на_Python_для_ФГН Введение в анализ текстов на Python для ФГН 2017]

== 1 модуль ==
=== Семинары ===
'''07.09.18 Ознакомительный семинар''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8).

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''50 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 150+
|-
| Отлично (9) || 140+
|-
| Отлично (8) || 130+
|-
| Хорошо (7) || 110+
|-
| Хорошо (6) || 100+
|-
| Удовлетворительно (5) || 80+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' в разработке.

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]

Введение в анализ текстов на Python для ФГН 2018

2018-09-03T05:01:25Z

Sggpls:

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ161 и БКЛ162 в 1, 2 и 4 модулях.

'''Семинарист:''' Кабанов Сергей Михайлович

'''Ассистенты:''' Соболев Марк и Татаринов Дмитрий

Семинары проходят по пятницам, 1-я и 2-я пары, в ауд. ???.

'''Просьба, по возможности, приходить со своими ноутбуками.'''

=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/222132678.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g LingvoX]

Wiki-страница прошлого года: [http://wiki.cs.hse.ru/index.php?title=Введение_в_анализ_текстов_на_Python_для_ФГН Введение в анализ текстов на Python для ФГН 2017]

== 1 модуль ==
=== Семинары ===
'''07.09.18 Ознакомительный семинар''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8).

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 150+
|-
| Отлично (9) || 140+
|-
| Отлично (8) || 130+
|-
| Хорошо (7) || 110+
|-
| Хорошо (6) || 100+
|-
| Удовлетворительно (5) || 80+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' в разработке.

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]

Введение в анализ текстов на Python для ФГН 2018

2018-09-03T04:59:47Z

Sggpls: фф

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ161 и БКЛ162 в 1, 2 и 4 модулях.

'''Семинарист:''' Кабанов Сергей Михайлович

'''Ассистенты:''' Соболев Марк и Татаринов Дмитрий

Семинары проходят по пятницам, 1-я и 2-я пары, в ауд. ???.

'''Просьба, по возможности, приходить со своими ноутбуками.'''

=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/222132678.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g LingvoX]

Wiki-страница прошлого года: [http://wiki.cs.hse.ru/index.php?title=Введение_в_анализ_текстов_на_Python_для_ФГН Введение в анализ текстов на Python для ФГН 2017]

== 1 модуль ==
=== Семинары ===
'''07.09.18 Ознакомительный семинар''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8).

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 150+
|-
| Отлично (9) || 140+
|-
| Отлично (8) || 130+
|-
| Хорошо (7) || 110+
|-
| Хорошо (6) || 100+
|-
| Удовлетворительно (5) || 80+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]

Введение в анализ текстов на Python для ФГН 2018

2018-09-03T04:59:15Z

Sggpls: /* Правила оценивания */

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ161 и БКЛ162 в 1, 2 и 4 модулях.

'''Семинарист:''' Кабанов Сергей Михайлович

'''Ассистенты:''' Соболев Марк и Татаринов Дмитрий

Семинары проходят по пятницам, 1-я и 2-я пары, в ауд. ???.

'''Просьба, по возможности, приходить со своими ноутбуками.'''

=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/222132678.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g LingvoX]

Wiki-страница прошлого года: [http://wiki.cs.hse.ru/index.php?title=Введение_в_анализ_текстов_на_Python_для_ФГН Введение в анализ текстов на Python для ФГН 2017]

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8).

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 150+
|-
| Отлично (9) || 140+
|-
| Отлично (8) || 130+
|-
| Хорошо (7) || 110+
|-
| Хорошо (6) || 100+
|-
| Удовлетворительно (5) || 80+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]

Введение в анализ текстов на Python для ФГН 2018

2018-09-03T04:57:58Z

Sggpls: аапп1

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ161 и БКЛ162 в 1, 2 и 4 модулях.

'''Семинарист:''' Кабанов Сергей Михайлович

'''Ассистенты:''' Соболев Марк и Татаринов Дмитрий

Семинары проходят по пятницам, 1-я и 2-я пары, в ауд. ???.

'''Просьба, по возможности, приходить со своими ноутбуками.'''

=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/222132678.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g LingvoX]

Wiki-страница прошлого года: [http://wiki.cs.hse.ru/index.php?title=Введение_в_анализ_текстов_на_Python_для_ФГН Введение в анализ текстов на Python для ФГН 2017]

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8).

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]

Введение в анализ текстов на Python для ФГН 2018

2018-09-03T04:56:32Z

Sggpls: фф2

Введение в анализ текстов на Python для ФГН 2018

2018-09-03T04:55:54Z

Sggpls: ффф

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ161 и БКЛ162 в 1, 2 и 4 модулях.

'''Лектор:''' Кабанов Сергей Михайлович

'''Ассистенты:''' Соболев Марк и Татаринов Дмитрий

Семинары проходят по пятницам, 1-я и 2-я пары, в ауд. ???.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/222132678.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g LingvoX]

Wiki-страница прошлого года: [http://wiki.cs.hse.ru/index.php?title=Введение_в_анализ_текстов_на_Python_для_ФГН Введение в анализ текстов на Python для ФГН 2017]

Введение в анализ текстов на Python для ФГН

2018-06-28T08:06:40Z

Sggpls:

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ151 и БКЛ152 в 1, 3 и 4 модулях.

'''Семинарист:''' Сергей Кабанов

'''Ассистенты:''' Алие Тефикова и Анастасия Родыгина

Семинары проходят по субботам, 3-я и 4-я пары, ауд. 509.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/207398318.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g LingvoX]

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8).

'''09.09.17 Введение в ООП-0''' Абстракция данных, инкапсуляция, наследование, полиморфизм. Класс, объект. Конструктор и деструктор. Перегрузка операторов-0.

'''16.09.17 Продолжение ООП-1''' Передача аргументов в функцию (args, kwargs). Перегрузка операторов-1. Итераторы и генераторы.

'''23.09.17 Замыкания''' Декораторы.

'''30.09.17 Алгоритмы-0''' RAM-модель. Сложность алгоритмов и нотация Big-O. Бинарный поиск. Задача сортировки массива: quick-sort, merge-sort, timsort.

'''30.09.17 Структуры данных''' Ассоциативный массив. Хэш-таблицы. Обзор модуля collections.

'''07.10.17 Алгоритмы-1''' Графовые алгоритмы: Дейкстры, Прима, Крускала. Обзор модуля networkx.

'''14.10.17 Продолжение ООП-2''' Метапрограммирование. Паттерны проектирования. Модуль abc.

'''14.10.17 Работа с Web''' XML и HTML как деревья. Парсинг XML (модуль lxml).

'''21.10.17 Обзор полезных модулей''' Некоторые полезные модули.

'''28.10.17 Экзамен''' Финальный тест. Последний срок сдачи финального проекта.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]
== 3 - 4 модули ==
=== Семинары ===
'''13.01.18 Ознакомительный семинар.''' Правила игры (правила оценивая курса). Постановки и примеры задач машинного обучения. Основные понятия. Задача классификации.

'''20.01.18 Метрические классификаторы-0.''' Метод ближайших соседей. Метрики качества: recall, precision, accuracy, f1-score. Скользящий контроль (k-fold CV).

'''27.01.18 Метрические классификаторы-1.''' Метод потенциальных функций. Метод окна Парзена.

'''03.02.18 Отбор признаков-0.''' Разбор 1-ой лабораторной работы. Метод Монте-Карло. Переборные алгоритмы отбора признаков: full search, add, del, add-del.

'''10.02.18 Линейный модели-0.''' Общий подход к построению линейных моделей. Линейная регрессия. Градиентный спуск.

'''17.02.18 Линейный модели-1.''' Логистическая регрессия. Метрики качества: roc-auc, pr-auc, log-loss.

'''24.02.18 Линейный модели-2.''' Переход в спрямляющее пространство. Метод опорных векторов. Kernel trick.

'''03.03.18 Векторные модели текста''' Разбор 2-ой лабораторной работы. Обзор векторных моделей текста. Расстояние между строками.

'''10.03.18 Байесовский классификатор''' Задача восстановления плотностей классов. Линейный дискриминант Фишера. Байесовский наивный классификатор.

'''17.03.18 Логические модели-0''' Логические модели. Деревья решений.

'''24.03.18 Композиции моделей-0''' Bias and variance tradeoff. Bootstrap aggregating. Случайный лес.

'''26.03.18 Композиции моделей-1''' Разбор 3-ей и 4-ой лабораторных работ. Стекинг и блендинг моделей.

'''31.03.18 Отбор признаков-1''' Статистические критерии. Регуляризация. Отбор на основе важности признаков.

'''07.03.18 Извлечение признаков''' Сингулярное разложение. Метод главных компонент.

'''14.04.18 Большие данные''' Визуализация больших данных. Алгоритм t-SNE. Разряженные матрицы. Библиотека Vowpal Wabbit.

'''21.04.18 Multi-label классификация''' Разбор 5-ой лабораторной работы. Методы решения multi label задач.

'''28.04.18 Композиции моделей-2 ''' Градиентный бустинг.

'''07.05.18 Композиции моделей-2''' xgboost vs. lightgbm vs. catboost

'''05.05.18 Разбор лаб. работ''' Разбор 6-ой и 7-ой лабораторных работ. Задача ранжирования поисковой выдачи.

'''12.05.18 Кластеризация-0''' Постановка задач кластеризации. Алгоритмы: k-means, x-means, c-means, EM. Метрики качества.

'''19.05.18 Кластеризация-1''' Алгоритмы: DBSCAN, спектральная кластеризация, графовые алгоритмы.

'''26.05.18 Полезные модули-0''' Модули: hyperopt, scikit-optimize.

'''02.06.18 Полезные модули-1''' Модули: scikit-multilearn, imbalanced-learn.

'''07.06.18''' Разбор 8-ой лабораторной работы. Разбор финальных решений первого конкурса. Позные трюки при решении конкурсов.

'''14.06.18 Повторение пройденного''' Коллективный тест "Собеседование на позицию junior data scientist" :)

'''23.06.18 Экзамен''' Разбор финальных решений второго конкурса. Выставление оценок.

=== Правила оценивания ===

В 3 - 4 модулях ~20 семинаров.

'''~8 домашних''' лабораторных '''работ''' стоимостью '''20 баллов каждая'''.

[https://www.kaggle.com/c/competition-1-lingvo-hse-2018-spam-detection/ '''Конкурсное задание'''] в конце 3-го модуля стоимостью '''30 баллов'''.

[https://www.kaggle.com/c/competition-2-lingvo-hse-2018-toxic-comment/ '''Конкурсное задание'''] в середине 4-го модуля стоимостью '''30 баллов'''.

По желанию: в конце 4-го модуля можно будет увеличить оценку на 1 балл по десятибалльной шкале, доделав часть несданных лаб. работ.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 160+
|-
| Отлично (9) || 150+
|-
| Отлично (8) || 140+
|-
| Хорошо (7) || 120+
|-
| Хорошо (6) || 110+
|-
| Удовлетворительно (5) || 90+
|-
| Удовлетворительно (4) || 70+
|-
| Незачет || менее 70
|}

=== Полезные литература и ссылки ===

# [https://www.dataquest.io/blog/jupyter-notebook-tips-tricks-shortcuts/ 28 jupyter-notebook tips and tricks]
# [https://www.youtube.com/watch?v=qLBkB4sMztk, Видеолекции Воронцова от ШАД]
# [https://www.datacamp.com/community/tutorials/seaborn-python-tutorial, Seabor vizualization tutorial]
# [http://www2.compute.dtu.dk/pubdb/views/edoc_download.php/6814/pdf/imm6814.pdf, 100 страничная брошюра кратко описывающая принципы работы с основные библиотеками курса (numpy, pandas, scipy, sklearn, nltk etc)]

Введение в анализ текстов на Python для ФГН

2018-06-28T08:06:16Z

Sggpls:

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ151 и БКЛ152 в 1, 3 и 4 модулях.

'''Семинарист:''' Сергей Кабанов

'''Ассистенты:''' Алие Тефикова и Анастасия Родыгина

Семинары проходят по субботам, 3-я и 4-я пары, ауд. 509.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/207398318.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g LingvoX]

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8).

'''09.09.17 Введение в ООП-0''' Абстракция данных, инкапсуляция, наследование, полиморфизм. Класс, объект. Конструктор и деструктор. Перегрузка операторов-0.

'''16.09.17 Продолжение ООП-1''' Передача аргументов в функцию (args, kwargs). Перегрузка операторов-1. Итераторы и генераторы.

'''23.09.17 Замыкания''' Декораторы.

'''30.09.17 Алгоритмы-0''' RAM-модель. Сложность алгоритмов и нотация Big-O. Бинарный поиск. Задача сортировки массива: quick-sort, merge-sort, timsort.

'''30.09.17 Структуры данных''' Ассоциативный массив. Хэш-таблицы. Обзор модуля collections.

'''07.10.17 Алгоритмы-1''' Графовые алгоритмы: Дейкстры, Прима, Крускала. Обзор модуля networkx.

'''14.10.17 Продолжение ООП-2''' Метапрограммирование. Паттерны проектирования. Модуль abc.

'''14.10.17 Работа с Web''' XML и HTML как деревья. Парсинг XML (модуль lxml).

'''21.10.17 Обзор полезных модулей''' Некоторые полезные модлули.

'''28.10.17 Экзамен''' Финальный тест. Последний срок сдачи финального проекта.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]
== 3 - 4 модули ==
=== Семинары ===
'''13.01.18 Ознакомительный семинар.''' Правила игры (правила оценивая курса). Постановки и примеры задач машинного обучения. Основные понятия. Задача классификации.

'''20.01.18 Метрические классификаторы-0.''' Метод ближайших соседей. Метрики качества: recall, precision, accuracy, f1-score. Скользящий контроль (k-fold CV).

'''27.01.18 Метрические классификаторы-1.''' Метод потенциальных функций. Метод окна Парзена.

'''03.02.18 Отбор признаков-0.''' Разбор 1-ой лабораторной работы. Метод Монте-Карло. Переборные алгоритмы отбора признаков: full search, add, del, add-del.

'''10.02.18 Линейный модели-0.''' Общий подход к построению линейных моделей. Линейная регрессия. Градиентный спуск.

'''17.02.18 Линейный модели-1.''' Логистическая регрессия. Метрики качества: roc-auc, pr-auc, log-loss.

'''24.02.18 Линейный модели-2.''' Переход в спрямляющее пространство. Метод опорных векторов. Kernel trick.

'''03.03.18 Векторные модели текста''' Разбор 2-ой лабораторной работы. Обзор векторных моделей текста. Расстояние между строками.

'''10.03.18 Байесовский классификатор''' Задача восстановления плотностей классов. Линейный дискриминант Фишера. Байесовский наивный классификатор.

'''17.03.18 Логические модели-0''' Логические модели. Деревья решений.

'''24.03.18 Композиции моделей-0''' Bias and variance tradeoff. Bootstrap aggregating. Случайный лес.

'''26.03.18 Композиции моделей-1''' Разбор 3-ей и 4-ой лабораторных работ. Стекинг и блендинг моделей.

'''31.03.18 Отбор признаков-1''' Статистические критерии. Регуляризация. Отбор на основе важности признаков.

'''07.03.18 Извлечение признаков''' Сингулярное разложение. Метод главных компонент.

'''14.04.18 Большие данные''' Визуализация больших данных. Алгоритм t-SNE. Разряженные матрицы. Библиотека Vowpal Wabbit.

'''21.04.18 Multi-label классификация''' Разбор 5-ой лабораторной работы. Методы решения multi label задач.

'''28.04.18 Композиции моделей-2 ''' Градиентный бустинг.

'''07.05.18 Композиции моделей-2''' xgboost vs. lightgbm vs. catboost

'''05.05.18 Разбор лаб. работ''' Разбор 6-ой и 7-ой лабораторных работ. Задача ранжирования поисковой выдачи.

'''12.05.18 Кластеризация-0''' Постановка задач кластеризации. Алгоритмы: k-means, x-means, c-means, EM. Метрики качества.

'''19.05.18 Кластеризация-1''' Алгоритмы: DBSCAN, спектральная кластеризация, графовые алгоритмы.

'''26.05.18 Полезные модули-0''' Модули: hyperopt, scikit-optimize.

'''02.06.18 Полезные модули-1''' Модули: scikit-multilearn, imbalanced-learn.

'''07.06.18''' Разбор 8-ой лабораторной работы. Разбор финальных решений первого конкурса. Позные трюки при решении конкурсов.

'''14.06.18 Повторение пройденного''' Коллективный тест "Собеседование на позицию junior data scientist" :)

'''23.06.18 Экзамен''' Разбор финальных решений второго конкурса. Выставление оценок.

=== Правила оценивания ===

В 3 - 4 модулях ~20 семинаров.

'''~8 домашних''' лабораторных '''работ''' стоимостью '''20 баллов каждая'''.

[https://www.kaggle.com/c/competition-1-lingvo-hse-2018-spam-detection/ '''Конкурсное задание'''] в конце 3-го модуля стоимостью '''30 баллов'''.

[https://www.kaggle.com/c/competition-2-lingvo-hse-2018-toxic-comment/ '''Конкурсное задание'''] в середине 4-го модуля стоимостью '''30 баллов'''.

По желанию: в конце 4-го модуля можно будет увеличить оценку на 1 балл по десятибалльной шкале, доделав часть несданных лаб. работ.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 160+
|-
| Отлично (9) || 150+
|-
| Отлично (8) || 140+
|-
| Хорошо (7) || 120+
|-
| Хорошо (6) || 110+
|-
| Удовлетворительно (5) || 90+
|-
| Удовлетворительно (4) || 70+
|-
| Незачет || менее 70
|}

=== Полезные литература и ссылки ===

# [https://www.dataquest.io/blog/jupyter-notebook-tips-tricks-shortcuts/ 28 jupyter-notebook tips and tricks]
# [https://www.youtube.com/watch?v=qLBkB4sMztk, Видеолекции Воронцова от ШАД]
# [https://www.datacamp.com/community/tutorials/seaborn-python-tutorial, Seabor vizualization tutorial]
# [http://www2.compute.dtu.dk/pubdb/views/edoc_download.php/6814/pdf/imm6814.pdf, 100 страничная брошюра кратко описывающая принципы работы с основные библиотеками курса (numpy, pandas, scipy, sklearn, nltk etc)]

Введение в анализ текстов на Python для ФГН

2018-06-28T08:01:31Z

Sggpls:

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ151 и БКЛ152 в 1, 3 и 4 модулях.

'''Семинарист:''' Сергей Кабанов

'''Ассистенты:''' Алие Тефикова и Анастасия Родыгина

Семинары проходят по субботам, 3-я и 4-я пары, ауд. 509.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/207398318.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g LingvoX]

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар.''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8). [https://github.com/ustya-k/hse-python/tree/master/3%20%D0%BA%D1%83%D1%80%D1%81/week-1 lab1 (решение Усти)]

'''09.09.17 Введение в ООП-0.''' Абстракция данных, инкапсуляция, наследование, полиморфизм. Класс, объект. Конструктор и деструктор. Перегрузка операторов-0.

'''16.09.17 Продолжение ООП-1.''' Передача аргументов в функцию (args, kwargs). Перегрузка операторов-1. Итераторы и генераторы.

'''23.09.17 Замыкания.''' Декораторы.

'''30.09.17 Алгоритмы.''' RAM-модель. Сложность алгоритмов и нотация Big-O. Бинарный поиск. Задача сортировки массива: quick-sort, merge-sort, timsort.

'''30.09.17 Структуры данных.''' Ассоциативный массив. Хэш-таблицы. Обзор модуля collections.

'''07.10.17 '''

'''14.10.17 '''

'''14.10.17 '''

'''21.10.17 Работа с Web.''' XML и HTML как деревья. Парсинг XML (модуль lxml).

'''28.10.17 Экзамен.''' Финальный тест. Последний срок сдачи финального проекта.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]
== 3 - 4 модули ==
=== Семинары ===
'''13.01.18 Ознакомительный семинар.''' Правила игры (правила оценивая курса). Постановки и примеры задач машинного обучения. Основные понятия. Задача классификации.

'''20.01.18 Метрические классификаторы-0.''' Метод ближайших соседей. Метрики качества: recall, precision, accuracy, f1-score. Скользящий контроль (k-fold CV).

'''27.01.18 Метрические классификаторы-1.''' Метод потенциальных функций. Метод окна Парзена.

'''03.02.18 Отбор признаков-0.''' Разбор 1-ой лабораторной работы. Метод Монте-Карло. Переборные алгоритмы отбора признаков: full search, add, del, add-del.

'''10.02.18 Линейный модели-0.''' Общий подход к построению линейных моделей. Линейная регрессия. Градиентный спуск.

'''17.02.18 Линейный модели-1.''' Логистическая регрессия. Метрики качества: roc-auc, pr-auc, log-loss.

'''24.02.18 Линейный модели-2.''' Переход в спрямляющее пространство. Метод опорных векторов. Kernel trick.

'''03.03.18 Векторные модели текста''' Разбор 2-ой лабораторной работы. Обзор векторных моделей текста. Расстояние между строками.

'''10.03.18 Байесовский классификатор''' Задача восстановления плотностей классов. Линейный дискриминант Фишера. Байесовский наивный классификатор.

'''17.03.18 Логические модели-0''' Логические модели. Деревья решений.

'''24.03.18 Композиции моделей-0''' Bias and variance tradeoff. Bootstrap aggregating. Случайный лес.

'''26.03.18 Композиции моделей-1''' Разбор 3-ей и 4-ой лабораторных работ. Стекинг и блендинг моделей.

'''31.03.18 Отбор признаков-1''' Статистические критерии. Регуляризация. Отбор на основе важности признаков.

'''07.03.18 Извлечение признаков''' Сингулярное разложение. Метод главных компонент.

'''14.04.18 Большие данные''' Визуализация больших данных. Алгоритм t-SNE. Разряженные матрицы. Библиотека Vowpal Wabbit.

'''21.04.18 Multi-label классификация''' Разбор 5-ой лабораторной работы. Методы решения multi label задач.

'''28.04.18 Композиции моделей-2 ''' Градиентный бустинг.

'''07.05.18 Композиции моделей-2''' xgboost vs. lightgbm vs. catboost

'''05.05.18 Разбор лаб. работ''' Разбор 6-ой и 7-ой лабораторных работ. Задача ранжирования поисковой выдачи.

'''12.05.18 Кластеризация-0''' Постановка задач кластеризации. Алгоритмы: k-means, x-means, c-means, EM. Метрики качества.

'''19.05.18 Кластеризация-1''' Алгоритмы: DBSCAN, спектральная кластеризация, графовые алгоритмы.

'''26.05.18 Полезные модули-0''' Модули: hyperopt, scikit-optimize.

'''02.06.18 Полезные модули-1''' Модули: scikit-multilearn, imbalanced-learn.

'''07.06.18''' Разбор 8-ой лабораторной работы. Разбор финальных решений первого конкурса. Позные трюки при решении конкурсов.

'''14.06.18 Повторение пройденного''' Коллективный тест "Собеседование на позицию junior data scientist" :)

'''23.06.18 Экзамен''' Разбор финальных решений второго конкурса. Выставление оценок.

=== Правила оценивания ===

В 3 - 4 модулях ~20 семинаров.

'''~8 домашних''' лабораторных '''работ''' стоимостью '''20 баллов каждая'''.

[https://www.kaggle.com/c/competition-1-lingvo-hse-2018-spam-detection/ '''Конкурсное задание'''] в конце 3-го модуля стоимостью '''30 баллов'''.

[https://www.kaggle.com/c/competition-2-lingvo-hse-2018-toxic-comment/ '''Конкурсное задание'''] в середине 4-го модуля стоимостью '''30 баллов'''.

По желанию: в конце 4-го модуля можно будет увеличить оценку на 1 балл по десятибалльной шкале, доделав часть несданных лаб. работ.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 160+
|-
| Отлично (9) || 150+
|-
| Отлично (8) || 140+
|-
| Хорошо (7) || 120+
|-
| Хорошо (6) || 110+
|-
| Удовлетворительно (5) || 90+
|-
| Удовлетворительно (4) || 70+
|-
| Незачет || менее 70
|}

=== Полезные литература и ссылки ===

# [https://www.dataquest.io/blog/jupyter-notebook-tips-tricks-shortcuts/ 28 jupyter-notebook tips and tricks]
# [https://www.youtube.com/watch?v=qLBkB4sMztk, Видеолекции Воронцова от ШАД]
# [https://www.datacamp.com/community/tutorials/seaborn-python-tutorial, Seabor vizualization tutorial]
# [http://www2.compute.dtu.dk/pubdb/views/edoc_download.php/6814/pdf/imm6814.pdf, 100 страничная брошюра кратко описывающая принципы работы с основные библиотеками курса (numpy, pandas, scipy, sklearn, nltk etc)]

Введение в анализ текстов на Python для ФГН

2018-06-28T08:00:11Z

Sggpls:

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ151 и БКЛ152 в 1, 3 и 4 модулях.

'''Семинарист:''' Сергей Кабанов

'''Ассистенты:''' Алие Тефикова и Анастасия Родыгина

Семинары проходят по субботам, 3-я и 4-я пары, ауд. 509.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/207398318.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g lingvo-python-ml]

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар.''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8). [https://github.com/ustya-k/hse-python/tree/master/3%20%D0%BA%D1%83%D1%80%D1%81/week-1 lab1 (решение Усти)]

'''09.09.17 Введение в ООП-0.''' Абстракция данных, инкапсуляция, наследование, полиморфизм. Класс, объект. Конструктор и деструктор. Перегрузка операторов-0.

'''16.09.17 Продолжение ООП-1.''' Передача аргументов в функцию (args, kwargs). Перегрузка операторов-1. Итераторы и генераторы.

'''23.09.17 Замыкания.''' Декораторы.

'''30.09.17 Алгоритмы.''' RAM-модель. Сложность алгоритмов и нотация Big-O. Бинарный поиск. Задача сортировки массива: quick-sort, merge-sort, timsort.

'''30.09.17 Структуры данных.''' Ассоциативный массив. Хэш-таблицы. Обзор модуля collections.

'''07.10.17 '''

'''14.10.17 '''

'''14.10.17 '''

'''21.10.17 Работа с Web.''' XML и HTML как деревья. Парсинг XML (модуль lxml).

'''28.10.17 Экзамен.''' Финальный тест. Последний срок сдачи финального проекта.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]
== 3 - 4 модули ==
=== Семинары ===
'''13.01.18 Ознакомительный семинар.''' Правила игры (правила оценивая курса). Постановки и примеры задач машинного обучения. Основные понятия. Задача классификации.

'''20.01.18 Метрические классификаторы-0.''' Метод ближайших соседей. Метрики качества: recall, precision, accuracy, f1-score. Скользящий контроль (k-fold CV).

'''27.01.18 Метрические классификаторы-1.''' Метод потенциальных функций. Метод окна Парзена.

'''03.02.18 Отбор признаков-0.''' Разбор 1-ой лабораторной работы. Метод Монте-Карло. Переборные алгоритмы отбора признаков: full search, add, del, add-del.

'''10.02.18 Линейный модели-0.''' Общий подход к построению линейных моделей. Линейная регрессия. Градиентный спуск.

'''17.02.18 Линейный модели-1.''' Логистическая регрессия. Метрики качества: roc-auc, pr-auc, log-loss.

'''24.02.18 Линейный модели-2.''' Переход в спрямляющее пространство. Метод опорных векторов. Kernel trick.

'''03.03.18 Векторные модели текста''' Разбор 2-ой лабораторной работы. Обзор векторных моделей текста. Расстояние между строками.

'''10.03.18 Байесовский классификатор''' Задача восстановления плотностей классов. Линейный дискриминант Фишера. Байесовский наивный классификатор.

'''17.03.18 Логические модели-0''' Логические модели. Деревья решений.

'''24.03.18 Композиции моделей-0''' Bias and variance tradeoff. Bootstrap aggregating. Случайный лес.

'''26.03.18 Композиции моделей-1''' Разбор 3-ей и 4-ой лабораторных работ. Стекинг и блендинг моделей.

'''31.03.18 Отбор признаков-1''' Статистические критерии. Регуляризация. Отбор на основе важности признаков.

'''07.03.18 Извлечение признаков''' Сингулярное разложение. Метод главных компонент.

'''14.04.18 Большие данные''' Визуализация больших данных. Алгоритм t-SNE. Разряженные матрицы. Библиотека Vowpal Wabbit.

'''21.04.18 Multi-label классификация''' Разбор 5-ой лабораторной работы. Методы решения multi label задач.

'''28.04.18 Композиции моделей-2 ''' Градиентный бустинг.

'''07.05.18 Композиции моделей-2''' xgboost vs. lightgbm vs. catboost

'''05.05.18 Разбор лаб. работ''' Разбор 6-ой и 7-ой лабораторных работ. Задача ранжирования поисковой выдачи.

'''12.05.18 Кластеризация-0''' Постановка задач кластеризации. Алгоритмы: k-means, x-means, c-means, EM. Метрики качества.

'''19.05.18 Кластеризация-1''' Алгоритмы: DBSCAN, спектральная кластеризация, графовые алгоритмы.

'''26.05.18 Полезные модули-0''' Модули: hyperopt, scikit-optimize.

'''02.06.18 Полезные модули-1''' Модули: scikit-multilearn, imbalanced-learn.

'''07.06.18''' Разбор 8-ой лабораторной работы. Разбор финальных решений первого конкурса. Позные трюки при решении конкурсов.

'''14.06.18 Повторение пройденного''' Коллективный тест "Собеседование на позицию junior data scientist" :)

'''23.06.18 Экзамен''' Разбор финальных решений второго конкурса. Выставление оценок.

=== Правила оценивания ===

В 3 - 4 модулях ~20 семинаров.

'''~8 домашних''' лабораторных '''работ''' стоимостью '''20 баллов каждая'''.

[https://www.kaggle.com/c/competition-1-lingvo-hse-2018-spam-detection/ '''Конкурсное задание'''] в конце 3-го модуля стоимостью '''30 баллов'''.

[https://www.kaggle.com/c/competition-2-lingvo-hse-2018-toxic-comment/ '''Конкурсное задание'''] в середине 4-го модуля стоимостью '''30 баллов'''.

По желанию: в конце 4-го модуля можно будет увеличить оценку на 1 балл по десятибалльной шкале, доделав часть несданных лаб. работ.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 160+
|-
| Отлично (9) || 150+
|-
| Отлично (8) || 140+
|-
| Хорошо (7) || 120+
|-
| Хорошо (6) || 110+
|-
| Удовлетворительно (5) || 90+
|-
| Удовлетворительно (4) || 70+
|-
| Незачет || менее 70
|}

=== Полезные литература и ссылки ===

# [https://www.dataquest.io/blog/jupyter-notebook-tips-tricks-shortcuts/ 28 jupyter-notebook tips and tricks]
# [https://www.youtube.com/watch?v=qLBkB4sMztk, Видеолекции Воронцова от ШАД]
# [https://www.datacamp.com/community/tutorials/seaborn-python-tutorial, Seabor vizualization tutorial]
# [http://www2.compute.dtu.dk/pubdb/views/edoc_download.php/6814/pdf/imm6814.pdf, 100 страничная брошюра кратко описывающая принципы работы с основные библиотеками курса (numpy, pandas, scipy, sklearn, nltk etc)]

Введение в анализ текстов на Python для ФГН

2018-06-28T07:59:01Z

Sggpls: /* Семинары */

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ151 и БКЛ152 в 1, 3 и 4 модулях.

'''Семинарист:''' Сергей Кабанов

'''Ассистенты:''' Алие Тефикова и Анастасия Родыгина

Семинары проходят по субботам, 3-я и 4-я пары, ауд. 509.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/207398318.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g lingvo-python-ml]

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар.''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8). [https://github.com/ustya-k/hse-python/tree/master/3%20%D0%BA%D1%83%D1%80%D1%81/week-1 lab1 (решение Усти)]

'''09.09.17 Введение в ООП-0.''' Абстракция данных, инкапсуляция, наследование, полиморфизм. Класс, объект. Конструктор и деструктор. Перегрузка операторов-0.

'''16.09.17 Продолжение ООП-1.''' Передача аргументов в функцию (args, kwargs). Перегрузка операторов-1. Итераторы и генераторы.

'''23.09.17 Замыкания.''' Декораторы.

'''30.09.17 Алгоритмы.''' RAM-модель. Сложность алгоритмов и нотация Big-O. Бинарный поиск. Задача сортировки массива: quick-sort, merge-sort, timsort.

'''30.09.17 Структуры данных.''' Ассоциативный массив. Хэш-таблицы. Обзор модуля collections.

'''07.10.17 '''

'''14.10.17 '''

'''14.10.17 '''

'''21.10.17 Работа с Web.''' XML и HTML как деревья. Парсинг XML (модуль lxml).

'''28.10.17 Экзамен.''' Финальный тест. Последний срок сдачи финального проекта.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]
== 3 - 4 модули ==
=== Семинары ===
'''13.01.18 Ознакомительный семинар.''' Правила игры (правила оценивая курса). Постановки и примеры задач машинного обучения. Основные понятия. Задача классификации.

'''20.01.18 Метрические классификаторы-0.''' Метод ближайших соседей. Метрики качества: recall, precision, accuracy, f1-score. Скользящий контроль (k-fold CV).

'''27.01.18 Метрические классификаторы-1.''' Метод потенциальных функций. Метод окна Парзена.

'''03.02.18 Отбор признаков-0.''' Разбор 1-ой лабораторной работы. Метод Монте-Карло. Переборные алгоритмы отбора признаков: full search, add, del, add-del.

'''10.02.18 Линейный модели-0.''' Общий подход к построению линейных моделей. Линейная регрессия. Градиентный спуск.

'''17.02.18 Линейный модели-1.''' Логистическая регрессия. Метрики качества: roc-auc, pr-auc, log-loss.

'''24.02.18 Линейный модели-2.''' Переход в спрямляющее пространство. Метод опорных векторов. Kernel trick.

'''03.03.18 Векторные модели текста''' Разбор 2-ой лабораторной работы. Обзор векторных моделей текста. Расстояние между строками.

'''10.03.18 Байесовский классификатор''' Задача восстановления плотностей классов. Линейный дискриминант Фишера. Байесовский наивный классификатор.

'''17.03.18 Логические модели-0''' Логические модели. Деревья решений.

'''24.03.18 Композиции моделей-0''' Bias and variance tradeoff. Bootstrap aggregating. Случайный лес.

'''26.03.18 Композиции моделей-1''' Разбор 3-ей и 4-ой лабораторных работ. Стекинг и блендинг моделей.

'''31.03.18 Отбор признаков-1''' Статистические критерии. Регуляризация. Отбор на основе важности признаков.

'''07.03.18 Извлечение признаков''' Сингулярное разложение. Метод главных компонент.

'''14.04.18 Большие данные''' Визуализация больших данных. Алгоритм t-SNE. Разряженные матрицы. Библиотека Vowpal Wabbit.

'''21.04.18 Multi-label классификация''' Разбор 5-ой лабораторной работы. Методы решения multi label задач.

'''28.04.18 Композиции моделей-2 ''' Градиентный бустинг.

'''07.05.18 Композиции моделей-2''' xgboost vs. lightgbm vs. catboost

'''05.05.18 Разбор лаб. работ''' Разбор 6-ой и 7-ой лабораторных работ. Задача ранжирования поисковой выдачи.

'''12.05.18 Кластеризация-0''' Постановка задач кластеризации. Алгоритмы: k-means, x-means, c-means. Метрики качества.

'''19.05.18 Кластеризация-1''' Алгоритмы: DBSCAN, спектральная кластеризация, графовые алгоритмы.

'''26.05.18 Полезные модули-0''' Модули: hyperopt, scikit-optimize.

'''02.06.18 Полезные модули-1''' Модули: scikit-multilearn, imbalanced-learn.

'''07.06.18''' Разбор 8-ой лабораторной работы. Разбор финальных решений первого конкурса. Позные трюки при решении конкурсов.

'''14.06.18 Повторение пройденного''' Коллективный тест "Собеседование на позицию junior data scientist" :)

'''23.06.18 Экзамен''' Разбор финальных решений второго конкурса. Выставление оценок.

=== Правила оценивания ===

В 3 - 4 модулях ~20 семинаров.

'''~8 домашних''' лабораторных '''работ''' стоимостью '''20 баллов каждая'''.

[https://www.kaggle.com/c/competition-1-lingvo-hse-2018-spam-detection/ '''Конкурсное задание'''] в конце 3-го модуля стоимостью '''30 баллов'''.

[https://www.kaggle.com/c/competition-2-lingvo-hse-2018-toxic-comment/ '''Конкурсное задание'''] в середине 4-го модуля стоимостью '''30 баллов'''.

По желанию: в конце 4-го модуля можно будет увеличить оценку на 1 балл по десятибалльной шкале, доделав часть несданных лаб. работ.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 160+
|-
| Отлично (9) || 150+
|-
| Отлично (8) || 140+
|-
| Хорошо (7) || 120+
|-
| Хорошо (6) || 110+
|-
| Удовлетворительно (5) || 90+
|-
| Удовлетворительно (4) || 70+
|-
| Незачет || менее 70
|}

=== Полезные литература и ссылки ===

# [https://www.dataquest.io/blog/jupyter-notebook-tips-tricks-shortcuts/ 28 jupyter-notebook tips and tricks]
# [https://www.youtube.com/watch?v=qLBkB4sMztk, Видеолекции Воронцова от ШАД]
# [https://www.datacamp.com/community/tutorials/seaborn-python-tutorial, Seabor vizualization tutorial]
# [http://www2.compute.dtu.dk/pubdb/views/edoc_download.php/6814/pdf/imm6814.pdf, 100 страничная брошюра кратко описывающая принципы работы с основные библиотеками курса (numpy, pandas, scipy, sklearn, nltk etc)]

Введение в анализ текстов на Python для ФГН

2018-06-28T07:58:27Z

Sggpls: /* Правила оценивания */

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ151 и БКЛ152 в 1, 3 и 4 модулях.

'''Семинарист:''' Сергей Кабанов

'''Ассистенты:''' Алие Тефикова и Анастасия Родыгина

Семинары проходят по субботам, 3-я и 4-я пары, ауд. 509.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/207398318.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g lingvo-python-ml]

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар.''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8). [https://github.com/ustya-k/hse-python/tree/master/3%20%D0%BA%D1%83%D1%80%D1%81/week-1 lab1 (решение Усти)]

'''09.09.17 Введение в ООП-0.''' Абстракция данных, инкапсуляция, наследование, полиморфизм. Класс, объект. Конструктор и деструктор. Перегрузка операторов-0.

'''16.09.17 Продолжение ООП-1.''' Передача аргументов в функцию (args, kwargs). Перегрузка операторов-1. Итераторы и генераторы.

'''23.09.17 Замыкания.''' Декораторы.

'''30.09.17 Алгоритмы.''' RAM-модель. Сложность алгоритмов и нотация Big-O. Бинарный поиск. Задача сортировки массива: quick-sort, merge-sort, timsort.

'''30.09.17 Структуры данных.''' Ассоциативный массив. Хэш-таблицы. Обзор модуля collections.

'''07.10.17 '''

'''14.10.17 '''

'''14.10.17 '''

'''21.10.17 Работа с Web.''' XML и HTML как деревья. Парсинг XML (модуль lxml).

'''28.10.17 Экзамен.''' Финальный тест. Последний срок сдачи финального проекта.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]
== 3 - 4 модули ==
=== Семинары ===
'''13.01.18 Ознакомительный семинар.''' Правила игры (правила оценивая курса). Постановки и примеры задач машинного обучения. Основные понятия. Задача классификации.

'''20.01.18 Метрические классификаторы-0.''' Метод ближайших соседей. Метрики качества: recall, precision, accuracy, f1-score. Скользящий контроль (k-fold CV).

'''27.01.18 Метрические классификаторы-1.''' Метод потенциальных функций. Метод окна Парзена.

'''03.02.18 Отбор признаков-0.''' Разбор 1-ой лабораторной работы. Метод Монте-Карло. Переборные алгоритмы отбора признаков: full search, add, del, add-del.

'''10.02.18 Линейный модели-0.''' Общий подход к построению линейных моделей. Линейная регрессия. Градиентный спуск.

'''17.02.18 Линейный модели-1.''' Логистическая регрессия. Метрики качества: roc-auc, pr-auc, log-loss.

'''24.02.18 Линейный модели-2.''' Переход в спрямляющее пространство. Метод опорных векторов. Kernel trick.

'''03.03.18 Векторные модели текста''' Разбор 2-ой лабораторной работы. Обзор векторных моделей текста. Расстояние между строками.

'''10.03.18 Байесовский классификатор''' Задача восстановления плотностей классов. Линейный дискриминант Фишера. Байесовский наивный классификатор.

'''17.03.18 Логические модели-0''' Логические модели. Деревья решений.

'''24.03.18 Композиции моделей-0''' Bias and variance tradeoff. Bootstrap aggregating. Случайный лес.

'''24.03.18 Композиции моделей-1''' Разбор 3-ей и 4-ой лабораторных работ. Стекинг и блендинг моделей.

'''31.03.18 Отбор признаков-1''' Статистические критерии. Регуляризация. Отбор на основе важности признаков.

'''07.03.18 Извлечение признаков''' Сингулярное разложение. Метод главных компонент.

'''14.04.18 Большие данные''' Визуализация больших данных. Алгоритм t-SNE. Разряженные матрицы. Библиотека Vowpal Wabbit.

'''21.04.18 Multi-label классификация''' Разбор 5-ой лабораторной работы. Методы решения multi label задач.

'''28.04.18 Композиции моделей-2 ''' Градиентный бустинг.

'''07.05.18 Композиции моделей-2''' xgboost vs. lightgbm vs. catboost

'''05.05.18 Разбор лаб. работ''' Разбор 6-ой и 7-ой лабораторных работ. Задача ранжирования поисковой выдачи.

'''12.05.18 Кластеризация-0''' Постановка задач кластеризации. Алгоритмы: k-means, x-means, c-means. Метрики качества.

'''19.05.18 Кластеризация-1''' Алгоритмы: DBSCAN, спектральная кластеризация, графовые алгоритмы.

'''26.05.18 Полезные модули-0''' Модули: hyperopt, scikit-optimize.

'''02.06.18 Полезные модули-1''' Модули: scikit-multilearn, imbalanced-learn.

'''07.06.18''' Разбор 8-ой лабораторной работы. Разбор финальных решений первого конкурса. Позные трюки при решении конкурсов.

'''14.06.18 Повторение пройденного''' Коллективный тест "Собеседование на позицию junior data scientist" :)

'''23.06.18 Экзамен''' Разбор финальных решений второго конкурса. Выставление оценок.

=== Правила оценивания ===

В 3 - 4 модулях ~20 семинаров.

'''~8 домашних''' лабораторных '''работ''' стоимостью '''20 баллов каждая'''.

[https://www.kaggle.com/c/competition-1-lingvo-hse-2018-spam-detection/ '''Конкурсное задание'''] в конце 3-го модуля стоимостью '''30 баллов'''.

[https://www.kaggle.com/c/competition-2-lingvo-hse-2018-toxic-comment/ '''Конкурсное задание'''] в середине 4-го модуля стоимостью '''30 баллов'''.

По желанию: в конце 4-го модуля можно будет увеличить оценку на 1 балл по десятибалльной шкале, доделав часть несданных лаб. работ.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 160+
|-
| Отлично (9) || 150+
|-
| Отлично (8) || 140+
|-
| Хорошо (7) || 120+
|-
| Хорошо (6) || 110+
|-
| Удовлетворительно (5) || 90+
|-
| Удовлетворительно (4) || 70+
|-
| Незачет || менее 70
|}

=== Полезные литература и ссылки ===

# [https://www.dataquest.io/blog/jupyter-notebook-tips-tricks-shortcuts/ 28 jupyter-notebook tips and tricks]
# [https://www.youtube.com/watch?v=qLBkB4sMztk, Видеолекции Воронцова от ШАД]
# [https://www.datacamp.com/community/tutorials/seaborn-python-tutorial, Seabor vizualization tutorial]
# [http://www2.compute.dtu.dk/pubdb/views/edoc_download.php/6814/pdf/imm6814.pdf, 100 страничная брошюра кратко описывающая принципы работы с основные библиотеками курса (numpy, pandas, scipy, sklearn, nltk etc)]

Введение в анализ текстов на Python для ФГН

2018-06-28T07:56:31Z

Sggpls: /* Правила оценивания */

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ151 и БКЛ152 в 1, 3 и 4 модулях.

'''Семинарист:''' Сергей Кабанов

'''Ассистенты:''' Алие Тефикова и Анастасия Родыгина

Семинары проходят по субботам, 3-я и 4-я пары, ауд. 509.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/207398318.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g lingvo-python-ml]

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар.''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8). [https://github.com/ustya-k/hse-python/tree/master/3%20%D0%BA%D1%83%D1%80%D1%81/week-1 lab1 (решение Усти)]

'''09.09.17 Введение в ООП-0.''' Абстракция данных, инкапсуляция, наследование, полиморфизм. Класс, объект. Конструктор и деструктор. Перегрузка операторов-0.

'''16.09.17 Продолжение ООП-1.''' Передача аргументов в функцию (args, kwargs). Перегрузка операторов-1. Итераторы и генераторы.

'''23.09.17 Замыкания.''' Декораторы.

'''30.09.17 Алгоритмы.''' RAM-модель. Сложность алгоритмов и нотация Big-O. Бинарный поиск. Задача сортировки массива: quick-sort, merge-sort, timsort.

'''30.09.17 Структуры данных.''' Ассоциативный массив. Хэш-таблицы. Обзор модуля collections.

'''07.10.17 '''

'''14.10.17 '''

'''14.10.17 '''

'''21.10.17 Работа с Web.''' XML и HTML как деревья. Парсинг XML (модуль lxml).

'''28.10.17 Экзамен.''' Финальный тест. Последний срок сдачи финального проекта.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]
== 3 - 4 модули ==
=== Семинары ===
'''13.01.18 Ознакомительный семинар.''' Правила игры (правила оценивая курса). Постановки и примеры задач машинного обучения. Основные понятия. Задача классификации.

'''20.01.18 Метрические классификаторы-0.''' Метод ближайших соседей. Метрики качества: recall, precision, accuracy, f1-score. Скользящий контроль (k-fold CV).

'''27.01.18 Метрические классификаторы-1.''' Метод потенциальных функций. Метод окна Парзена.

'''03.02.18 Отбор признаков-0.''' Разбор 1-ой лабораторной работы. Метод Монте-Карло. Переборные алгоритмы отбора признаков: full search, add, del, add-del.

'''10.02.18 Линейный модели-0.''' Общий подход к построению линейных моделей. Линейная регрессия. Градиентный спуск.

'''17.02.18 Линейный модели-1.''' Логистическая регрессия. Метрики качества: roc-auc, pr-auc, log-loss.

'''24.02.18 Линейный модели-2.''' Переход в спрямляющее пространство. Метод опорных векторов. Kernel trick.

'''03.03.18 Векторные модели текста''' Разбор 2-ой лабораторной работы. Обзор векторных моделей текста. Расстояние между строками.

'''10.03.18 Байесовский классификатор''' Задача восстановления плотностей классов. Линейный дискриминант Фишера. Байесовский наивный классификатор.

'''17.03.18 Логические модели-0''' Логические модели. Деревья решений.

'''24.03.18 Композиции моделей-0''' Bias and variance tradeoff. Bootstrap aggregating. Случайный лес.

'''24.03.18 Композиции моделей-1''' Разбор 3-ей и 4-ой лабораторных работ. Стекинг и блендинг моделей.

'''31.03.18 Отбор признаков-1''' Статистические критерии. Регуляризация. Отбор на основе важности признаков.

'''07.03.18 Извлечение признаков''' Сингулярное разложение. Метод главных компонент.

'''14.04.18 Большие данные''' Визуализация больших данных. Алгоритм t-SNE. Разряженные матрицы. Библиотека Vowpal Wabbit.

'''21.04.18 Multi-label классификация''' Разбор 5-ой лабораторной работы. Методы решения multi label задач.

'''28.04.18 Композиции моделей-2 ''' Градиентный бустинг.

'''07.05.18 Композиции моделей-2''' xgboost vs. lightgbm vs. catboost

'''05.05.18 Разбор лаб. работ''' Разбор 6-ой и 7-ой лабораторных работ. Задача ранжирования поисковой выдачи.

'''12.05.18 Кластеризация-0''' Постановка задач кластеризации. Алгоритмы: k-means, x-means, c-means. Метрики качества.

'''19.05.18 Кластеризация-1''' Алгоритмы: DBSCAN, спектральная кластеризация, графовые алгоритмы.

'''26.05.18 Полезные модули-0''' Модули: hyperopt, scikit-optimize.

'''02.06.18 Полезные модули-1''' Модули: scikit-multilearn, imbalanced-learn.

'''07.06.18''' Разбор 8-ой лабораторной работы. Разбор финальных решений первого конкурса. Позные трюки при решении конкурсов.

'''14.06.18 Повторение пройденного''' Коллективный тест "Собеседование на позицию junior data scientist" :)

'''23.06.18 Экзамен''' Разбор финальных решений второго конкурса. Выставление оценок.

=== Правила оценивания ===

В 3 - 4 модулях ~20 семинаров.

'''~8 домашних''' лабораторных '''работ''' стоимостью '''20 баллов каждая'''.

'''Конкурсное задание''' в конце 3-го модуля стоимостью '''30 баллов'''.

[https://www.kaggle.com/c/competition-2-lingvo-hse-2018-toxic-comment/, '''Конкурсное задание'''] в середине 4-го модуля стоимостью '''30 баллов'''.

По желанию: в конце 4-го модуля можно будет увеличить оценку на 1 балл по десятибалльной шкале, доделав часть несданных лаб. работ.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 160+
|-
| Отлично (9) || 150+
|-
| Отлично (8) || 140+
|-
| Хорошо (7) || 120+
|-
| Хорошо (6) || 110+
|-
| Удовлетворительно (5) || 90+
|-
| Удовлетворительно (4) || 70+
|-
| Незачет || менее 70
|}

=== Полезные литература и ссылки ===

# [https://www.dataquest.io/blog/jupyter-notebook-tips-tricks-shortcuts/ 28 jupyter-notebook tips and tricks]
# [https://www.youtube.com/watch?v=qLBkB4sMztk, Видеолекции Воронцова от ШАД]
# [https://www.datacamp.com/community/tutorials/seaborn-python-tutorial, Seabor vizualization tutorial]
# [http://www2.compute.dtu.dk/pubdb/views/edoc_download.php/6814/pdf/imm6814.pdf, 100 страничная брошюра кратко описывающая принципы работы с основные библиотеками курса (numpy, pandas, scipy, sklearn, nltk etc)]

Введение в анализ текстов на Python для ФГН

2018-06-28T07:51:23Z

Sggpls: /* Семинары */

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ151 и БКЛ152 в 1, 3 и 4 модулях.

'''Семинарист:''' Сергей Кабанов

'''Ассистенты:''' Алие Тефикова и Анастасия Родыгина

Семинары проходят по субботам, 3-я и 4-я пары, ауд. 509.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/207398318.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g lingvo-python-ml]

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар.''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8). [https://github.com/ustya-k/hse-python/tree/master/3%20%D0%BA%D1%83%D1%80%D1%81/week-1 lab1 (решение Усти)]

'''09.09.17 Введение в ООП-0.''' Абстракция данных, инкапсуляция, наследование, полиморфизм. Класс, объект. Конструктор и деструктор. Перегрузка операторов-0.

'''16.09.17 Продолжение ООП-1.''' Передача аргументов в функцию (args, kwargs). Перегрузка операторов-1. Итераторы и генераторы.

'''23.09.17 Замыкания.''' Декораторы.

'''30.09.17 Алгоритмы.''' RAM-модель. Сложность алгоритмов и нотация Big-O. Бинарный поиск. Задача сортировки массива: quick-sort, merge-sort, timsort.

'''30.09.17 Структуры данных.''' Ассоциативный массив. Хэш-таблицы. Обзор модуля collections.

'''07.10.17 '''

'''14.10.17 '''

'''14.10.17 '''

'''21.10.17 Работа с Web.''' XML и HTML как деревья. Парсинг XML (модуль lxml).

'''28.10.17 Экзамен.''' Финальный тест. Последний срок сдачи финального проекта.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]
== 3 - 4 модули ==
=== Семинары ===
'''13.01.18 Ознакомительный семинар.''' Правила игры (правила оценивая курса). Постановки и примеры задач машинного обучения. Основные понятия. Задача классификации.

'''20.01.18 Метрические классификаторы-0.''' Метод ближайших соседей. Метрики качества: recall, precision, accuracy, f1-score. Скользящий контроль (k-fold CV).

'''27.01.18 Метрические классификаторы-1.''' Метод потенциальных функций. Метод окна Парзена.

'''03.02.18 Отбор признаков-0.''' Разбор 1-ой лабораторной работы. Метод Монте-Карло. Переборные алгоритмы отбора признаков: full search, add, del, add-del.

'''10.02.18 Линейный модели-0.''' Общий подход к построению линейных моделей. Линейная регрессия. Градиентный спуск.

'''17.02.18 Линейный модели-1.''' Логистическая регрессия. Метрики качества: roc-auc, pr-auc, log-loss.

'''24.02.18 Линейный модели-2.''' Переход в спрямляющее пространство. Метод опорных векторов. Kernel trick.

'''03.03.18 Векторные модели текста''' Разбор 2-ой лабораторной работы. Обзор векторных моделей текста. Расстояние между строками.

'''10.03.18 Байесовский классификатор''' Задача восстановления плотностей классов. Линейный дискриминант Фишера. Байесовский наивный классификатор.

'''17.03.18 Логические модели-0''' Логические модели. Деревья решений.

'''24.03.18 Композиции моделей-0''' Bias and variance tradeoff. Bootstrap aggregating. Случайный лес.

'''24.03.18 Композиции моделей-1''' Разбор 3-ей и 4-ой лабораторных работ. Стекинг и блендинг моделей.

'''31.03.18 Отбор признаков-1''' Статистические критерии. Регуляризация. Отбор на основе важности признаков.

'''07.03.18 Извлечение признаков''' Сингулярное разложение. Метод главных компонент.

'''14.04.18 Большие данные''' Визуализация больших данных. Алгоритм t-SNE. Разряженные матрицы. Библиотека Vowpal Wabbit.

'''21.04.18 Multi-label классификация''' Разбор 5-ой лабораторной работы. Методы решения multi label задач.

'''28.04.18 Композиции моделей-2 ''' Градиентный бустинг.

'''07.05.18 Композиции моделей-2''' xgboost vs. lightgbm vs. catboost

'''05.05.18 Разбор лаб. работ''' Разбор 6-ой и 7-ой лабораторных работ. Задача ранжирования поисковой выдачи.

'''12.05.18 Кластеризация-0''' Постановка задач кластеризации. Алгоритмы: k-means, x-means, c-means. Метрики качества.

'''19.05.18 Кластеризация-1''' Алгоритмы: DBSCAN, спектральная кластеризация, графовые алгоритмы.

'''26.05.18 Полезные модули-0''' Модули: hyperopt, scikit-optimize.

'''02.06.18 Полезные модули-1''' Модули: scikit-multilearn, imbalanced-learn.

'''07.06.18''' Разбор 8-ой лабораторной работы. Разбор финальных решений первого конкурса. Позные трюки при решении конкурсов.

'''14.06.18 Повторение пройденного''' Коллективный тест "Собеседование на позицию junior data scientist" :)

'''23.06.18 Экзамен''' Разбор финальных решений второго конкурса. Выставление оценок.

=== Правила оценивания ===

В 3 - 4 модулях ~20 семинаров.

'''~8 домашних''' лабораторных '''работ''' стоимостью '''20 баллов каждая'''.

'''Конкурсное задание''' в конце 3-го модуля стоимостью '''30 баллов'''.

'''Конкурсное задание''' в середине 4-го модуля стоимостью '''30 баллов'''.

По желанию: в конце 4-го модуля можно будет увеличить оценку на 1 балл по десятибалльной шкале, доделав часть несданных лаб. работ.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 160+
|-
| Отлично (9) || 150+
|-
| Отлично (8) || 140+
|-
| Хорошо (7) || 120+
|-
| Хорошо (6) || 110+
|-
| Удовлетворительно (5) || 90+
|-
| Удовлетворительно (4) || 70+
|-
| Незачет || менее 70
|}

=== Полезные литература и ссылки ===

# [https://www.dataquest.io/blog/jupyter-notebook-tips-tricks-shortcuts/ 28 jupyter-notebook tips and tricks]
# [https://www.youtube.com/watch?v=qLBkB4sMztk, Видеолекции Воронцова от ШАД]
# [https://www.datacamp.com/community/tutorials/seaborn-python-tutorial, Seabor vizualization tutorial]
# [http://www2.compute.dtu.dk/pubdb/views/edoc_download.php/6814/pdf/imm6814.pdf, 100 страничная брошюра кратко описывающая принципы работы с основные библиотеками курса (numpy, pandas, scipy, sklearn, nltk etc)]

Введение в анализ текстов на Python для ФГН

2018-06-14T23:53:36Z

Sggpls: /* Семинары */

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ151 и БКЛ152 в 1, 3 и 4 модулях.

'''Семинарист:''' Сергей Кабанов

'''Ассистенты:''' Алие Тефикова и Анастасия Родыгина

Семинары проходят по субботам, 3-я и 4-я пары, ауд. 509.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/207398318.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g lingvo-python-ml]

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар.''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8). [https://github.com/ustya-k/hse-python/tree/master/3%20%D0%BA%D1%83%D1%80%D1%81/week-1 lab1 (решение Усти)]

'''09.09.17 Введение в ООП-0.''' Абстракция данных, инкапсуляция, наследование, полиморфизм. Класс, объект. Конструктор и деструктор. Перегрузка операторов-0.

'''16.09.17 Продолжение ООП-1.''' Передача аргументов в функцию (args, kwargs). Перегрузка операторов-1. Итераторы и генераторы.

'''23.09.17 Замыкания.''' Декораторы.

'''30.09.17 Алгоритмы.''' RAM-модель. Сложность алгоритмов и нотация Big-O. Бинарный поиск. Задача сортировки массива: quick-sort, merge-sort, timsort.

'''30.09.17 Структуры данных.''' Ассоциативный массив. Хэш-таблицы. Обзор модуля collections.

'''07.10.17 '''

'''14.10.17 '''

'''14.10.17 '''

'''21.10.17 Работа с Web.''' XML и HTML как деревья. Парсинг XML (модуль lxml).

'''28.10.17 Экзамен.''' Финальный тест. Последний срок сдачи финального проекта.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]
== 3 - 4 модули ==
=== Семинары ===
'''13.01.18 Ознакомительный семинар.''' Правила игры (правила оценивая курса). Постановки и примеры задач машинного обучения. Основные понятия. Задача классификации.

'''20.01.18 Метрические классификаторы-0.''' Метод ближайших соседей. Метрики качества: recall, precision, accuracy, f1-score. Скользящий контроль (k-fold CV).

'''27.01.18 Метрические классификаторы-1.''' Метод потенциальных функций. Метод окна Парзена.

'''03.02.18 Отбор признаков-0.''' Разбор 1-ой лабораторной работы. Метод Монте-Карло. Переборные алгоритмы отбора признаков: full search, add, del, add-del.

'''10.02.18 Линейный модели-0.''' Общий подход к построению линейных моделей. Линейная регрессия. Градиентный спуск.

'''17.02.18 Линейный модели-1.''' Логистическая регрессия. Метрики качества: roc-auc, pr-auc, log-loss.

'''24.02.18 Линейный модели-2.''' Переход в спрямляющее пространство. Метод опорных векторов. Kernel trick.

'''03.03.18 Векторные модели текста''' Разбор 2-ой лабораторной работы. Обзор векторных моделей текста. Расстояние между строками.

'''10.03.18 Байесовский классификатор''' Задача восстановления плотностей классов. Линейный дискриминант Фишера. Байесовский наивный классификатор.

'''17.03.18 Логические модели-0''' Логические модели. Деревья решений.

'''24.03.18 Композиции моделей-0''' Bias and variance tradeoff. Bootstrap aggregating. Случайный лес.

'''24.03.18 Композиции моделей-1''' Разбор 3-ей и 4-ей лабораторных работ. Стекинг и блендинг моделей.

'''31.03.18 Отбор признаков-1''' Статистические критерии. Регуляризация. Отбор на основе важности признаков.

'''07.03.18 Извлечение признаков''' Сингулярное разложение. Метод главных компонент.

'''14.04.18 Большие данные''' Визуализация больших данных. t-SNE. Разряженные матрицы. Библиотека Vowpal Wabbit.

'''21.04.18 Multi-label классификация''' Разбор 5-ой лабораторной работы. Методы решения multi label задач.

=== Правила оценивания ===

В 3 - 4 модулях ~20 семинаров.

'''~8 домашних''' лабораторных '''работ''' стоимостью '''20 баллов каждая'''.

'''Конкурсное задание''' в конце 3-го модуля стоимостью '''30 баллов'''.

'''Конкурсное задание''' в середине 4-го модуля стоимостью '''30 баллов'''.

По желанию: в конце 4-го модуля можно будет увеличить оценку на 1 балл по десятибалльной шкале, доделав часть несданных лаб. работ.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 160+
|-
| Отлично (9) || 150+
|-
| Отлично (8) || 140+
|-
| Хорошо (7) || 120+
|-
| Хорошо (6) || 110+
|-
| Удовлетворительно (5) || 90+
|-
| Удовлетворительно (4) || 70+
|-
| Незачет || менее 70
|}

=== Полезные литература и ссылки ===

# [https://www.dataquest.io/blog/jupyter-notebook-tips-tricks-shortcuts/ 28 jupyter-notebook tips and tricks]
# [https://www.youtube.com/watch?v=qLBkB4sMztk, Видеолекции Воронцова от ШАД]
# [https://www.datacamp.com/community/tutorials/seaborn-python-tutorial, Seabor vizualization tutorial]
# [http://www2.compute.dtu.dk/pubdb/views/edoc_download.php/6814/pdf/imm6814.pdf, 100 страничная брошюра кратко описывающая принципы работы с основные библиотеками курса (numpy, pandas, scipy, sklearn, nltk etc)]

Введение в анализ текстов на Python для ФГН

2018-04-06T12:02:43Z

Sggpls: /* Полезные ссылки */

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ151 и БКЛ152 в 1, 3 и 4 модулях.

'''Семинарист:''' Сергей Кабанов

'''Ассистенты:''' Алие Тефикова и Анастасия Родыгина

Семинары проходят по субботам, 3-я и 4-я пары, ауд. 509.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/207398318.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g lingvo-python-ml]

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар.''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8). [https://github.com/ustya-k/hse-python/tree/master/3%20%D0%BA%D1%83%D1%80%D1%81/week-1 lab1 (решение Усти)]

'''09.09.17 Введение в ООП-0.''' Абстракция данных, инкапсуляция, наследование, полиморфизм. Класс, объект. Конструктор и деструктор. Перегрузка операторов-0.

'''16.09.17 Продолжение ООП-1.''' Передача аргументов в функцию (args, kwargs). Перегрузка операторов-1. Итераторы и генераторы.

'''23.09.17 Замыкания.''' Декораторы.

'''30.09.17 Алгоритмы.''' RAM-модель. Сложность алгоритмов и нотация Big-O. Бинарный поиск. Задача сортировки массива: quick-sort, merge-sort, timsort.

'''30.09.17 Структуры данных.''' Ассоциативный массив. Хэш-таблицы. Обзор модуля collections.

'''07.10.17 '''

'''14.10.17 '''

'''14.10.17 '''

'''21.10.17 Работа с Web.''' XML и HTML как деревья. Парсинг XML (модуль lxml).

'''28.10.17 Экзамен.''' Финальный тест. Последний срок сдачи финального проекта.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]
== 3 - 4 модули ==
=== Семинары ===
'''13.01.18 Ознакомительный семинар.''' Правила оценивая курса = правила игры. Постановки и примеры задач машинного обучения. Основные понятия. Задача классификации.

'''20.01.18 Метрические классификаторы-0.''' Метод k-ближайших соседей sklearn.kNearestClassifier. [Метрики качества, ] (recall, precision, accuracy, f1-score). Скользящий контроль (k-fold CV).

'''27.01.18 Метрические классификаторы-1.''' Метод потенциальных функций. Метод окна Парзена. sklearn.RadiusNeighborsClassifier. sklearn.CentroidNearest

'''03.02.18 Отбор признаков-0.''' Разбор 1-ой лабороторной работы. Метод Монте-Карло. Алгоритмы отбора признаков: Full search, Add, Del, Add-Del.

'''10.02.18 Линейный модели-0.''' Общий подход к построению линейных моделей. Линейная регрессия. Градиентный спуск.

'''17.02.18 Линейный модели-1.''' Логистическая регрессия. Метрики ROC-AUC, PR-AUC, log-loss.

'''24.02.18 Линейный модели-2.''' Переход в спрямляющее пространство в логистической регрессии. Метод опорных векторов. Kernel trick.

'''03.03.18 Векторные модели текста''' Разбор 2-ой лабораторной работы. Обзор векторных моделей текста. Расстояние между строками.

''' '''

=== Правила оценивания ===

В 3 - 4 модулях ~20 семинаров.

'''~8 домашних''' лабораторных '''работ''' стоимостью '''20 баллов каждая'''.

'''Конкурсное задание''' в конце 3-го модуля стоимостью '''30 баллов'''.

'''Конкурсное задание''' в середине 4-го модуля стоимостью '''30 баллов'''.

По желанию: в конце 4-го модуля можно будет увеличить оценку на 1 балл по десятибалльной шкале, доделав часть несданных лаб. работ.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 160+
|-
| Отлично (9) || 150+
|-
| Отлично (8) || 140+
|-
| Хорошо (7) || 120+
|-
| Хорошо (6) || 110+
|-
| Удовлетворительно (5) || 90+
|-
| Удовлетворительно (4) || 70+
|-
| Незачет || менее 70
|}

=== Полезные литература и ссылки ===

# [https://www.dataquest.io/blog/jupyter-notebook-tips-tricks-shortcuts/ 28 jupyter-notebook tips and tricks]
# [https://www.youtube.com/watch?v=qLBkB4sMztk, Видеолекции Воронцова от ШАД]
# [https://www.datacamp.com/community/tutorials/seaborn-python-tutorial, Seabor vizualization tutorial]
# [http://www2.compute.dtu.dk/pubdb/views/edoc_download.php/6814/pdf/imm6814.pdf, 100 страничная брошюра кратко описывающая принципы работы с основные библиотеками курса (numpy, pandas, scipy, sklearn, nltk etc)]

Введение в анализ текстов на Python для ФГН

2018-04-06T12:02:13Z

Sggpls: /* Полезные ссылки */

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ151 и БКЛ152 в 1, 3 и 4 модулях.

'''Семинарист:''' Сергей Кабанов

'''Ассистенты:''' Алие Тефикова и Анастасия Родыгина

Семинары проходят по субботам, 3-я и 4-я пары, ауд. 509.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/207398318.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: [https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g invite]

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар.''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8). [https://github.com/ustya-k/hse-python/tree/master/3%20%D0%BA%D1%83%D1%80%D1%81/week-1 lab1 (решение Усти)]

'''09.09.17 Введение в ООП-0.''' Абстракция данных, инкапсуляция, наследование, полиморфизм. Класс, объект. Конструктор и деструктор. Перегрузка операторов-0.

'''16.09.17 Продолжение ООП-1.''' Передача аргументов в функцию (args, kwargs). Перегрузка операторов-1. Итераторы и генераторы.

'''23.09.17 Замыкания.''' Декораторы.

'''30.09.17 Алгоритмы.''' RAM-модель. Сложность алгоритмов и нотация Big-O. Бинарный поиск. Задача сортировки массива: quick-sort, merge-sort, timsort.

'''30.09.17 Структуры данных.''' Ассоциативный массив. Хэш-таблицы. Обзор модуля collections.

'''07.10.17 '''

'''14.10.17 '''

'''14.10.17 '''

'''21.10.17 Работа с Web.''' XML и HTML как деревья. Парсинг XML (модуль lxml).

'''28.10.17 Экзамен.''' Финальный тест. Последний срок сдачи финального проекта.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]
== 3 - 4 модули ==
=== Семинары ===
'''13.01.18 Ознакомительный семинар.''' Правила оценивая курса = правила игры. Постановки и примеры задач машинного обучения. Основные понятия. Задача классификации.

'''20.01.18 Метрические классификаторы-0.''' Метод k-ближайших соседей sklearn.kNearestClassifier. [Метрики качества, ] (recall, precision, accuracy, f1-score). Скользящий контроль (k-fold CV).

'''27.01.18 Метрические классификаторы-1.''' Метод потенциальных функций. Метод окна Парзена. sklearn.RadiusNeighborsClassifier. sklearn.CentroidNearest

'''03.02.18 Отбор признаков-0.''' Разбор 1-ой лабороторной работы. Метод Монте-Карло. Алгоритмы отбора признаков: Full search, Add, Del, Add-Del.

'''10.02.18 Линейный модели-0.''' Общий подход к построению линейных моделей. Линейная регрессия. Градиентный спуск.

'''17.02.18 Линейный модели-1.''' Логистическая регрессия. Метрики ROC-AUC, PR-AUC, log-loss.

'''24.02.18 Линейный модели-2.''' Переход в спрямляющее пространство в логистической регрессии. Метод опорных векторов. Kernel trick.

'''03.03.18 Векторные модели текста''' Разбор 2-ой лабораторной работы. Обзор векторных моделей текста. Расстояние между строками.

''' '''

=== Правила оценивания ===

В 3 - 4 модулях ~20 семинаров.

'''~8 домашних''' лабораторных '''работ''' стоимостью '''20 баллов каждая'''.

'''Конкурсное задание''' в конце 3-го модуля стоимостью '''30 баллов'''.

'''Конкурсное задание''' в середине 4-го модуля стоимостью '''30 баллов'''.

По желанию: в конце 4-го модуля можно будет увеличить оценку на 1 балл по десятибалльной шкале, доделав часть несданных лаб. работ.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 160+
|-
| Отлично (9) || 150+
|-
| Отлично (8) || 140+
|-
| Хорошо (7) || 120+
|-
| Хорошо (6) || 110+
|-
| Удовлетворительно (5) || 90+
|-
| Удовлетворительно (4) || 70+
|-
| Незачет || менее 70
|}

=== Полезные литература и ссылки ===

# [https://www.dataquest.io/blog/jupyter-notebook-tips-tricks-shortcuts/ 28 jupyter-notebook tips and tricks]
# [https://www.youtube.com/watch?v=qLBkB4sMztk, Видеолекции Воронцова от ШАД]
# [https://www.datacamp.com/community/tutorials/seaborn-python-tutorial, Seabor vizualization tutorial]
# [http://www2.compute.dtu.dk/pubdb/views/edoc_download.php/6814/pdf/imm6814.pdf, 100 страничная брошюра кратко описывающая принципы работы с основные библиотеками курса (numpy, pandas, scipy, sklearn, nltk etc)]

Введение в анализ текстов на Python для ФГН

2018-02-27T15:33:21Z

Sggpls:

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ151 и БКЛ152 в 1, 3 и 4 модулях.

'''Семинарист:''' Сергей Кабанов

'''Ассистенты:''' Алие Тефикова и Анастасия Родыгина

Семинары проходят по субботам, 3-я и 4-я пары, ауд. 509.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/207398318.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар.''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8). [https://github.com/ustya-k/hse-python/tree/master/3%20%D0%BA%D1%83%D1%80%D1%81/week-1 lab1 (решение Усти)]

'''09.09.17 Введение в ООП-0.''' Абстракция данных, инкапсуляция, наследование, полиморфизм. Класс, объект. Конструктор и деструктор. Перегрузка операторов-0.

'''16.09.17 Продолжение ООП-1.''' Передача аргументов в функцию (args, kwargs). Перегрузка операторов-1. Итераторы и генераторы.

'''23.09.17 Замыкания.''' Декораторы.

'''30.09.17 Алгоритмы.''' RAM-модель. Сложность алгоритмов и нотация Big-O. Бинарный поиск. Задача сортировки массива: quick-sort, merge-sort, timsort.

'''30.09.17 Структуры данных.''' Ассоциативный массив. Хэш-таблицы. Обзор модуля collections.

'''07.10.17 '''

'''14.10.17 '''

'''14.10.17 '''

'''21.10.17 Работа с Web.''' XML и HTML как деревья. Парсинг XML (модуль lxml).

'''28.10.17 Экзамен.''' Финальный тест. Последний срок сдачи финального проекта.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]
== 3 - 4 модули ==
=== Семинары ===
'''13.01.18 Ознакомительный семинар.''' Правила оценивая курса = правила игры. Постановки и примеры задач машинного обучения. Основные понятия. Задача классификации.

'''20.01.18 Метрические классификаторы-0.''' Метод k-ближайших соседей sklearn.kNearestClassifier. [Метрики качества, ] (recall, precision, accuracy, f1-score). Скользящий контроль (k-fold CV).

'''27.01.18 Метрические классификаторы-1.''' Метод потенциальных функций. Метод окна Парзена. sklearn.RadiusNeighborsClassifier. sklearn.CentroidNearest

'''03.02.18 Отбор признаков-0.''' Разбор 1-ой лабороторной работы. Метод Монте-Карло. Алгоритмы отбора признаков: Full search, Add, Del, Add-Del.

'''10.02.18 Линейный модели-0.''' Общий подход к построению линейных моделей. Линейная регрессия. Градиентный спуск.

'''17.02.18 Линейный модели-1.''' Логистическая регрессия. Метрики ROC-AUC, PR-AUC, log-loss.

'''24.02.18 Линейный модели-2.''' Переход в спрямляющее пространство в логистической регрессии. Метод опорных векторов. Kernel trick.

'''03.03.18 Векторные модели текста''' Разбор 2-ой лабораторной работы. Обзор векторных моделей текста. Расстояние между строками.

''' '''

=== Правила оценивания ===

В 3 - 4 модулях ~20 семинаров.

'''~8 домашних''' лабораторных '''работ''' стоимостью '''20 баллов каждая'''.

'''Конкурсное задание''' в конце 3-го модуля стоимостью '''30 баллов'''.

'''Конкурсное задание''' в середине 4-го модуля стоимостью '''30 баллов'''.

По желанию: в конце 4-го модуля можно будет увеличить оценку на 1 балл по десятибалльной шкале, доделав часть несданных лаб. работ.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 160+
|-
| Отлично (9) || 150+
|-
| Отлично (8) || 140+
|-
| Хорошо (7) || 120+
|-
| Хорошо (6) || 110+
|-
| Удовлетворительно (5) || 90+
|-
| Удовлетворительно (4) || 70+
|-
| Незачет || менее 70
|}

=== Полезные литература и ссылки ===

# [https://www.dataquest.io/blog/jupyter-notebook-tips-tricks-shortcuts/ 28 jupyter-notebook tips and tricks]
# [https://www.youtube.com/watch?v=qLBkB4sMztk, Видеолекции Воронцова от ШАД]
# [https://www.datacamp.com/community/tutorials/seaborn-python-tutorial, Seabor vizualization tutorial]
# [http://www2.compute.dtu.dk/pubdb/views/edoc_download.php/6814/pdf/imm6814.pdf, 100 страничная брошюра кратко описывающая принципы работы с основные библиотеками курса (numpy, pandas, scipy, sklearn, nltk etc)]

Введение в анализ текстов на Python для ФГН

2018-02-27T15:32:25Z

Sggpls:

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ151 и БКЛ152 в 1, 3 и 4 модулях.

'''Семинарист:''' Сергей Кабанов

'''Ассистенты:''' Алие Тефикова и Анастасия Родыгина

Семинары проходят по субботам, 3-я и 4-я пары, ауд. 509.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/207398318.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар.''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8). [https://github.com/ustya-k/hse-python/tree/master/3%20%D0%BA%D1%83%D1%80%D1%81/week-1 lab1 (решение Усти)]

'''09.09.17 Введение в ООП-0.''' Абстракция данных, инкапсуляция, наследование, полиморфизм. Класс, объект. Конструктор и деструктор. Перегрузка операторов-0.

'''16.09.17 Продолжение ООП-1.''' Передача аргументов в функцию (args, kwargs). Перегрузка операторов-1. Итераторы и генераторы.

'''23.09.17 Замыкания.''' Декораторы.

'''30.09.17 Алгоритмы.''' RAM-модель. Сложность алгоритмов и нотация Big-O. Бинарный поиск. Задача сортировки массива: quick-sort, merge-sort, timsort.

'''30.09.17 Структуры данных.''' Ассоциативный массив. Хэш-таблицы. Обзор модуля collections.

'''07.10.17 '''

'''14.10.17 '''

'''14.10.17 '''

'''21.10.17 Работа с Web.''' XML и HTML как деревья. Парсинг XML (модуль lxml).

'''28.10.17 Экзамен.''' Финальный тест. Последний срок сдачи финального проекта.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]
== 3 - 4 модули ==
=== Семинары ===
'''13.01.18 Ознакомительный семинар.''' Правила оценивая курса = правила игры. Постановки и примеры задач машинного обучения. Основные понятия. Задача классификации.

'''20.01.18 Метрические классификаторы-0.''' Метод k-ближайших соседей sklearn.kNearestClassifier. [Метрики качества, ] (recall, precision, accuracy, f1-score). Скользящий контроль (k-fold CV).

'''27.01.18 Метрические классификаторы-1.''' Метод потенциальных функций. Метод окна Парзена. sklearn.RadiusNeighborsClassifier. sklearn.CentroidNearest

'''03.02.18 Отбор признаков-0.''' Разбор 1-ой лабороторной работы. Метод Монте-Карло. Алгоритмы отбора признаков: Full search, Add, Del, Add-Del.

'''10.02.18 Линейный модели-0.''' Общий подход к построению линейных моделей. Линейная регрессия. Градиентный спуск.

'''17.02.18 Линейный модели-1.''' Логистическая регрессия. Метрики ROC-AUC, PR-AUC, log-loss.

'''24.02.18 Линейный модели-2.''' Переход в спрямляющее пространство в логистической регрессии. Метод опорных векторов. Kernel trick.

'''03.03.18 Векторные модели текста''' Разбор 2-ой лабораторной работы. Обзор венкторных моделей текста. Расстояние между строками.

''' '''

=== Правила оценивания ===

В 3 - 4 модулях ~20 семинаров.

'''~8 домашних''' лабораторных '''работ''' стоимостью '''20 баллов каждая'''.

'''Конкурсное задание''' в конце 3-го модуля стоимостью '''30 баллов'''.

'''Конкурсное задание''' в середине 4-го модуля стоимостью '''30 баллов'''.

По желанию: в конце 4-го модуля можно будет увеличить оценку на 1 балл по десятибалльной шкале, доделав часть несданных лаб. работ.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 160+
|-
| Отлично (9) || 150+
|-
| Отлично (8) || 140+
|-
| Хорошо (7) || 120+
|-
| Хорошо (6) || 110+
|-
| Удовлетворительно (5) || 90+
|-
| Удовлетворительно (4) || 70+
|-
| Незачет || менее 70
|}

=== Полезные литература и ссылки ===

# [https://www.dataquest.io/blog/jupyter-notebook-tips-tricks-shortcuts/ 28 jupyter-notebook tips and tricks]
# [https://www.youtube.com/watch?v=qLBkB4sMztk, Видеолекции Воронцова от ШАД]
# [https://www.datacamp.com/community/tutorials/seaborn-python-tutorial, Seabor vizualization tutorial]
# [http://www2.compute.dtu.dk/pubdb/views/edoc_download.php/6814/pdf/imm6814.pdf, 100 страничная брошюра кратко описывающая принципы работы с основные библиотеками курса (numpy, pandas, scipy, sklearn, nltk etc)]

Введение в анализ текстов на Python для ФГН

2018-02-04T10:21:54Z

Sggpls:

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ151 и БКЛ152 в 1, 3 и 4 модулях.

'''Семинарист:''' Сергей Кабанов

'''Ассистенты:''' Алие Тефикова и Анастасия Родыгина

Семинары проходят по субботам, 3-я и 4-я пары, ауд. 509.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/207398318.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар.''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8). [https://github.com/ustya-k/hse-python/tree/master/3%20%D0%BA%D1%83%D1%80%D1%81/week-1 lab1 (решение Усти)]

'''09.09.17 Введение в ООП-0.''' Абстракция данных, инкапсуляция, наследование, полиморфизм. Класс, объект. Конструктор и деструктор. Перегрузка операторов-0.

'''16.09.17 Продолжение ООП-1.''' Передача аргументов в функцию (args, kwargs). Перегрузка операторов-1. Итераторы и генераторы.

'''23.09.17 Замыкания.''' Декораторы.

'''30.09.17 Алгоритмы.''' RAM-модель. Сложность алгоритмов и нотация Big-O. Бинарный поиск. Задача сортировки массива: quick-sort, merge-sort, timsort.

'''30.09.17 Структуры данных.''' Ассоциативный массив. Хэш-таблицы. Обзор модуля collections.

'''07.10.17 '''

'''14.10.17 '''

'''14.10.17 '''

'''21.10.17 Работа с Web.''' XML и HTML как деревья. Парсинг XML (модуль lxml).

'''28.10.17 Экзамен.''' Финальный тест. Последний срок сдачи финального проекта.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]
== 3 - 4 модули ==
=== Семинары ===
'''13.01.18 Ознакомительный семинар.''' Правила оценивая курса = правила игры. Постановки и примеры задач машинного обучения. Основные понятия. Задача классификации.

'''20.01.18 Метрические классификаторы-0.''' Метод k-ближайших соседей sklearn.kNearestClassifier. [Метрики качества, ] (recall, precision, accuracy, f1-score). Скользящий контроль (k-fold CV).

'''27.01.18 Метрические классификаторы-1.''' Метод потенциальных функций. Метод окна Парзена. sklearn.RadiusNeighborsClassifier. sklearn.CentroidNearest

'''03.02.18 Отбор признаков-0.''' Разбор 1-ой лабороторной работы. Метод Монте-Карло. Алгоритмы отбора признаков: Full search, Add, Del, Add-Del.

'''10.02.18 Линейный модели-0.''' Общий подход к построению линейных моделей. Линейная регрессия. Логистическая регрессия. Градиентный спуск. Метрики ROC-AUC, PR-AUC, log-loss.

'''10.02.18 Линейный модели-1.''' Метод опорных векторов...

=== Правила оценивания ===

В 3 - 4 модулях ~20 семинаров.

'''~8 домашних''' лабораторных '''работ''' стоимостью '''20 баллов каждая'''.

'''Конкурсное задание''' в конце 3-го модуля стоимостью '''30 баллов'''.

'''Конкурсное задание''' в середине 4-го модуля стоимостью '''30 баллов'''.

По желанию: в конце 4-го модуля можно будет увеличить оценку на 1 балл по десятибалльной шкале, доделав часть несданных лаб. работ.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 160+
|-
| Отлично (9) || 150+
|-
| Отлично (8) || 140+
|-
| Хорошо (7) || 120+
|-
| Хорошо (6) || 110+
|-
| Удовлетворительно (5) || 90+
|-
| Удовлетворительно (4) || 70+
|-
| Незачет || менее 70
|}

=== Полезные литература и ссылки ===

# [https://www.dataquest.io/blog/jupyter-notebook-tips-tricks-shortcuts/ 28 jupyter-notebook tips and tricks]
# [https://www.youtube.com/watch?v=qLBkB4sMztk, Видеолекции Воронцова от ШАД]
# [https://www.datacamp.com/community/tutorials/seaborn-python-tutorial, Seabor vizualization tutorial]
# [http://www2.compute.dtu.dk/pubdb/views/edoc_download.php/6814/pdf/imm6814.pdf, 100 страничная брошюра кратко описывающая принципы работы с основные библиотеками курса (numpy, pandas, scipy, sklearn, nltk etc)]

Введение в анализ текстов на Python для ФГН

2018-02-01T12:13:30Z

Sggpls:

Введение в анализ текстов на Python для ФГН

2018-02-01T12:12:35Z

Sggpls:

Введение в анализ текстов на Python для ФГН

2018-01-27T06:47:20Z

Sggpls:

Введение в анализ текстов на Python для ФГН

2018-01-26T16:59:19Z

Sggpls:

Введение в анализ текстов на Python для ФГН

2018-01-22T05:27:00Z

Sggpls: /* 4 модуль */

Введение в анализ текстов на Python для ФГН

2018-01-22T05:19:52Z

Sggpls: /* Семинары */

Введение в анализ текстов на Python для ФГН

2018-01-22T05:17:03Z

Sggpls: /* Полезные литература и ссылки */

Введение в анализ текстов на Python для ФГН

2018-01-22T04:57:34Z

Sggpls: /* 3 модуль */

Введение в анализ текстов на Python для ФГН

2018-01-22T04:52:38Z

Sggpls: /* 3 модуль */

== Описание курса ==
=== О курсе ===
Курс читается на 3 курсе факультета гуманитарных наук для групп БКЛ151 и БКЛ152 в 1, 3 и 4 модулях.

'''Семинарист:''' Сергей Кабанов

'''Ассистенты:''' Алие Тефикова и Анастасия Родыгина

Семинары проходят по субботам, 3-я и 4-я пары, ауд. 509.

'''Просьба, по возможности, приходить со своими ноутбуками.'''
=== Полезные ссылки ===

[https://www.hse.ru/ba/ling/courses/207398318.html Карточка курса и программа]

Почта курса: [http://lingvo-python-ml@yandex.ru lingvo-python-ml@yandex.ru]

Чат курса в телеграм: https://t.me/joinchat/C3XPaw39FpiCBNJKwmqw-g

== 1 модуль ==
=== Семинары ===
'''02.09.17 Ознакомительный семинар.''' Краткое описание курса. Повторение основ программирования на Python: функции и области видимости, встроенные типы данных, модули и пространство имен. Среда разработки IDLE PyCharm. Разработка через тестирование TDD (модули doctest, pytest). Стиль кодирования (PEP8). [https://github.com/ustya-k/hse-python/tree/master/3%20%D0%BA%D1%83%D1%80%D1%81/week-1 lab1 (решение Усти)]

'''09.09.17 Введение в ООП-0.''' Абстракция данных, инкапсуляция, наследование, полиморфизм. Класс, объект. Конструктор и деструктор. Перегрузка операторов-0. Исключения-0.

'''16.09.17 Продолжение ООП-1.''' Передача аргументов в функцию. Итераторы и генераторы. Перегрузка операторов-1. Исключения-1. Декораторы-0.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]
== 3 модуль ==
=== Семинары ===
'''13.01.18 Ознакомительный семинар.''' Правила оценивая курса = правила игры. Постановки и примеры задач машинного обучения. Основные понятия. Задача классификации.

'''20.01.18 Метрические классификаторы-0''' Метод k-ближайших соседей sklearn.kNearestClassifier. Метрики качества (recall, precision, accuracy, f1-score). Скользящий контроль (k-fold CV).

'''27.01.18 Метрические классификаторы-1''' Метод потенциальных функций. Метод окна Парзена. sklearn.RadiusNeighborsClassifier.

=== Правила оценивания ===

В модуле 10 семинаров.

'''10 домашних''' лабораторных '''работ''' стоимостью '''10 баллов каждая'''.

'''Домашний мини-проект''' с ревью кода стоимостью '''40 баллов'''.

'''Финальный тест''' в классе стоимостью '''40 баллов'''.

По желанию: '''индивидуальное домашнее задание''' стоимостью '''20 баллов'''.

Шкала перевода баллов в итоговую оценку представлена в таблице.

{| class="wikitable"
|-
! Итоговая оценка !! Суммарные баллы
|-
| Отлично (10) || 140+
|-
| Отлично (9) || 130+
|-
| Отлично (8) || 120+
|-
| Хорошо (7) || 100+
|-
| Хорошо (6) || 90+
|-
| Удовлетворительно (5) || 70+
|-
| Удовлетворительно (4) || 60+
|-
| Незачет || менее 60
|}

'''Лабораторные''' работы '''отправлять''' на почту курса '''не позднее начала следующего семинара''', если не оговорено иное. '''Правила формления:''' надо упаковать в архив все решения и тесты задач, решения называть solution''номер''.py, архив назвать lab''номер''-''имя''-''фамилия''-''номер группы''.rar, тема письма lab''номер''-''имя''-''фамилия''-''номер группы''

=== Полезные литература и ссылки ===

# [https://www.shashkovs.ru/_prog/Lutc_M._-_Izuchaem_Python_(4-e_izdanie)-_2011.pdf Лутц, Изучаем Python, 4-е издание, 2011]
# [https://www.cs.auckland.ac.nz/courses/compsci105ssc/resources/ProblemSolvingwithAlgorithmsandDataStructures.pdf Brad Miller, David Ranum, Problem Solving with Algorithms and Data Structures, Release 3.0, 2013 ]
# [https://doc.lagout.org/programmation/python/Data%20Structures%20and%20Algorithms%20in%20Python%20%5BGoodrich%2C%20Tamassia%20%26%20Goldwasser%202013-03-18%5D.pdf Michael T. Goodrich, Data Structures and Algorithms in Python, 1st edition, 2013]
# [https://vk.com/wall-54530371_2325 Т.Кормен, Ч.Лейзерсон, Р.Ривест, К.Штайн - Алгоритмы. Построение и анализ. Издание 3-е, 2013]
# [https://www.youtube.com/watch?v=VP2wRhwlg6c&t=1s Умнов, Видиолекции ШАДа по Python]
# [http://defpython.ru/pep8 PEP8, коротко, на русском]
# [http://python.net/~goodger/projects/pycon/2007/idiomatic/handout.html Code Like a Pythonista: Idiomatic Python]
# [http://www.dabeaz.com/coroutines/Coroutines.pdf A Curious Course on Coroutines and Concurrency]
# [https://github.com/faif/python-patterns Python patterns OOP]
# [https://github.com/vinta/awesome-python Awesome Python, Много разных библиотек]

== 4 модуль ==

Введение в анализ текстов на Python для ФГН

2017-09-10T09:54:04Z

Sggpls: /* Семинары */

Введение в анализ текстов на Python для ФГН

2017-09-09T06:44:25Z

Sggpls: правка почты курса

Введение в анализ текстов на Python для ФГН

2017-09-09T06:43:25Z

Sggpls: Правка почты курса

Введение в анализ текстов на Python для ФГН

2017-09-09T04:16:50Z

Sggpls: Добавлено правила офрмления лаб работ

Введение в анализ текстов на Python для ФГН

2017-09-09T04:04:10Z

Sggpls: Первая версия