Wiki - Факультет компьютерных наук - Вклад [ru]

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

2026-01-12T04:24:50Z

Skorpachev:

== О курсе ==

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

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

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

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

[ТУДУ Анонимная форма обратной связи]

=== Лекции ===

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

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

=== Семинары ===

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

=== Учебные ассистенты ===

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

=== Правила выставления оценок ===

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

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

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

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

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

В случае автомата итоговая оценка считается так:

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

=== Правила сдачи заданий ===

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

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

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

== Лекции ==

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

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

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

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

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

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

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

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

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

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

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

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

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

== Семинары ==

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

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

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

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

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

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

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

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

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

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

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

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

'''Семинар 13.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar13/sem13_pytorch.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar13/sem13_pytorch.ipynb Colab]]

== Практические задания ==

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

== Контрольная работа ==

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

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

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

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

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

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

== Дополнительные материалы ==

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

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

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

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

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

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

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

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

2025-12-12T08:39:00Z

Skorpachev:

== О курсе ==

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

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

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

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

[ТУДУ Анонимная форма обратной связи]

=== Лекции ===

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

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

=== Семинары ===

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

=== Учебные ассистенты ===

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

=== Правила выставления оценок ===

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

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

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

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

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

В случае автомата итоговая оценка считается так:

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

=== Правила сдачи заданий ===

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

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

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

== Лекции ==

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

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

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

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

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

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

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

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

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

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

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

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

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

== Семинары ==

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

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

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

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

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

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

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

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

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

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

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

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

'''Семинар 13.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar13/sem13_pytorch.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar13/sem13_pytorch.ipynb Colab]]

== Практические задания ==

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

== Контрольная работа ==

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

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

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

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

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

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

== Дополнительные материалы ==

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

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

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

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

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

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

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

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

2025-12-05T10:02:37Z

Skorpachev:

== О курсе ==

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

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

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

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

[ТУДУ Анонимная форма обратной связи]

=== Лекции ===

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

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

=== Семинары ===

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

=== Учебные ассистенты ===

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

=== Правила выставления оценок ===

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

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

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

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

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

В случае автомата итоговая оценка считается так:

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

=== Правила сдачи заданий ===

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

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

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

== Лекции ==

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

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

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

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

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

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

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

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

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

== Семинары ==

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

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

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

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

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

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

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

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

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

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

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

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

== Практические задания ==

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

== Контрольная работа ==

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

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

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

==Экзамен==

== Дополнительные материалы ==

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

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

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

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

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

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

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

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

2025-11-27T17:30:06Z

Skorpachev:

== О курсе ==

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

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

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

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

[ТУДУ Анонимная форма обратной связи]

=== Лекции ===

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

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

=== Семинары ===

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

=== Учебные ассистенты ===

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

=== Правила выставления оценок ===

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

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

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

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

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

В случае автомата итоговая оценка считается так:

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

=== Правила сдачи заданий ===

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

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

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

== Лекции ==

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

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

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

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

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

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

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

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

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

== Семинары ==

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

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

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

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

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

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

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

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

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

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

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

== Практические задания ==

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

== Контрольная работа ==

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

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

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

==Экзамен==

== Дополнительные материалы ==

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

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

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

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

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

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

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

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

2025-11-21T05:16:23Z

Skorpachev:

== О курсе ==

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

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

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

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

[ТУДУ Анонимная форма обратной связи]

=== Лекции ===

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

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

=== Семинары ===

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

=== Учебные ассистенты ===

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

=== Правила выставления оценок ===

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

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

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

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

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

В случае автомата итоговая оценка считается так:

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

=== Правила сдачи заданий ===

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

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

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

== Лекции ==

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

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

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

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

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

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

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

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

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

== Семинары ==

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

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

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

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

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

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

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

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

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

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

== Практические задания ==

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

== Контрольная работа ==

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

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

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

==Экзамен==

== Дополнительные материалы ==

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

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

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

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

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

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

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

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

2025-11-13T18:20:09Z

Skorpachev:

== О курсе ==

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

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

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

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

[ТУДУ Анонимная форма обратной связи]

=== Лекции ===

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

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

=== Семинары ===

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

=== Учебные ассистенты ===

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

=== Правила выставления оценок ===

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

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

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

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

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

В случае автомата итоговая оценка считается так:

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

=== Правила сдачи заданий ===

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

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

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

== Лекции ==

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

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

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

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

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

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

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

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

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

== Семинары ==

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

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

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

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

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

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

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

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

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

'''Семинар 10.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar10/sem10_features_pca.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar10/sem10_features_pca.ipynb Colab]]

== Практические задания ==

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

== Контрольная работа ==

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

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

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

==Экзамен==

== Дополнительные материалы ==

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

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

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

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

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

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

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

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

2025-11-13T18:16:19Z

Skorpachev:

== О курсе ==

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

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

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

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

[ТУДУ Анонимная форма обратной связи]

=== Лекции ===

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

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

=== Семинары ===

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

=== Учебные ассистенты ===

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

=== Правила выставления оценок ===

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

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

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

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

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

В случае автомата итоговая оценка считается так:

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

=== Правила сдачи заданий ===

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

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

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

== Лекции ==

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

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

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

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

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

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

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

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

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

== Семинары ==

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

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

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

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

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

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

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

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

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

'''Семинар 10.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar10/sem10_features_pca.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar10/sem10_features_pca.ipynb Colab]]

== Практические задания ==

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

== Контрольная работа ==

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

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

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

==Экзамен==

== Дополнительные материалы ==

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

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

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

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

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

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

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

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

2025-11-13T13:00:33Z

Skorpachev:

== О курсе ==

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

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

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

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

[ТУДУ Анонимная форма обратной связи]

=== Лекции ===

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

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

=== Семинары ===

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

=== Учебные ассистенты ===

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

=== Правила выставления оценок ===

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

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

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

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

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

В случае автомата итоговая оценка считается так:

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

=== Правила сдачи заданий ===

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

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

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

== Лекции ==

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

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

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

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

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

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

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

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

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

== Семинары ==

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

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

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

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

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

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

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

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

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

'''Семинар 10.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar10/sem10_features_pca.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2025/seminars/seminar10/sem10_features_pca.ipynb Colab]]

== Практические задания ==

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

== Контрольная работа ==

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

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

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

==Экзамен==

== Дополнительные материалы ==

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

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

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

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

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

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

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

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

2025-11-07T07:09:43Z

Skorpachev:

== О курсе ==

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

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

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

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

[ТУДУ Анонимная форма обратной связи]

=== Лекции ===

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

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

=== Семинары ===

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

=== Учебные ассистенты ===

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

=== Правила выставления оценок ===

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

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

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

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

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

В случае автомата итоговая оценка считается так:

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

=== Правила сдачи заданий ===

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

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

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

== Лекции ==

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

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

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

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

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

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

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

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

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

== Семинары ==

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

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

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

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

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

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

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

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

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

== Практические задания ==

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

== Контрольная работа ==

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

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

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

==Экзамен==

== Дополнительные материалы ==

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

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

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

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

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

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

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

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

2025-11-07T07:09:01Z

Skorpachev:

== О курсе ==

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

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

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

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

[ТУДУ Анонимная форма обратной связи]

=== Лекции ===

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

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

=== Семинары ===

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

=== Учебные ассистенты ===

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

=== Правила выставления оценок ===

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

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

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

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

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

В случае автомата итоговая оценка считается так:

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

=== Правила сдачи заданий ===

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

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

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

== Лекции ==

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

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

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

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

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

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

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

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

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

== Семинары ==

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

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

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

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

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

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

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

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

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

== Практические задания ==

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

== Контрольная работа ==

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

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

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

==Экзамен==

== Дополнительные материалы ==

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

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

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

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

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

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

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

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

2025-10-24T00:14:42Z

Skorpachev:

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

2025-10-23T22:32:27Z

Skorpachev:

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

2025-10-23T00:22:07Z

Skorpachev:

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

2025-10-23T00:21:18Z

Skorpachev:

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

2025-10-16T23:00:42Z

Skorpachev:

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

2025-10-16T23:00:02Z

Skorpachev:

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

2025-10-16T22:58:22Z

Skorpachev:

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

2025-10-09T19:12:02Z

Skorpachev:

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

2025-10-09T19:09:28Z

Skorpachev:

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

2025-10-03T21:24:56Z

Skorpachev:

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

2025-10-02T18:44:05Z

Skorpachev:

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

2025-09-26T08:46:02Z

Skorpachev:

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

2025-09-20T23:18:05Z

Skorpachev:

Машинное обучение (сов. бак. ВШЭ-РЭШ 2024)

2025-09-20T23:15:33Z

Skorpachev:

== О курсе ==

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

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

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

[https://t.me/+YV5D12VyN7dmZTcy Чат в телеграме]

[https://forms.gle/Yf3EiF5tw5sCXFnSA Анонимная форма обратной связи]

=== Лекции ===

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

Лекции проходят по вторникам в 16:20 (R406).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [ссылка Чат] || R504 || среда, 11:10
|-
| МО-2 || [https://t.me/horror_in_black Александра Коган] || [ссылка Чат] || R407 || пятница, 09:30
|-
| МО-3 || Сергей Корпачев || [ссылка Чат] || S224 || суббота, 14:40
|-
|}

=== Учебные ассистенты ===

{| class="wikitable"
|-
! Учебный ассистент
|-
| [https://t.me/vorrrishka Милана Арсентьева]
|-
| [https://t.me/astiukhin Антон Стюхин]
|-
|}

=== Правила выставления оценок ===

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

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

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

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

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

В случае автомата итоговая оценка считается так:

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

=== Правила сдачи заданий ===

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

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

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

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture03-grad.pdf Слайды]]

'''Лекция 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture04-logreg.pdf Слайды]]

'''Лекция 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture05-metrics.pdf Слайды]]

'''Лекция 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture06-trees.pdf Слайды]]

'''Лекция 7.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture07-bagging.pdf Слайды]]

'''Лекция 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture08-boosting.pdf Слайды]]

'''Лекция 9.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture09-texts.pdf Слайды]]

'''Лекция 10.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture10-features.pdf Слайды]]

'''Лекция 11.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture11-clustering.pdf Слайды]]

'''Лекция 12.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture12-nn.pdf Слайды]]

'''Лекция 13.''' Анализ изображений. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture13-cnn.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar02/linear_regression_intro.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar02/linear_regression_intro.ipynb Colab]]

'''Семинар 3.''' Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar03/lin_reg_SGD.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar03/lin_reg_SGD.ipynb Colab]]

'''Семинар 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar04/logreg.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar04/logreg.ipynb Colab]]

'''Семинар 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar05/seminar05_quality.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar05/seminar05_quality.ipynb Colab]]

'''Семинар 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar06/sem06_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar06/sem06_trees.ipynb Colab]]

'''Семинар 7.''' Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar07/sem07_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar07/sem07_rf.ipynb Colab]]

'''Семинар 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar08/sem08_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar08/sem08_boosting.ipynb Colab]]

'''Семинар 9.''' Обработка текстовых данных. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar09/sem09_texts.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar09/sem09_texts.ipynb Colab]]

'''Семинар 10.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar10/sem10_features_pca.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar10/sem10_features_pca.ipynb Colab]]

'''Семинар 11.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar11/sem11_clustering.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar11/sem11_clustering.ipynb Colab]]

'''Семинар 12.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar12/sem12_pytorch.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar12/sem12_pytorch.ipynb Colab]]

'''Семинар 13.''' Анализ изображений. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar13/sem13_cnn.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar13/sem13_cnn.ipynb Colab]]

== Практические задания ==

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

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

'''Мягкий дедлайн''': 01 октября 2024 года 23:59

'''Дедлайн''': 05 октября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_1.ipynb

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

'''Мягкий дедлайн''': 12 октября 2024 года 23:59

'''Дедлайн''': 16 октября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_2.ipynb

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

'''Мягкий дедлайн''': 1 ноября 2024 года 23:59

'''Дедлайн''': 4 ноября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_3.ipynb

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

'''Мягкий дедлайн''': 21 ноября 2024 года 23:59

'''Дедлайн''': 25 ноября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_4

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

'''Мягкий дедлайн''': 9 декабря 2024 года 23:59

'''Дедлайн''': 12 декабря 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_5.ipynb

== Контрольная работа ==

[[https://disk.yandex.ru/i/nupFNBkhOktOpw Вопросы и задачи к контрольной работе (мидтерму) 2024)]]

'''Дата проведения:''' 12 ноября 2024 г. на лекции.

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

==Экзамен==
[[https://disk.yandex.ru/i/UEuiQ-BWpjSjkg Вопросы к экзамену 2024]]

'''Дата проведения:''' 17 декабря 2024 г. на лекции.

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

== Дополнительные материалы ==

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

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

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

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

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

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

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

2025-09-19T00:50:49Z

Skorpachev:

Машинное обучение (сов. бак. ВШЭ-РЭШ 2024)

2025-09-11T16:23:45Z

Skorpachev:

== О курсе ==

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

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

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

[https://t.me/+YV5D12VyN7dmZTcy Чат в телеграме]

[https://forms.gle/Yf3EiF5tw5sCXFnSA Анонимная форма обратной связи]

=== Лекции ===

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

Лекции проходят по вторникам в 16:20 (R406).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [ссылка Чат] || R504 || среда, 11:10
|-
| МО-2 || [https://t.me/horror_in_black Александра Коган] || [ссылка Чат] || R407 || пятница, 09:30
|-
| МО-3 || Сергей Корпачев || [ссылка Чат] || S224 || суббота, 14:40
|-
|}

=== Учебные ассистенты (ТУДУ) ===

{| class="wikitable"
|-
! Учебный ассистент
|-
| [https://t.me/vorrrishka Милана Арсентьева]
|-
| [https://t.me/astiukhin Антон Стюхин]
|-
|}

=== Правила выставления оценок ===

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

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

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

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

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

В случае автомата итоговая оценка считается так:

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

=== Правила сдачи заданий ===

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

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

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

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture03-grad.pdf Слайды]]

'''Лекция 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture04-logreg.pdf Слайды]]

'''Лекция 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture05-metrics.pdf Слайды]]

'''Лекция 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture06-trees.pdf Слайды]]

'''Лекция 7.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture07-bagging.pdf Слайды]]

'''Лекция 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture08-boosting.pdf Слайды]]

'''Лекция 9.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture09-texts.pdf Слайды]]

'''Лекция 10.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture10-features.pdf Слайды]]

'''Лекция 11.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture11-clustering.pdf Слайды]]

'''Лекция 12.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture12-nn.pdf Слайды]]

'''Лекция 13.''' Анализ изображений. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture13-cnn.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar02/linear_regression_intro.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar02/linear_regression_intro.ipynb Colab]]

'''Семинар 3.''' Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar03/lin_reg_SGD.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar03/lin_reg_SGD.ipynb Colab]]

'''Семинар 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar04/logreg.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar04/logreg.ipynb Colab]]

'''Семинар 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar05/seminar05_quality.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar05/seminar05_quality.ipynb Colab]]

'''Семинар 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar06/sem06_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar06/sem06_trees.ipynb Colab]]

'''Семинар 7.''' Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar07/sem07_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar07/sem07_rf.ipynb Colab]]

'''Семинар 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar08/sem08_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar08/sem08_boosting.ipynb Colab]]

'''Семинар 9.''' Обработка текстовых данных. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar09/sem09_texts.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar09/sem09_texts.ipynb Colab]]

'''Семинар 10.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar10/sem10_features_pca.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar10/sem10_features_pca.ipynb Colab]]

'''Семинар 11.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar11/sem11_clustering.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar11/sem11_clustering.ipynb Colab]]

'''Семинар 12.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar12/sem12_pytorch.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar12/sem12_pytorch.ipynb Colab]]

'''Семинар 13.''' Анализ изображений. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar13/sem13_cnn.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar13/sem13_cnn.ipynb Colab]]

== Практические задания ==

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

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

'''Мягкий дедлайн''': 01 октября 2024 года 23:59

'''Дедлайн''': 05 октября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_1.ipynb

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

'''Мягкий дедлайн''': 12 октября 2024 года 23:59

'''Дедлайн''': 16 октября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_2.ipynb

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

'''Мягкий дедлайн''': 1 ноября 2024 года 23:59

'''Дедлайн''': 4 ноября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_3.ipynb

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

'''Мягкий дедлайн''': 21 ноября 2024 года 23:59

'''Дедлайн''': 25 ноября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_4

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

'''Мягкий дедлайн''': 9 декабря 2024 года 23:59

'''Дедлайн''': 12 декабря 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_5.ipynb

== Контрольная работа ==

[[https://disk.yandex.ru/i/nupFNBkhOktOpw Вопросы и задачи к контрольной работе (мидтерму) 2024)]]

'''Дата проведения:''' 12 ноября 2024 г. на лекции.

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

==Экзамен==
[[https://disk.yandex.ru/i/UEuiQ-BWpjSjkg Вопросы к экзамену 2024]]

'''Дата проведения:''' 17 декабря 2024 г. на лекции.

Порядок проведения контрольной работы:

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

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

Время написания работы: 1 час 20 минут.

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

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

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

== Дополнительные материалы ==

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

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

===Страницы прошлых лет===
[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2023) Страница курса 2023 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2023)

2025-09-11T16:23:16Z

Skorpachev:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/339942759 Карточка курса и программа.] (TODO: Обновить)

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+NyuAxz-2HFsyM2My Чат в телеграме]

[https://forms.gle/JjUw8oEVxDukhPEF8 Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mikhail_h91)

Лекции проходят по вторникам в 16:20 (R205).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [https://t.me/s_pirogova Софья Пирогова]|| [https://t.me/+qgjzy_kRhIU1Zjcy Чат] || R506 || среда, 14:40
|-
| МО-2 || Сергей Корпачев || [https://t.me/metraats Артём Станкевич]|| [https://t.me/+5s28KFwIWMpmNGFi Чат] || R308 || суббота, 14:40
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.5 * ДЗ + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

Условие выставления автомата: (ДЗ >=6 and КР >= 6)

В случае автомата итоговая оценка считается так:

Oитоговая = Округление((0.5 * ДЗ + 0.2 * КР) / 0.7)

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture03-logreg.pdf Слайды]]

'''Лекция 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture04-metrics.pdf Слайды]]

'''Лекция 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture05-trees.pdf Слайды]]

'''Лекция 6.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture06-bagging.pdf Слайды]]

'''Лекция 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture07-boosting.pdf Слайды]]

'''Лекция 8.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture08-texts.pdf Слайды]]

'''Лекция 9.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture09-features.pdf Слайды]]

'''Лекция 10.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture10-clustering.pdf Слайды]]

'''Лекция 11.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture11-networks.pdf Слайды]]

'''Лекция 12.''' Анализ изображений. Сверточные нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture12-nn.pdf Слайды]]

'''Лекция 13.''' Рекомендательные системы. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture13-recsys.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Colab]]

'''Семинар 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Colab]]

'''Семинар 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Colab]]

'''Семинар 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Colab]]

'''Семинар 6.''' Ансамбли деревьев. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Colab]]

'''Семинар 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Colab]]

'''Семинар 8.''' Введение в анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar08/seminar8_nlp.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar08/seminar8_nlp.ipynb Colab]]

'''Семинар 9.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar09/sem09_features_pca.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar09/sem09_features_pca.ipynb Colab]]

'''Семинар 10.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar10/sem10_clustering.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar10/sem10_clustering.ipynb Colab]]

'''Семинар 11.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar11/sem11_pytorch.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar11/sem11_pytorch.ipynb Colab]]

'''Семинар 12.''' Анализ изображений. Сверточные нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar12/sem12_cnn.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar12/sem12_cnn.ipynb Colab]]

'''Семинар 13.''' Рекомендательные системы. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar13/sem13_recsys.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar13/sem13_recsys.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob, а также написать свою линейную регрессию.

'''Мягкий дедлайн''': 25 сентября 2023 года 23:59

'''Дедлайн''': 28 сентября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 02 октября 2023 года 23:59

'''Дедлайн''': 05 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_2.pdf

===Задание 3. Логистическая регрессия ===
Вам предстоит решить несколько задач на реализацию метода логистической регрессии и оценки качества классификации.

'''Мягкий дедлайн''': 16 октября 2023 года 23:59

'''Дедлайн''': 19 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья ===
Вам предстоит реализовать разбиение элементов выборки в вершине дерева.

'''Мягкий дедлайн''': 30 октября 2023 года 23:59

'''Дедлайн''': 02 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_4.ipynb

===Задание 5. Композиции алгоритмов ===
В этом задании вам нужно решить несколько задач по ансамблям моделей.

'''Мягкий дедлайн''': 06 ноября 2023 года 23:59

'''Дедлайн''': 09 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_5.pdf

===Задание 6. Бустинг ===
Вам предстоит реализовать упрощенный вариант градиентного бутсинга для задачи регрессии.

'''Мягкий дедлайн''': 20 ноября 2023 года 23:59

'''Дедлайн''': 23 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_6.ipynb

===Задание 7. Категориальные признаки ===
Вам предстоит освоить работу с категориальными признаками.

'''Мягкий дедлайн''': 01 декабря 2023 года 23:59

'''Дедлайн''': 04 декабря 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_7.ipynb

===Задание 8. Отбор признаков и метод главных компонент ===
Вам предстоит выполнить несколько заданий по отбору признаков и уменьшению размерности.

'''Мягкий дедлайн''': 11 декабря 2023 года 23:59

'''Дедлайн''': 14 декабря 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_8.ipynb

== Контрольная работа ==

[[https://disk.yandex.ru/i/KBgVZXLEsOW2JQ Вопросы и задачи к контрольной работе (мидтерму) 2023)]]

'''Дата проведения:''' 14 ноября 2023 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 8 вопросов и 2 задачи из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

[[https://disk.yandex.ru/i/5TcDX-PaWy8V2A Вопросы к экзамену 2023]]

'''Дата проведения:''' 19 декабря 2023 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 10 вопросов из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2023)

2025-09-11T16:23:01Z

Skorpachev:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/339942759 Карточка курса и программа.] (TODO: Обновить)

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+NyuAxz-2HFsyM2My Чат в телеграме]

[https://forms.gle/JjUw8oEVxDukhPEF8 Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mikhail_h91)

Лекции проходят по вторникам в 16:20 (R205).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [https://t.me/s_pirogova Софья Пирогова]|| [https://t.me/+qgjzy_kRhIU1Zjcy Чат] || R506 || среда, 14:40
|-
| МО-2 || [Сергей Корпачев] || [https://t.me/metraats Артём Станкевич]|| [https://t.me/+5s28KFwIWMpmNGFi Чат] || R308 || суббота, 14:40
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.5 * ДЗ + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

Условие выставления автомата: (ДЗ >=6 and КР >= 6)

В случае автомата итоговая оценка считается так:

Oитоговая = Округление((0.5 * ДЗ + 0.2 * КР) / 0.7)

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture03-logreg.pdf Слайды]]

'''Лекция 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture04-metrics.pdf Слайды]]

'''Лекция 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture05-trees.pdf Слайды]]

'''Лекция 6.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture06-bagging.pdf Слайды]]

'''Лекция 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture07-boosting.pdf Слайды]]

'''Лекция 8.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture08-texts.pdf Слайды]]

'''Лекция 9.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture09-features.pdf Слайды]]

'''Лекция 10.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture10-clustering.pdf Слайды]]

'''Лекция 11.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture11-networks.pdf Слайды]]

'''Лекция 12.''' Анализ изображений. Сверточные нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture12-nn.pdf Слайды]]

'''Лекция 13.''' Рекомендательные системы. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture13-recsys.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Colab]]

'''Семинар 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Colab]]

'''Семинар 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Colab]]

'''Семинар 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Colab]]

'''Семинар 6.''' Ансамбли деревьев. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Colab]]

'''Семинар 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Colab]]

'''Семинар 8.''' Введение в анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar08/seminar8_nlp.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar08/seminar8_nlp.ipynb Colab]]

'''Семинар 9.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar09/sem09_features_pca.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar09/sem09_features_pca.ipynb Colab]]

'''Семинар 10.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar10/sem10_clustering.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar10/sem10_clustering.ipynb Colab]]

'''Семинар 11.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar11/sem11_pytorch.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar11/sem11_pytorch.ipynb Colab]]

'''Семинар 12.''' Анализ изображений. Сверточные нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar12/sem12_cnn.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar12/sem12_cnn.ipynb Colab]]

'''Семинар 13.''' Рекомендательные системы. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar13/sem13_recsys.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar13/sem13_recsys.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob, а также написать свою линейную регрессию.

'''Мягкий дедлайн''': 25 сентября 2023 года 23:59

'''Дедлайн''': 28 сентября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 02 октября 2023 года 23:59

'''Дедлайн''': 05 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_2.pdf

===Задание 3. Логистическая регрессия ===
Вам предстоит решить несколько задач на реализацию метода логистической регрессии и оценки качества классификации.

'''Мягкий дедлайн''': 16 октября 2023 года 23:59

'''Дедлайн''': 19 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья ===
Вам предстоит реализовать разбиение элементов выборки в вершине дерева.

'''Мягкий дедлайн''': 30 октября 2023 года 23:59

'''Дедлайн''': 02 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_4.ipynb

===Задание 5. Композиции алгоритмов ===
В этом задании вам нужно решить несколько задач по ансамблям моделей.

'''Мягкий дедлайн''': 06 ноября 2023 года 23:59

'''Дедлайн''': 09 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_5.pdf

===Задание 6. Бустинг ===
Вам предстоит реализовать упрощенный вариант градиентного бутсинга для задачи регрессии.

'''Мягкий дедлайн''': 20 ноября 2023 года 23:59

'''Дедлайн''': 23 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_6.ipynb

===Задание 7. Категориальные признаки ===
Вам предстоит освоить работу с категориальными признаками.

'''Мягкий дедлайн''': 01 декабря 2023 года 23:59

'''Дедлайн''': 04 декабря 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_7.ipynb

===Задание 8. Отбор признаков и метод главных компонент ===
Вам предстоит выполнить несколько заданий по отбору признаков и уменьшению размерности.

'''Мягкий дедлайн''': 11 декабря 2023 года 23:59

'''Дедлайн''': 14 декабря 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_8.ipynb

== Контрольная работа ==

[[https://disk.yandex.ru/i/KBgVZXLEsOW2JQ Вопросы и задачи к контрольной работе (мидтерму) 2023)]]

'''Дата проведения:''' 14 ноября 2023 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 8 вопросов и 2 задачи из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

[[https://disk.yandex.ru/i/5TcDX-PaWy8V2A Вопросы к экзамену 2023]]

'''Дата проведения:''' 19 декабря 2023 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 10 вопросов из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2025)

2025-09-11T16:21:50Z

Skorpachev:

Машинное обучение (сов. бак. ВШЭ-РЭШ 2025)

2025-09-07T11:09:26Z

Skorpachev:

Машинное обучение (сов. бак. ВШЭ-РЭШ 2025)

2025-09-07T11:03:13Z

Skorpachev:

Введение в Data Science для ВШБ 2022/23

2024-12-24T16:06:27Z

Skorpachev:

'''Дорогие студенты!'''

На этой странице будут появляться различные материалы и объявления, связанные курсом '''«Введение в Data Science»''', читаемого для студентов 2-го курса бакалавриата ОП «Управление бизнесом», «Логистика и управление цепями поставок» и «Маркетинг и рыночная аналитика» в '''2022/2023''' учебном году (4 модуль).

== О курсе ==
Данный курс представляет собой адаптацию общеуниверситетского курса по анализу данных специально для студентов образовательных программ «Управление бизнесом», «Маркетинг и рыночная аналитика» и «Управление цепями поставок и бизнес-аналитика» и направлен на формирование компетенций в области статистики и анализа данных. В курсе будут рассмотрены темы, которые необходимы для успешного освоения основных понятий и методов, связанных с анализом данных. Также будут рассмотрены темы, связанные с основами машинного обучения.

== Контакты и полезные ссылки ==

'''[https://t.me/+Hp18UTrdsaZiNjM6 Канал тг с оповещениями и новостями по курсу (в комментариях можно всегда задавать вопросы)]'''

=== ОП «Управление бизнесом» ===

{| class='wikitable'
!Группа
!Преподаватель
!Ассистент
!Чат в тг
|-
|БМБ2101
|Бурова Маргарита, @Burritas
|Барахвостова Валерия, @vale_russa
|https://t.me/+f-sbXgI4dW82MjMy
|-
|БМБ2102
|Бурова Маргарита, @Burritas
|Алексеенко Влада, @unqvl
|https://t.me/+WnYZJ9eTQTQwODgy
|-
|БМБ2103
|Панов Петр, @panov_pa
|Эрцеговац Мария, @merc_telega
|https://t.me/+dLSsnLarsHNhOGMy
|-
|БМБ2104
|Панов Петр, @panov_pa
|Сташевски Эмиль, @emilstrider
|https://t.me/+bHn2u6XWwgAwNTEy
|-
|БМБ2105
|Седашов Даниил, @sedashov
|Барахвостова Валерия, @vale_russa
|https://t.me/+Fj-vAb3zFGw3N2Iy
|-
|БМБ2106
|Корпачев Сергей,
|Иванов Максим, @thefabulosity
|https://t.me/+wioS0eoYi2ZlYjcy
|-
|БМБ2107
|Косакин Даниил, @nieto95
|Каневский Дмитрий, @blenlkj
|https://t.me/+wpE0EnyHSUk5NWYy
|-
|БМБ2108
|Косакин Даниил, @nieto95
|Болатаева Дарья, @dariabolat
|https://t.me/+OYj8UwwKqoA2YTFi
|-
|БМБ2109
|Калашников Александр, @sleep3r
|Изгарова Анна, @anna_izg
|https://t.me/+svjoZ9XcLuYxZDMy
|-
|БМБ2110
|Гриднев Макар, @gr1dmaker
|Степанова Ксения, @Kkkkstepvst
|https://t.me/datascience_hse_210
|}

=== ОП «Маркетинг и рыночная аналитика» ===

{| class='wikitable'
!Группа
!Преподаватель
!Ассистент
!Чат в тг
|-
|БММ211
|Сусла Диана, @call_me_Dory
|Алкаев Владислав, @Fooqa
|https://t.me/+YybN00ytVHYyZGIy
|-
|БММ212
|Сусла Диана, @call_me_Dory
|Забродоцкая Александра, @c0smicm1nd
|https://t.me/+MUtDU8ZUQpNlOWEy
|-
|БММ213
|Калашников Александр, @sleep3r
|Якушкин Никита, @nsyakushkin
|https://t.me/+OZtAWHHNrzg2MWM6
|-
|БММ214
|Волкова Анастасия, @vol_anastasia
|Макушкин Михаил, @mikhailmakushkin
|https://t.me/+pg2eX-d0BVwyYTky
|-
|БММ215
|Марина Пак, @rin_pak
|Юношева Виктория, @VictoriaYuno
|https://t.me/+YmJlOovJj_oxMmMy
|-
|БММ216
|Гриднев Макар, @gr1dmaker
|Ластовецкий Дмитрий, @dalastovetskiy
|https://t.me/+NfjTgIAiA5cwNTI6
|}

=== ОП «Логистика и управление цепями поставок» ===

{| class='wikitable'
!Группа
!Преподаватель
!Ассистент
!Чат в тг
|-
|БЛГ211
|Дубенюк Анна, @andu192
|Жерноклеев Дмитрий, @rolling_stone5
|https://t.me/+KdAAbg7Df29iNmIy
|-
|БЛГ212
|Дубенюк Анна, @andu192
|Конкин Александр, @konkin_a_v
|https://t.me/+czbRZVQXcrwwNzIy
|-
|БЛГ213
|Перевышина Татьяна, @prvsh
|Алкаев Владислав, @Fooqa
|https://t.me/+ETrzvHmxashjNmUy
|-
|БЛГ214
|Марина Пак, @rin_pak
|Юношева Виктория, @VictoriaYuno
|https://t.me/+rCCtewurkikxOWYy
|}

== Формула оценивания ==

'''ИТОГ = 0.25 * тесты + 0.25 * ДЗ + 0.25 * КР1 + 0.25 * КР2'''

Оценки по всем формам контроля не округляются ни до, ни после умножения на соответствующие коэффициенты. '''Округляется только итоговая оценка''' (по правилам арифметического округления, например, 3.49 округлится до 3, а 3.51 - до 4).

== Апелляции и пропуски контрольных работ ==

=== Апелляции ===
'''Внимание!''' Это только для нашего курса и НЕ относится к апелляции независимого экзамена по анализу данных, который будет у вас в конце 4 модуля.

'''После публикации оценок''' по контрольной работе у вас будет '''три дня''', чтобы написать апелляцию (если вы не согласны с баллами или считаете, что ваше решение было засчитано неправильно). В апелляции вы также можете указать технические неполадки, приложив скриншоты/фотографии, которые их подтверждают.

'''Апелляцию отправляете только по адресу: python7appeal@gmail.com'''

В теме письма '''обязательно''' указываете ВШБ_КР1 (или КР2). В самом письме указываете ФИО и свою образовательную программу («Логистика и управление цепями поставок», «Управление бизнесом» или «Маркетинг и рыночная аналитика»). И затем номера задания, которые апеллируете и обоснование правильности своего ответа.

Письма, в которых неправильно написана тема, не указаны ФИО и ОП, '''рассматриваться не будут'''.

Апелляция рассматривается в течение '''трех рабочих дней'''. Если вы отправили апелляцию и не получили ответ по прошествии трех рабочих дней, то только в этом случае вы пишете преподавателю @aaparshina.

=== Пропуски ===

Если студент пропустил контрольную работу '''по болезни''', то ему предоставляется возможность написать работу в резервный день.

О пропуске нужно сообщить до проведения работы или в день проведения работы, написав '''письмо по адресу python7appeal@gmail.com'''.

В течение '''трех рабочих дней''' вам придет ответ на письмо. Если вы не получили ответ по прошествии трех рабочих дней, то только в этом случае вы пишете преподавателю @aaparshina.

В теме письма '''обязательно''' указываете ВШБ_КР1_ПРОПУСК (или КР2). В самом письме указываете ФИО и свою образовательную программу («Логистика и управление цепями поставок», «Управление бизнесом» или «Маркетинг и рыночная аналитика»).

Письма, в которых неправильно написана тема, не указаны ФИО и ОП, '''рассматриваться не будут'''.

== Материалы с занятий и консультаций ==

'''Материалы групп Панова П.А.'''

[https://drive.google.com/drive/folders/1WsAQ5feAJk20wMrFaZuoxE1O7OSMHVVJ?usp=sharing Папка с материалами ]

'''Материалы групп Корпачева С.С.'''

[https://disk.yandex.ru/d/2JLRoSa5tXHBbQ Папка с материалами]

'''Материалы групп Седашова Д.М.'''

[https://disk.yandex.ru/d/nMeqEfX-e8W1MA Папка с материалами]

'''Материалы групп Гриднева М.Д.'''

[https://disk.yandex.ru/d/ect1GarMogHS6A Папка с материалами]

'''Занятия'''
{| class='wikitable'
!Неделя/даты
!Тема
!Материалы
|-
|№1 (10.04 - 15.04)
|Введение в инструменты. Pandas и Numpy
|
[https://github.com/aaparshina/22-23_Intro-to-DS/blob/main/PROG_DA_01.ipynb Cеминар01: Введение в инструменты. Pandas и NumPy]

[https://github.com/aaparshina/22-23_Intro-to-DS/blob/main/PROG_DA_02.ipynb Cеминар02: Массивы NumPy]

[https://github.com/aaparshina/22-23_Intro-to-DS/blob/main/HW/PROG_DA_HW_01.ipynb '''!ДЗ01''': Домашнее задание по Pandas и NumPy]. [https://github.com/aaparshina/22-23_Intro-to-DS/blob/main/DATA/supermarket_sales.csv Данные]

|-
|№2 (17.04 - 22.04)
|Генеральная совокупность и выборка. Описательные статистики. Z-оценки. Выбросы.
|
[https://github.com/aaparshina/22-23_Intro-to-DS/blob/main/PROG_DA_03_04.ipynb Семинары 03-04]

[https://raw.githubusercontent.com/aaparshina/22-23_Intro-to-DS/main/DATA/customer_shopping_data.csv Данные к семинарам 03-04]

[https://github.com/aaparshina/22-23_Intro-to-DS/blob/main/HW/PROG_DA_HW_02.ipynb '''!ДЗ02''']
|}

'''Консультации'''

{| class='wikitable'
!Тема
!Ассистенты
!Материалы
|-
|Подгтовка к КР1: повторение пройденного, разбор ДЗ
|
Валерия (тг: @vale_russa)

Виктория (тг: @VictoriaYuno)
|
[https://drive.google.com/file/d/1chd6vUYRNcipeSQ7k3sDgdSFBByF_yyD/view?usp=sharing Консультация №1 (ч.1)]

[https://drive.google.com/file/d/1Z0d8DCmSGWqIeetjj-9ElGDL1-RKw0WF/view?usp=share_link Консультация №1 (ч.2)]
|}

Машинное обучение (сов. бак. ВШЭ-РЭШ 2024)

2024-12-03T22:24:11Z

Skorpachev:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/900069480 Карточка курса и программа.]

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+YV5D12VyN7dmZTcy Чат в телеграме]

[https://forms.gle/Yf3EiF5tw5sCXFnSA Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mhushchyn)

Лекции проходят по вторникам в 16:20 (R406).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [ссылка Чат] || R504 || среда, 11:10
|-
| МО-2 || [https://t.me/horror_in_black Александра Коган] || [ссылка Чат] || R407 || пятница, 09:30
|-
| МО-3 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [ссылка Чат] || S224 || суббота, 14:40
|-
|}

=== Учебные ассистенты (ТУДУ) ===

{| class="wikitable"
|-
! Учебный ассистент
|-
| [https://t.me/vorrrishka Милана Арсентьева]
|-
| [https://t.me/astiukhin Антон Стюхин]
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.6 * ДЗ + 0.2 * КР + 0.2 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

Условие выставления автомата: (ДЗ >=6 and КР >= 6)

В случае автомата итоговая оценка считается так:

Oитоговая = Округление((0.6 * ДЗ + 0.2 * КР) / 0.8)

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture03-grad.pdf Слайды]]

'''Лекция 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture04-logreg.pdf Слайды]]

'''Лекция 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture05-metrics.pdf Слайды]]

'''Лекция 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture06-trees.pdf Слайды]]

'''Лекция 7.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture07-bagging.pdf Слайды]]

'''Лекция 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture08-boosting.pdf Слайды]]

'''Лекция 9.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture09-texts.pdf Слайды]]

'''Лекция 10.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture10-features.pdf Слайды]]

'''Лекция 11.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture11-clustering.pdf Слайды]]

'''Лекция 12.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture12-nn.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar02/linear_regression_intro.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar02/linear_regression_intro.ipynb Colab]]

'''Семинар 3.''' Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar03/lin_reg_SGD.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar03/lin_reg_SGD.ipynb Colab]]

'''Семинар 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar04/logreg.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar04/logreg.ipynb Colab]]

'''Семинар 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar05/seminar05_quality.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar05/seminar05_quality.ipynb Colab]]

'''Семинар 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar06/sem06_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar06/sem06_trees.ipynb Colab]]

'''Семинар 7.''' Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar07/sem07_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar07/sem07_rf.ipynb Colab]]

'''Семинар 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar08/sem08_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar08/sem08_boosting.ipynb Colab]]

'''Семинар 9.''' Обработка текстовых данных. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar09/sem09_texts.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar09/sem09_texts.ipynb Colab]]

'''Семинар 10.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar10/sem10_features_pca.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar10/sem10_features_pca.ipynb Colab]]

'''Семинар 11.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar11/sem11_clustering.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar11/sem11_clustering.ipynb Colab]]

'''Семинар 12.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar12/sem12_pytorch.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar12/sem12_pytorch.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob.

'''Мягкий дедлайн''': 01 октября 2024 года 23:59

'''Дедлайн''': 05 октября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 12 октября 2024 года 23:59

'''Дедлайн''': 16 октября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_2.ipynb

===Задание 3. Логистическая регрессия. ===
Вам предстоит реализовать логистическую регрессию с оптимизацией параметров методом градиентного спуска и немного поупражняться с подсчетом метрик качества классифифкации на синтетическом наборе данных.

'''Мягкий дедлайн''': 1 ноября 2024 года 23:59

'''Дедлайн''': 4 ноября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья ===
Вам предстоит освоить работу с решающими деревьями на примере задач классификации.

'''Мягкий дедлайн''': 21 ноября 2024 года 23:59

'''Дедлайн''': 25 ноября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_4

===Задание 5. Композиции алгоритмов ===
В этом задании вам нужно решить несколько задач по ансамблям моделей.

'''Мягкий дедлайн''': 9 декабря 2024 года 23:59

'''Дедлайн''': 12 декабря 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_5.ipynb

== Контрольная работа ==

[[https://disk.yandex.ru/i/nupFNBkhOktOpw Вопросы и задачи к контрольной работе (мидтерму) 2024)]]

'''Дата проведения:''' 12 ноября 2024 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 8 вопросов и 2 задачи из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===
[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2023) Страница курса 2023 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2024)

2024-11-19T21:44:55Z

Skorpachev:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/900069480 Карточка курса и программа.]

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+YV5D12VyN7dmZTcy Чат в телеграме]

[https://forms.gle/Yf3EiF5tw5sCXFnSA Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mhushchyn)

Лекции проходят по вторникам в 16:20 (R406).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [ссылка Чат] || R504 || среда, 11:10
|-
| МО-2 || [https://t.me/horror_in_black Александра Коган] || [ссылка Чат] || R407 || пятница, 09:30
|-
| МО-3 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [ссылка Чат] || S224 || суббота, 14:40
|-
|}

=== Учебные ассистенты (ТУДУ) ===

{| class="wikitable"
|-
! Учебный ассистент
|-
| [https://t.me/vorrrishka Милана Арсентьева]
|-
| [https://t.me/astiukhin Антон Стюхин]
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.6 * ДЗ + 0.2 * КР + 0.2 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

Условие выставления автомата: (ДЗ >=6 and КР >= 6)

В случае автомата итоговая оценка считается так:

Oитоговая = Округление((0.6 * ДЗ + 0.2 * КР) / 0.8)

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture03-grad.pdf Слайды]]

'''Лекция 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture04-logreg.pdf Слайды]]

'''Лекция 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture05-metrics.pdf Слайды]]

'''Лекция 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture06-trees.pdf Слайды]]

'''Лекция 7.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture07-bagging.pdf Слайды]]

'''Лекция 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture08-boosting.pdf Слайды]]

'''Лекция 9.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture09-texts.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar02/linear_regression_intro.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar02/linear_regression_intro.ipynb Colab]]

'''Семинар 3.''' Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar03/lin_reg_SGD.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar03/lin_reg_SGD.ipynb Colab]]

'''Семинар 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar04/logreg.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar04/logreg.ipynb Colab]]

'''Семинар 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar05/seminar05_quality.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar05/seminar05_quality.ipynb Colab]]

'''Семинар 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar06/sem06_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar06/sem06_trees.ipynb Colab]]

'''Семинар 7.''' Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar07/sem07_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar07/sem07_rf.ipynb Colab]]

'''Семинар 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar08/sem08_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar08/sem08_boosting.ipynb Colab]]

'''Семинар 9.''' Обработка текстовых данных. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar09/sem09_texts.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar09/sem09_texts.ipynb Colab]]

'''Семинар 10.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar10/sem10_features_pca.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar10/sem10_features_pca.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob.

'''Мягкий дедлайн''': 01 октября 2024 года 23:59

'''Дедлайн''': 05 октября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 12 октября 2024 года 23:59

'''Дедлайн''': 16 октября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_2.ipynb

===Задание 3. Логистическая регрессия. ===
Вам предстоит реализовать логистическую регрессию с оптимизацией параметров методом градиентного спуска и немного поупражняться с подсчетом метрик качества классифифкации на синтетическом наборе данных.

'''Мягкий дедлайн''': 1 ноября 2024 года 23:59

'''Дедлайн''': 4 ноября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья ===
Вам предстоит освоить работу с решающими деревьями на примере задач классификации.

'''Мягкий дедлайн''': 21 ноября 2024 года 23:59

'''Дедлайн''': 25 ноября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_4

== Контрольная работа ==

[[https://disk.yandex.ru/i/nupFNBkhOktOpw Вопросы и задачи к контрольной работе (мидтерму) 2024)]]

'''Дата проведения:''' 12 ноября 2024 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 8 вопросов и 2 задачи из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===
[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2023) Страница курса 2023 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2024)

2024-11-06T22:34:54Z

Skorpachev:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/900069480 Карточка курса и программа.]

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+YV5D12VyN7dmZTcy Чат в телеграме]

[https://forms.gle/Yf3EiF5tw5sCXFnSA Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mhushchyn)

Лекции проходят по вторникам в 16:20 (R406).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [ссылка Чат] || R504 || среда, 11:10
|-
| МО-2 || [https://t.me/horror_in_black Александра Коган] || [ссылка Чат] || R407 || пятница, 09:30
|-
| МО-3 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [ссылка Чат] || S224 || суббота, 14:40
|-
|}

=== Учебные ассистенты (ТУДУ) ===

{| class="wikitable"
|-
! Учебный ассистент
|-
| [https://t.me/vorrrishka Милана Арсентьева]
|-
| [https://t.me/astiukhin Антон Стюхин]
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.6 * ДЗ + 0.2 * КР + 0.2 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

Условие выставления автомата: (ДЗ >=6 and КР >= 6)

В случае автомата итоговая оценка считается так:

Oитоговая = Округление((0.6 * ДЗ + 0.2 * КР) / 0.8)

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture03-grad.pdf Слайды]]

'''Лекция 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture04-logreg.pdf Слайды]]

'''Лекция 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture05-metrics.pdf Слайды]]

'''Лекция 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture06-trees.pdf Слайды]]

'''Лекция 7.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture07-bagging.pdf Слайды]]

'''Лекция 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture08-boosting.pdf Слайды]]

'''Лекция 9.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture09-texts.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar02/linear_regression_intro.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar02/linear_regression_intro.ipynb Colab]]

'''Семинар 3.''' Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar03/lin_reg_SGD.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar03/lin_reg_SGD.ipynb Colab]]

'''Семинар 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar04/logreg.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar04/logreg.ipynb Colab]]

'''Семинар 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar05/seminar05_quality.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar05/seminar05_quality.ipynb Colab]]

'''Семинар 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar06/sem06_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar06/sem06_trees.ipynb Colab]]

'''Семинар 7.''' Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar07/sem07_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar07/sem07_rf.ipynb Colab]]

'''Семинар 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar08/sem08_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar08/sem08_boosting.ipynb Colab]]

'''Семинар 9.''' Обработка текстовых данных. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar09/sem09_texts.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar09/sem09_texts.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob.

'''Мягкий дедлайн''': 01 октября 2024 года 23:59

'''Дедлайн''': 05 октября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 12 октября 2024 года 23:59

'''Дедлайн''': 16 октября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_2.ipynb

===Задание 3. Логистическая регрессия. ===
Вам предстоит реализовать логистическую регрессию с оптимизацией параметров методом градиентного спуска и немного поупражняться с подсчетом метрик качества классифифкации на синтетическом наборе данных.

'''Мягкий дедлайн''': 1 ноября 2024 года 23:59

'''Дедлайн''': 4 ноября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья ===
Вам предстоит освоить работу с решающими деревьями на примере задач классификации.

'''Мягкий дедлайн''': 21 ноября 2024 года 23:59

'''Дедлайн''': 25 ноября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_4

== Контрольная работа ==

[[https://disk.yandex.ru/i/nupFNBkhOktOpw Вопросы и задачи к контрольной работе (мидтерму) 2024)]]

'''Дата проведения:''' 12 ноября 2024 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 8 вопросов и 2 задачи из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===
[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2023) Страница курса 2023 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2024)

2024-11-06T22:32:58Z

Skorpachev:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/900069480 Карточка курса и программа.]

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+YV5D12VyN7dmZTcy Чат в телеграме]

[https://forms.gle/Yf3EiF5tw5sCXFnSA Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mhushchyn)

Лекции проходят по вторникам в 16:20 (R406).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [ссылка Чат] || R504 || среда, 11:10
|-
| МО-2 || [https://t.me/horror_in_black Александра Коган] || [ссылка Чат] || R407 || пятница, 09:30
|-
| МО-3 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [ссылка Чат] || S224 || суббота, 14:40
|-
|}

=== Учебные ассистенты (ТУДУ) ===

{| class="wikitable"
|-
! Учебный ассистент
|-
| [https://t.me/vorrrishka Милана Арсентьева]
|-
| [https://t.me/astiukhin Антон Стюхин]
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.6 * ДЗ + 0.2 * КР + 0.2 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

Условие выставления автомата: (ДЗ >=6 and КР >= 6)

В случае автомата итоговая оценка считается так:

Oитоговая = Округление((0.6 * ДЗ + 0.2 * КР) / 0.8)

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture03-grad.pdf Слайды]]

'''Лекция 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture04-logreg.pdf Слайды]]

'''Лекция 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture05-metrics.pdf Слайды]]

'''Лекция 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture06-trees.pdf Слайды]]

'''Лекция 7.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture07-bagging.pdf Слайды]]

'''Лекция 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture08-boosting.pdf Слайды]]

'''Лекция 9.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/lectures/lecture09-texts.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar02/linear_regression_intro.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar02/linear_regression_intro.ipynb Colab]]

'''Семинар 3.''' Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar03/lin_reg_SGD.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar03/lin_reg_SGD.ipynb Colab]]

'''Семинар 4.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar04/logreg.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar04/logreg.ipynb Colab]]

'''Семинар 5.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar05/seminar05_quality.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar05/seminar05_quality.ipynb Colab]]

'''Семинар 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar06/sem06_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar06/sem06_trees.ipynb Colab]]

'''Семинар 7.''' Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar07/sem07_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar07/sem07_rf.ipynb Colab]]

'''Семинар 8.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar08/sem08_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar08/sem08_boosting.ipynb Colab]]

'''Семинар 9.''' Обработка текстовых данных. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar09/sem09_texts.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar09/sem09_texts.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob.

'''Мягкий дедлайн''': 01 октября 2024 года 23:59

'''Дедлайн''': 05 октября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 12 октября 2024 года 23:59

'''Дедлайн''': 16 октября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_2.ipynb

===Задание 3. Логистическая регрессия. ===
Вам предстоит реализовать логистическую регрессию с оптимизацией параметров методом градиентного спуска и немного поупражняться с подсчетом метрик качества классифифкации на синтетическом наборе данных.

'''Мягкий дедлайн''': 1 ноября 2024 года 23:59

'''Дедлайн''': 4 ноября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья ===
Вам предстоит освоить работу с решающими деревьями на примере задачи классификации.

'''Мягкий дедлайн''': 21 ноября 2024 года 23:59

'''Дедлайн''': 25 ноября 2024 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_4

== Контрольная работа ==

[[https://disk.yandex.ru/i/nupFNBkhOktOpw Вопросы и задачи к контрольной работе (мидтерму) 2024)]]

'''Дата проведения:''' 12 ноября 2024 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 8 вопросов и 2 задачи из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===
[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2023) Страница курса 2023 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2024)

2024-10-08T20:26:23Z

Skorpachev:

Машинное обучение (сов. бак. ВШЭ-РЭШ 2024)

2024-09-27T18:21:02Z

Skorpachev:

Машинное обучение (сов. бак. ВШЭ-РЭШ 2024)

2024-09-27T18:19:47Z

Skorpachev:

Машинное обучение (сов. бак. ВШЭ-РЭШ 2024)

2024-09-25T05:41:43Z

Skorpachev:

Машинное обучение (сов. бак. ВШЭ-РЭШ 2024)

2024-09-03T19:14:25Z

Skorpachev:

Машинное обучение (сов. бак. ВШЭ-РЭШ 2023)

2023-12-13T08:18:56Z

Skorpachev:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/339942759 Карточка курса и программа.] (TODO: Обновить)

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+NyuAxz-2HFsyM2My Чат в телеграме]

[https://forms.gle/JjUw8oEVxDukhPEF8 Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mikhail_h91)

Лекции проходят по вторникам в 16:20 (R205).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [https://t.me/s_pirogova Софья Пирогова]|| [https://t.me/+qgjzy_kRhIU1Zjcy Чат] || R506 || среда, 14:40
|-
| МО-2 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [https://t.me/metraats Артём Станкевич]|| [https://t.me/+5s28KFwIWMpmNGFi Чат] || R308 || суббота, 14:40
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.5 * ДЗ + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила выставления автомата ===

Условие выставления автомата: (ДЗ >=6 and КР >= 6)

В случае автомата итоговая оценка считается так:

Oитоговая = Округление((0.5 * ДЗ + 0.2 * КР) / 0.7)

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture03-logreg.pdf Слайды]]

'''Лекция 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture04-metrics.pdf Слайды]]

'''Лекция 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture05-trees.pdf Слайды]]

'''Лекция 6.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture06-bagging.pdf Слайды]]

'''Лекция 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture07-boosting.pdf Слайды]]

'''Лекция 8.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture08-texts.pdf Слайды]]

'''Лекция 9.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture09-features.pdf Слайды]]

'''Лекция 10.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture10-clustering.pdf Слайды]]

'''Лекция 11.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture11-networks.pdf Слайды]]

'''Лекция 12.''' Анализ изображений. Сверточные нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture12-nn.pdf Слайды]]

'''Лекция 13.''' Рекомендательные системы. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture13-recsys.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Colab]]

'''Семинар 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Colab]]

'''Семинар 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Colab]]

'''Семинар 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Colab]]

'''Семинар 6.''' Ансамбли деревьев. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Colab]]

'''Семинар 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Colab]]

'''Семинар 8.''' Введение в анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar08/seminar8_nlp.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar08/seminar8_nlp.ipynb Colab]]

'''Семинар 9.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar09/sem09_features_pca.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar09/sem09_features_pca.ipynb Colab]]

'''Семинар 10.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar10/sem10_clustering.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar10/sem10_clustering.ipynb Colab]]

'''Семинар 11.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar11/sem11_pytorch.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar11/sem11_pytorch.ipynb Colab]]

'''Семинар 12.''' Анализ изображений. Сверточные нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar12/sem12_cnn.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar12/sem12_cnn.ipynb Colab]]

'''Семинар 13.''' Рекомендательные системы. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar13/sem13_recsys.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar13/sem13_recsys.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob, а также написать свою линейную регрессию.

'''Мягкий дедлайн''': 25 сентября 2023 года 23:59

'''Дедлайн''': 28 сентября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 02 октября 2023 года 23:59

'''Дедлайн''': 05 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_2.pdf

===Задание 3. Логистическая регрессия ===
Вам предстоит решить несколько задач на реализацию метода логистической регрессии и оценки качества классификации.

'''Мягкий дедлайн''': 16 октября 2023 года 23:59

'''Дедлайн''': 19 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья ===
Вам предстоит реализовать разбиение элементов выборки в вершине дерева.

'''Мягкий дедлайн''': 30 октября 2023 года 23:59

'''Дедлайн''': 02 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_4.ipynb

===Задание 5. Композиции алгоритмов ===
В этом задании вам нужно решить несколько задач по ансамблям моделей.

'''Мягкий дедлайн''': 06 ноября 2023 года 23:59

'''Дедлайн''': 09 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_5.pdf

===Задание 6. Бустинг ===
Вам предстоит реализовать упрощенный вариант градиентного бутсинга для задачи регрессии.

'''Мягкий дедлайн''': 20 ноября 2023 года 23:59

'''Дедлайн''': 23 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_6.ipynb

===Задание 7. Категориальные признаки ===
Вам предстоит освоить работу с категориальными признаками.

'''Мягкий дедлайн''': 01 декабря 2023 года 23:59

'''Дедлайн''': 04 декабря 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_7.ipynb

===Задание 8. Отбор признаков и метод главных компонент ===
Вам предстоит выполнить несколько заданий по отбору признаков и уменьшению размерности.

'''Мягкий дедлайн''': 11 декабря 2023 года 23:59

'''Дедлайн''': 14 декабря 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_8.ipynb

== Контрольная работа ==

[[https://disk.yandex.ru/i/KBgVZXLEsOW2JQ Вопросы и задачи к контрольной работе (мидтерму) 2023)]]

'''Дата проведения:''' 14 ноября 2023 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 8 вопросов и 2 задачи из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

[[https://disk.yandex.ru/i/5TcDX-PaWy8V2A Вопросы к экзамену 2023]]

'''Дата проведения:''' 19 декабря 2023 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 10 вопросов из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2023)

2023-11-28T22:59:33Z

Skorpachev:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/339942759 Карточка курса и программа.] (TODO: Обновить)

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+NyuAxz-2HFsyM2My Чат в телеграме]

[https://forms.gle/JjUw8oEVxDukhPEF8 Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mikhail_h91)

Лекции проходят по вторникам в 16:20 (R205).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [https://t.me/s_pirogova Софья Пирогова]|| [https://t.me/+qgjzy_kRhIU1Zjcy Чат] || R506 || среда, 14:40
|-
| МО-2 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [https://t.me/metraats Артём Станкевич]|| [https://t.me/+5s28KFwIWMpmNGFi Чат] || R308 || суббота, 14:40
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.5 * ДЗ + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture03-logreg.pdf Слайды]]

'''Лекция 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture04-metrics.pdf Слайды]]

'''Лекция 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture05-trees.pdf Слайды]]

'''Лекция 6.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture06-bagging.pdf Слайды]]

'''Лекция 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture07-boosting.pdf Слайды]]

'''Лекция 8.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture08-texts.pdf Слайды]]

'''Лекция 9.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture09-features.pdf Слайды]]

'''Лекция 10.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture10-clustering.pdf Слайды]]

'''Лекция 11.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture11-networks.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Colab]]

'''Семинар 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Colab]]

'''Семинар 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Colab]]

'''Семинар 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Colab]]

'''Семинар 6.''' Ансамбли деревьев. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Colab]]

'''Семинар 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Colab]]

'''Семинар 8.''' Введение в анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar08/seminar8_nlp.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar08/seminar8_nlp.ipynb Colab]]

'''Семинар 9.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar09/sem09_features_pca.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar09/sem09_features_pca.ipynb Colab]]

'''Семинар 10.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar10/sem10_clustering.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar10/sem10_clustering.ipynb Colab]]

'''Семинар 11.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar11/sem11_pytorch.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar11/sem11_pytorch.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob, а также написать свою линейную регрессию.

'''Мягкий дедлайн''': 25 сентября 2023 года 23:59

'''Дедлайн''': 28 сентября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 02 октября 2023 года 23:59

'''Дедлайн''': 05 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_2.pdf

===Задание 3. Логистическая регрессия ===
Вам предстоит решить несколько задач на реализацию метода логистической регрессии и оценки качества классификации.

'''Мягкий дедлайн''': 16 октября 2023 года 23:59

'''Дедлайн''': 19 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья ===
Вам предстоит реализовать разбиение элементов выборки в вершине дерева.

'''Мягкий дедлайн''': 30 октября 2023 года 23:59

'''Дедлайн''': 02 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_4.ipynb

===Задание 5. Композиции алгоритмов ===
В этом задании вам нужно решить несколько задач по ансамблям моделей.

'''Мягкий дедлайн''': 06 ноября 2023 года 23:59

'''Дедлайн''': 09 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_5.pdf

===Задание 6. Бустинг ===
Вам предстоит реализовать упрощенный вариант градиентного бутсинга для задачи регрессии.

'''Мягкий дедлайн''': 20 ноября 2023 года 23:59

'''Дедлайн''': 23 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_6.ipynb

===Задание 7. Категориальные признаки ===
Вам предстоит освоить работу с категориальными признаками.

'''Мягкий дедлайн''': 01 декабря 2023 года 23:59

'''Дедлайн''': 04 декабря 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_7.ipynb

== Контрольная работа ==

[[https://disk.yandex.ru/i/KBgVZXLEsOW2JQ Вопросы и задачи к контрольной работе (мидтерму) 2023)]]

'''Дата проведения:''' 14 ноября 2023 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 8 вопросов и 2 задачи из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

[[https://docs.google.com/document/d/1kAQxRWS07-b4qgHEhuxcM7tDjRaLkrydjFWCyBKUGXQ/edit?usp=sharing Вопросы к экзамену 2022]]

Порядок проведения контрольной работы и экзамена:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои Ф.И.О. и группу.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию экзамена:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2023)

2023-11-17T12:43:10Z

Skorpachev:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/339942759 Карточка курса и программа.] (TODO: Обновить)

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+NyuAxz-2HFsyM2My Чат в телеграме]

[https://forms.gle/JjUw8oEVxDukhPEF8 Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mikhail_h91)

Лекции проходят по вторникам в 16:20 (R205).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [https://t.me/s_pirogova Софья Пирогова]|| [https://t.me/+qgjzy_kRhIU1Zjcy Чат] || R506 || среда, 14:40
|-
| МО-2 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [https://t.me/metraats Артём Станкевич]|| [https://t.me/+5s28KFwIWMpmNGFi Чат] || R308 || суббота, 14:40
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.5 * ДЗ + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture03-logreg.pdf Слайды]]

'''Лекция 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture04-metrics.pdf Слайды]]

'''Лекция 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture05-trees.pdf Слайды]]

'''Лекция 6.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture06-bagging.pdf Слайды]]

'''Лекция 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture07-boosting.pdf Слайды]]

'''Лекция 8.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture08-texts.pdf Слайды]]

'''Лекция 9.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture09-features.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Colab]]

'''Семинар 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Colab]]

'''Семинар 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Colab]]

'''Семинар 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Colab]]

'''Семинар 6.''' Ансамбли деревьев. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Colab]]

'''Семинар 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Colab]]

'''Семинар 8.''' Введение в анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar08/seminar8_nlp.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar08/seminar8_nlp.ipynb Colab]]

'''Семинар 9.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar09/sem09_features_pca.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar09/sem09_features_pca.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob, а также написать свою линейную регрессию.

'''Мягкий дедлайн''': 25 сентября 2023 года 23:59

'''Дедлайн''': 28 сентября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 02 октября 2023 года 23:59

'''Дедлайн''': 05 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_2.pdf

===Задание 3. Логистическая регрессия ===
Вам предстоит решить несколько задач на реализацию метода логистической регрессии и оценки качества классификации.

'''Мягкий дедлайн''': 16 октября 2023 года 23:59

'''Дедлайн''': 19 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья ===
Вам предстоит реализовать разбиение элементов выборки в вершине дерева.

'''Мягкий дедлайн''': 30 октября 2023 года 23:59

'''Дедлайн''': 02 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_4.ipynb

===Задание 5. Композиции алгоритмов ===
В этом задании вам нужно решить несколько задач по ансамблям моделей.

'''Мягкий дедлайн''': 06 ноября 2023 года 23:59

'''Дедлайн''': 09 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_5.pdf

===Задание 6. Бустинг ===
Вам предстоит реализовать упрощенный вариант градиентного бутсинга для задачи регрессии.

'''Мягкий дедлайн''': 20 ноября 2023 года 23:59

'''Дедлайн''': 23 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_6.ipynb

===Задание 7. Категориальные признаки ===
Вам предстоит освоить работу с категориальными признаками.

'''Мягкий дедлайн''': 01 декабря 2023 года 23:59

'''Дедлайн''': 04 декабря 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_7.ipynb

== Контрольная работа ==

[[https://disk.yandex.ru/i/KBgVZXLEsOW2JQ Вопросы и задачи к контрольной работе (мидтерму) 2023)]]

'''Дата проведения:''' 14 ноября 2023 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 8 вопросов и 2 задачи из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

[[https://docs.google.com/document/d/1kAQxRWS07-b4qgHEhuxcM7tDjRaLkrydjFWCyBKUGXQ/edit?usp=sharing Вопросы к экзамену 2022]]

Порядок проведения контрольной работы и экзамена:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои Ф.И.О. и группу.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию экзамена:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2023)

2023-11-08T06:30:18Z

Skorpachev:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/339942759 Карточка курса и программа.] (TODO: Обновить)

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+NyuAxz-2HFsyM2My Чат в телеграме]

[https://forms.gle/JjUw8oEVxDukhPEF8 Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mikhail_h91)

Лекции проходят по вторникам в 16:20 (R205).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [https://t.me/s_pirogova Софья Пирогова]|| [https://t.me/+qgjzy_kRhIU1Zjcy Чат] || R506 || среда, 14:40
|-
| МО-2 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [https://t.me/metraats Артём Станкевич]|| [https://t.me/+5s28KFwIWMpmNGFi Чат] || R308 || суббота, 14:40
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.5 * ДЗ + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture03-logreg.pdf Слайды]]

'''Лекция 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture04-metrics.pdf Слайды]]

'''Лекция 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture05-trees.pdf Слайды]]

'''Лекция 6.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture06-bagging.pdf Слайды]]

'''Лекция 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture07-boosting.pdf Слайды]]

'''Лекция 8.''' Категориальные признаки. Анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture08-texts.pdf Слайды]]

'''Лекция 9.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture09-features.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Colab]]

'''Семинар 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Colab]]

'''Семинар 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Colab]]

'''Семинар 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Colab]]

'''Семинар 6.''' Ансамбли деревьев. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Colab]]

'''Семинар 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Colab]]

'''Семинар 8.''' Введение в анализ текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar08/seminar8_nlp.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar08/seminar8_nlp.ipynb Colab]]

'''Семинар 9.''' Отбор признаков. Уменьшение размерности. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar09/sem09_features_pca.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar09/sem09_features_pca.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob, а также написать свою линейную регрессию.

'''Мягкий дедлайн''': 25 сентября 2023 года 23:59

'''Дедлайн''': 28 сентября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 02 октября 2023 года 23:59

'''Дедлайн''': 05 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_2.pdf

===Задание 3. Логистическая регрессия ===
Вам предстоит решить несколько задач на реализацию метода логистической регрессии и оценки качества классификации.

'''Мягкий дедлайн''': 16 октября 2023 года 23:59

'''Дедлайн''': 19 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья ===
Вам предстоит реализовать разбиение элементов выборки в вершине дерева.

'''Мягкий дедлайн''': 30 октября 2023 года 23:59

'''Дедлайн''': 02 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_4.ipynb

===Задание 5. Композиции алгоритмов ===
В этом задании вам нужно решить несколько задач по ансамблям моделей.

'''Мягкий дедлайн''': 06 ноября 2023 года 23:59

'''Дедлайн''': 09 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_5.pdf

===Задание 6. Бустинг ===
Вам предстоит реализовать упрощенный вариант градиентного бутсинга для задачи регрессии.

'''Мягкий дедлайн''': 20 ноября 2023 года 23:59

'''Дедлайн''': 23 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_6. ipynb

== Контрольная работа ==

[[https://disk.yandex.ru/i/KBgVZXLEsOW2JQ Вопросы и задачи к контрольной работе (мидтерму) 2023)]]

'''Дата проведения:''' 14 ноября 2023 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 8 вопросов и 2 задачи из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

[[https://docs.google.com/document/d/1kAQxRWS07-b4qgHEhuxcM7tDjRaLkrydjFWCyBKUGXQ/edit?usp=sharing Вопросы к экзамену 2022]]

Порядок проведения контрольной работы и экзамена:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои Ф.И.О. и группу.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию экзамена:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2023)

2023-10-17T19:55:33Z

Skorpachev:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/339942759 Карточка курса и программа.] (TODO: Обновить)

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+NyuAxz-2HFsyM2My Чат в телеграме]

[https://forms.gle/JjUw8oEVxDukhPEF8 Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mikhail_h91)

Лекции проходят по вторникам в 16:20 (R205).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [https://t.me/s_pirogova Софья Пирогова]|| [https://t.me/+qgjzy_kRhIU1Zjcy Чат] || R506 || среда, 14:40
|-
| МО-2 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [https://t.me/metraats Артём Станкевич]|| [https://t.me/+5s28KFwIWMpmNGFi Чат] || R308 || суббота, 14:40
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.5 * ДЗ + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture03-logreg.pdf Слайды]]

'''Лекция 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture04-metrics.pdf Слайды]]

'''Лекция 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture05-trees.pdf Слайды]]

'''Лекция 6.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture06-bagging.pdf Слайды]]

'''Лекция 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture07-boosting.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Colab]]

'''Семинар 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Colab]]

'''Семинар 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Colab]]

'''Семинар 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Colab]]

'''Семинар 6.''' Ансамбли деревьев. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Colab]]

'''Семинар 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob, а также написать свою линейную регрессию.

'''Мягкий дедлайн''': 25 сентября 2023 года 23:59

'''Дедлайн''': 28 сентября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 02 октября 2023 года 23:59

'''Дедлайн''': 05 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_2.pdf

===Задание 3. Логистическая регрессия ===
Вам предстоит решить несколько задач на реализацию метода логистической регрессии и оценки качества классификации.

'''Мягкий дедлайн''': 16 октября 2023 года 23:59

'''Дедлайн''': 19 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья ===
Вам предстоит реализовать разбиение элементов выборки в вершине дерева.

'''Мягкий дедлайн''': 23 октября 2023 года 23:59

'''Дедлайн''': 26 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_4.ipynb

===Задание 5. Композиции алгоритмов ===
В этом задании вам нужно решить несколько задач по ансамблям моделей.

'''Мягкий дедлайн''': 30 октября 2023 года 23:59

'''Дедлайн''': 02 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_5.pdf

== Контрольная работа ==

[[https://drive.google.com/file/d/1XSuR3bAh9ve33KZXtrGlp7q4jyN9CxT4/view?usp=sharing Вопросы к контрольной работе (мидтерму) 2022)]]

Порядок проведения контрольной работы и экзамена:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать следующую фразу:
"Настоящим подтверждаю, что я, Ф.И.О., внимательно изучил и понял все требования к данной контрольной работе и готов их выполнить. Подпись, расшифровка, число". Работы без данной подписи приниматься не будут.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

[[https://docs.google.com/document/d/1kAQxRWS07-b4qgHEhuxcM7tDjRaLkrydjFWCyBKUGXQ/edit?usp=sharing Вопросы к экзамену 2022]]

Порядок проведения контрольной работы и экзамена:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои Ф.И.О. и группу.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию экзамена:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2023)

2023-10-17T19:54:58Z

Skorpachev:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/339942759 Карточка курса и программа.] (TODO: Обновить)

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+NyuAxz-2HFsyM2My Чат в телеграме]

[https://forms.gle/JjUw8oEVxDukhPEF8 Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mikhail_h91)

Лекции проходят по вторникам в 16:20 (R205).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [https://t.me/s_pirogova Софья Пирогова]|| [https://t.me/+qgjzy_kRhIU1Zjcy Чат] || R506 || среда, 14:40
|-
| МО-2 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [https://t.me/metraats Артём Станкевич]|| [https://t.me/+5s28KFwIWMpmNGFi Чат] || R308 || суббота, 14:40
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.5 * ДЗ + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture03-logreg.pdf Слайды]]

'''Лекция 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture04-metrics.pdf Слайды]]

'''Лекция 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture05-trees.pdf Слайды]]

'''Лекция 6.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture06-bagging.pdf Слайды]]

'''Лекция 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture07-boosting.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Colab]]

'''Семинар 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Colab]]

'''Семинар 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Colab]]

'''Семинар 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Colab]]

'''Семинар 6.''' Ансамбли деревьев. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Colab]]

'''Семинар 7.''' Градиентный бустинг. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Тетрадка]]
[[https://colab.research.google.com/github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar07/sem07_boosting.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob, а также написать свою линейную регрессию.

'''Мягкий дедлайн''': 25 сентября 2023 года 23:59

'''Дедлайн''': 28 сентября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 02 октября 2023 года 23:59

'''Дедлайн''': 05 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_2.pdf

===Задание 3. Логистическая регрессия ===
Вам предстоит решить несколько задач на реализацию метода логистической регрессии и оценки качества классификации.

'''Мягкий дедлайн''': 16 октября 2023 года 23:59

'''Дедлайн''': 19 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья ===
Вам предстоит реализовать разбиение элементов выборки в вершине дерева.

'''Мягкий дедлайн''': 23 октября 2023 года 23:59

'''Дедлайн''': 26 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_4.ipynb

===Задание 5. Композиции алгоритмов ===
В этом задании вам нужно решить несколько задач по ансамблям моделей.

'''Мягкий дедлайн''': 30 октября 2023 года 23:59

'''Дедлайн''': 02 ноября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_5.pdf

== Контрольная работа ==

[[https://drive.google.com/file/d/1XSuR3bAh9ve33KZXtrGlp7q4jyN9CxT4/view?usp=sharing Вопросы к контрольной работе (мидтерму) 2022)]]

Порядок проведения контрольной работы и экзамена:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать следующую фразу:
"Настоящим подтверждаю, что я, Ф.И.О., внимательно изучил и понял все требования к данной контрольной работе и готов их выполнить. Подпись, расшифровка, число". Работы без данной подписи приниматься не будут.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

[[https://docs.google.com/document/d/1kAQxRWS07-b4qgHEhuxcM7tDjRaLkrydjFWCyBKUGXQ/edit?usp=sharing Вопросы к экзамену 2022]]

Порядок проведения контрольной работы и экзамена:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои Ф.И.О. и группу.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию экзамена:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2023)

2023-10-11T11:41:03Z

Skorpachev:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/339942759 Карточка курса и программа.] (TODO: Обновить)

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+NyuAxz-2HFsyM2My Чат в телеграме]

[https://forms.gle/JjUw8oEVxDukhPEF8 Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mikhail_h91)

Лекции проходят по вторникам в 16:20 (R205).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [https://t.me/s_pirogova Софья Пирогова]|| [https://t.me/+qgjzy_kRhIU1Zjcy Чат] || R506 || среда, 14:40
|-
| МО-2 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [https://t.me/metraats Артём Станкевич]|| [https://t.me/+5s28KFwIWMpmNGFi Чат] || R308 || суббота, 14:40
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.5 * ДЗ + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture03-logreg.pdf Слайды]]

'''Лекция 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture04-metrics.pdf Слайды]]

'''Лекция 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture05-trees.pdf Слайды]]

'''Лекция 6.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture06-bagging.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Colab]]

'''Семинар 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Colab]]

'''Семинар 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Colab]]

'''Семинар 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Colab]]

'''Семинар 6.''' Ансамбли деревьев. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob, а также написать свою линейную регрессию.

'''Мягкий дедлайн''': 25 сентября 2023 года 23:59

'''Дедлайн''': 28 сентября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 02 октября 2023 года 23:59

'''Дедлайн''': 05 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_2.pdf

===Задание 3. Логистическая регрессия ===
Вам предстоит решить несколько задач на реализацию метода логистической регрессии и оценки качества классификации.

'''Мягкий дедлайн''': 16 октября 2023 года 23:59

'''Дедлайн''': 19 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья ===
Вам предстоит реализовать разбиение элементов выборки в вершине дерева.

'''Мягкий дедлайн''': 23 октября 2023 года 23:59

'''Дедлайн''': 26 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_4.ipynb

== Контрольная работа ==

[[https://drive.google.com/file/d/1XSuR3bAh9ve33KZXtrGlp7q4jyN9CxT4/view?usp=sharing Вопросы к контрольной работе (мидтерму) 2022)]]

Порядок проведения контрольной работы и экзамена:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать следующую фразу:
"Настоящим подтверждаю, что я, Ф.И.О., внимательно изучил и понял все требования к данной контрольной работе и готов их выполнить. Подпись, расшифровка, число". Работы без данной подписи приниматься не будут.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

[[https://docs.google.com/document/d/1kAQxRWS07-b4qgHEhuxcM7tDjRaLkrydjFWCyBKUGXQ/edit?usp=sharing Вопросы к экзамену 2022]]

Порядок проведения контрольной работы и экзамена:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои Ф.И.О. и группу.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию экзамена:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2023)

2023-10-11T11:38:56Z

Skorpachev:

== О курсе ==

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

[https://www.hse.ru/edu/courses/339942759 Карточка курса и программа.] (TODO: Обновить)

[https://github.com/hse-ds/ml-hse-nes Репозиторий с материалами курса на GitHub.]

[https://t.me/+NyuAxz-2HFsyM2My Чат в телеграме]

[https://forms.gle/JjUw8oEVxDukhPEF8 Анонимная форма обратной связи]

=== Лекции ===

Лектор: [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mikhail_h91)

Лекции проходят по вторникам в 16:20 (R205).

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Ссылка на чат !! Аудитория !! Время
|-
| МО-1 || [https://t.me/Vovvy Владимир Бочарников] || [https://t.me/s_pirogova Софья Пирогова]|| [https://t.me/+qgjzy_kRhIU1Zjcy Чат] || R506 || среда, 14:40
|-
| МО-2 || [https://t.me/fedya_dmitriev Сергей Корпачев] || [https://t.me/metraats Артём Станкевич]|| [https://t.me/+5s28KFwIWMpmNGFi Чат] || R308 || суббота, 14:40
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знаний:
* Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
* Контрольная работа в середине курса
* Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.5 * ДЗ + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 1.''' Введение в машинное обучение. KNN. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture01-intro-knn.pdf Слайды]]

'''Лекция 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture02-linreg.pdf Слайды]]

'''Лекция 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture03-logreg.pdf Слайды]]

'''Лекция 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture04-metrics.pdf Слайды]]

'''Лекция 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture05-trees.pdf Слайды]]

'''Лекция 6.''' Композиции алгоритмов. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/lectures/lecture06-bagging.pdf Слайды]]

== Семинары ==

'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]

'''Семинар 2.''' Линейная регрессия. Градиентный спуск. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar02/seminar.ipynb Colab]]

'''Семинар 3.''' Линейная классификация. Логистическая регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar03/sem03_logreg.ipynb Colab]]

'''Семинар 4.''' Метрики качества. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar04/seminar04_quality.ipynb Colab]]

'''Семинар 5.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar05/sem05_trees.ipynb Colab]]

'''Семинар 6.''' Ансамбли деревьев. Случайный лес. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Тетрадка]]
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2023/seminars/seminar06/sem06_rf.ipynb Colab]]

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

===Задание 1. Введение в машинное обучение ===
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob, а также написать свою линейную регрессию.

'''Мягкий дедлайн''': 25 сентября 2023 года 23:59

'''Дедлайн''': 28 сентября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_1.ipynb

===Задание 2. Линейная регрессия. Градиентный спуск. ===
Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

'''Мягкий дедлайн''': 02 октября 2023 года 23:59

'''Дедлайн''': 05 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_2.pdf

===Задание 3. Логистическая регрессия ===
Вам предстоит решить несколько задач на реализацию метода логистической регрессии и оценки качества классификации.

'''Мягкий дедлайн''': 16 октября 2023 года 23:59

'''Дедлайн''': 19 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_3.ipynb

===Задание 4. Решающие деревья. ===
Вам предстоит реализовать разбиение элементов выборки в вершине дерева.

'''Мягкий дедлайн''': 23 октября 2023 года 23:59

'''Дедлайн''': 26 октября 2023 года 23:59

'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_4.ipynb

== Контрольная работа ==

[[https://drive.google.com/file/d/1XSuR3bAh9ve33KZXtrGlp7q4jyN9CxT4/view?usp=sharing Вопросы к контрольной работе (мидтерму) 2022)]]

Порядок проведения контрольной работы и экзамена:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать следующую фразу:
"Настоящим подтверждаю, что я, Ф.И.О., внимательно изучил и понял все требования к данной контрольной работе и готов их выполнить. Подпись, расшифровка, число". Работы без данной подписи приниматься не будут.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

==Экзамен==

[[https://docs.google.com/document/d/1kAQxRWS07-b4qgHEhuxcM7tDjRaLkrydjFWCyBKUGXQ/edit?usp=sharing Вопросы к экзамену 2022]]

Порядок проведения контрольной работы и экзамена:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои Ф.И.О. и группу.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию экзамена:
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

== Дополнительные материалы ==

===Курсы по машинному обучению и анализу данных===
* [https://academy.yandex.ru/handbook/ml Онлайн-учебник по машинному обучению от ШАД]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://openedu.ru/course/hse/INTRML/ Курс на платформе "Открытое образование"]

===Книги===
* [https://link.springer.com/book/10.1007/978-0-387-84858-7 Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009]
* [http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf Rosasco L., Introductory Machine Learning Notes, 2017]
* [https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006]

===Страницы прошлых лет===

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022) Страница курса 2022 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2021) Страница курса 2021 года]

[http://wiki.cs.hse.ru/Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2020) Страница курса 2020 года]

Машинное обучение (сов. бак. ВШЭ-РЭШ 2023)

2023-10-03T13:21:03Z

Skorpachev: