Wiki - Факультет компьютерных наук - Вклад [ru]

Прикладные задачи анализа данных (майнор ИАД)

2020-06-05T08:07:40Z

Skrynnik: /* Задание 5. RL */

== О курсе ==

Курс читается для студентов 3-го курса [https://electives.hse.ru/minor_intel/ майнора ИАД] в 3-4 модулях.

Проводится с 2016 года.

Лекции проходят по четвергам в 10:30 (Покровский бульвар, 11).

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/316531786.html Карточка курса и программа]

[https://github.com/esokolov/ml-minor-hse Репозиторий с материалами на GitHub]

[https://github.com/hse-ds/iad-applied-ds Репозиторий с материалами на GitHub 2020]

Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.minor.dm+<номер группы>@gmail.com (например, hse.minor.dm+3@gmail.com)

Канал в telegram для объявлений: https://telegram.me/hse_minor_intro_dm_2019

Чат в telegram (осторожно, риск флуда и отсутствия ответов на содержательные вопросы): https://t.me/joinchat/A5rlQBSn7ROATFOWGlzRwg

Ссылка на курс в Anytask: https://anytask.org/course/609

Таблица с оценками: https://docs.google.com/spreadsheets/d/1xKah6P9GMiXU2vxjDZKs8gIE0NiA5VXf8Y8F3543VQA/edit?usp=sharing

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Материалы семинаров !! Чат !! Инвайт в anytask
|-
| ИАД-1 || Багиян Нерсес || Головина Мария || https://github.com/hse-ds/iad-applied-ds/tree/master/2020/seminars/ || https://t.me/joinchat/Atx7LkjahH5xBDp6TDnAyQ || 5kijbTe
|-
| ИАД-2 || Ковалёв Алексей Константинович || Бурданова Софья Павловны || https://github.com/alexeykkovalev/hse-minor || || cDOI8EG
|-
| ИАД-3 || Скрынник Алексей Александрович || Балабан Ирина Алексеевна || https://github.com/hse-ds/iad-applied-ds/tree/master/2020/seminars/ || https://t.me/joinchat/A98O_Rb0zyaVIw0pJivlTw || h3Zrxuw
|-
| ИАД-4 || Валиуллин Адель Марсович || Тарасевич Владислав Сергеевич || https://github.com/hse-ds/iad-applied-ds/tree/master/2020 || || Q5Z8kwR
|-
| ИАД-5 || Сафронов Василий Вячеславович || Дешеулин Олег Андреевич || https://github.com/hse-ds/iad-applied-ds/tree/master/2020 || https://t.me/pzad_iad_2020 || 9Y9b0sp
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров
* Практические домашние работы на Python
* Контрольная где-то в середине курса
* Письменный экзамен

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

Oитоговая = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

ПР — средняя оценка за проверочные работы на семинарах

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''' (23.01.2020). Рекомендательные системы. Матричные разложения. Обучение разложений: SGD, ALS, HALS. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture01-recommender.pdf Конспект]]

'''Лекция 2''' (30.01.2020). Неявный фидбек и iALS. Factorization machines. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture02-recommender.pdf Конспект]]

'''Лекция 3''' (06.02.2020). Метрики качества в рекомендательных системах. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture03-recommender.pdf Конспект]]

'''Лекция 4''' (13.02.2020). Статистика: напоминание теорвера, генерация случайных чисел, проверка гипотез и зачем она нужна, примеры использования, основные виды гипотез, основные статистические тесты. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture04-estimation.pdf Конспект]]

'''Лекция 5''' (20.02.2020). Гипотезы, параметрические и немпараметрические критерии [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture05.pdf Слайды]]

'''Лекция 6''' (27.02.2020). Статистика: A/B-тесты, их дизайн, примеры ошибок [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture06.pdf Слайды]]

'''Лекция 7''' (05.03.2020). Временные ряды 1 [[https://www.youtube.com/watch?v=n3dbymVWlAo&feature=youtu.be Запись лекции]]

'''Лекция 8''' (12.03.2020). Временные ряды 2 [[https://www.youtube.com/watch?v=J6dXQVZMiww Запись лекции]]

'''Лекция 9''' (19.03.2020). Поиск аномалий [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture09-anomaly.pdf Конспект]] [[https://www.youtube.com/watch?v=DLqFG3dgH-E Запись вебинара]]

'''Лекция 10''' (26.03.2020). Быстрый поиск ближайших соседей [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture10-knn.pdf Конспект]] [[https://www.youtube.com/watch?v=MeEZOHSPNuo Запись вебинара]] [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture10-knn-notes.pdf Конспект с вебинара]]

'''Лекция 11''' (02.04.2020). Named entity recognition [[https://www.youtube.com/watch?v=4Z0C6tz-4UE Запись вебинара]] [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture11-NER.pdf Слайды]]

'''Лекция 12''' (09.04.2020). Языковые модели [[https://www.youtube.com/watch?v=BH2JPtmcW0k Запись вебинара]]

'''Лекция 13''' (16.04.2020). NLP: диалоговые системы [[https://youtu.be/8u5_LmgBCKA Запись вебинара]]

'''Лекция 14''' (07.05.2020). Байесовские методы [[https://www.youtube.com/watch?v=jjrjDWNTWp0 Запись вебинара]] [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture14-bayes.pdf Слайды]]

== Семинары ==

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна — в этом случае за каждый день просрочки продолжает вычитаться по одному баллу (если не оговорено иное).

===Задание 1. Контест на рекомендации ===

Вам предстоит поработать с логами рекомендательной системы, где для пользователей даны их сессии — документы, которые им были показаны, и реакция на них (клик или его отсутствие). Также для каждого документа известны его заголовок, содержание и уже подготовленный эмбеддинг для картинки из него. Для каждого пользователя дан тестовый набор документов — нужно для каждого из них предсказать, будет ли сделан клик или нет.

Соревнование google collab-only. Оцениваются только решения, полученные как результат работы ноутбука в коллабе, который загружен в anytask.

'''Дедлайн''': 29 февраля 2020 года 03:00

'''Ссылка с инвайтом''': https://www.kaggle.com/t/e37901b9cb7c45d89e884bdcc9795b0e

===Задание 2. A/B тесты===
Вам предстоит попрактиковаться в А/Б тестах и применить статистический аппарат, который вы изучали на лекциях и семинарах.

'''Дедлайн''': 08 апреля 2020 года 23:59

'''Ссылка''': https://github.com/hse-ds/iad-applied-ds/blob/master/2020/hw/HW2_final.ipynb

===Задание 3. Временные ряды===
Вам предстоит поработать с актуальными данными по COVID-19 и предсказать развитие событий c распространением.

'''Дедлайн''': 04 мая 2020 года 23:59

'''Ссылка''': https://github.com/hse-ds/iad-applied-ds/blob/master/2020/hw/HW3.ipynb

===Задание 4. NLP===
Вам предстоит принять участие в соревновании Jigsaw Multilingual Toxic Comment Classification.

'''Дедлайн''': 09 июня 2020 года 07:00

'''Ссылка''': https://docs.google.com/document/d/1QANEgavWuG843DRYlDvcRTH123dW4dJ7RHIi-slx5M0/edit?usp=sharing

===Задание 5. RL===
Вам предстоит реализовать алгоритм DQN и решить с помощью него несколько игр Atari.

'''Дедлайн''': 14 июня 2020 года 23:59

'''Ссылка''': https://github.com/hse-ds/iad-applied-ds/blob/master/2020/hw/HW5.ipynb

== Контрольная работа ==

[https://docs.google.com/document/d/1ATYeY9OmbfVVG4izvWcLFhvRA3HkKfU49cJSKPIzmpg/edit?usp=sharing Вопросы для подготовки]

== Экзамен ==

== Страницы прошлых лет ==

[[Прикладные_задачи_анализа_данных_(майнор_-_весна_2019) | 2018/19 учебный год ]]

[[Прикладные_задачи_анализа_данных_(майнор_-_весна_2018) | 2017/18 учебный год ]]

[[Майнор_Интеллектуальный_анализ_данных/Прикладные_задачи_анализа_данных | 2016/17 учебный год ]]

[[Category:Майнор "Интеллектуальный анализ данных"]]

Прикладные задачи анализа данных (майнор ИАД)

2020-06-05T08:00:25Z

Skrynnik: /* Практические задания */

== О курсе ==

Курс читается для студентов 3-го курса [https://electives.hse.ru/minor_intel/ майнора ИАД] в 3-4 модулях.

Проводится с 2016 года.

Лекции проходят по четвергам в 10:30 (Покровский бульвар, 11).

=== Полезные ссылки ===

[https://www.hse.ru/ba/ami/courses/316531786.html Карточка курса и программа]

[https://github.com/esokolov/ml-minor-hse Репозиторий с материалами на GitHub]

[https://github.com/hse-ds/iad-applied-ds Репозиторий с материалами на GitHub 2020]

Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.minor.dm+<номер группы>@gmail.com (например, hse.minor.dm+3@gmail.com)

Канал в telegram для объявлений: https://telegram.me/hse_minor_intro_dm_2019

Чат в telegram (осторожно, риск флуда и отсутствия ответов на содержательные вопросы): https://t.me/joinchat/A5rlQBSn7ROATFOWGlzRwg

Ссылка на курс в Anytask: https://anytask.org/course/609

Таблица с оценками: https://docs.google.com/spreadsheets/d/1xKah6P9GMiXU2vxjDZKs8gIE0NiA5VXf8Y8F3543VQA/edit?usp=sharing

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Материалы семинаров !! Чат !! Инвайт в anytask
|-
| ИАД-1 || Багиян Нерсес || Головина Мария || https://github.com/hse-ds/iad-applied-ds/tree/master/2020/seminars/ || https://t.me/joinchat/Atx7LkjahH5xBDp6TDnAyQ || 5kijbTe
|-
| ИАД-2 || Ковалёв Алексей Константинович || Бурданова Софья Павловны || https://github.com/alexeykkovalev/hse-minor || || cDOI8EG
|-
| ИАД-3 || Скрынник Алексей Александрович || Балабан Ирина Алексеевна || https://github.com/hse-ds/iad-applied-ds/tree/master/2020/seminars/ || https://t.me/joinchat/A98O_Rb0zyaVIw0pJivlTw || h3Zrxuw
|-
| ИАД-4 || Валиуллин Адель Марсович || Тарасевич Владислав Сергеевич || https://github.com/hse-ds/iad-applied-ds/tree/master/2020 || || Q5Z8kwR
|-
| ИАД-5 || Сафронов Василий Вячеславович || Дешеулин Олег Андреевич || https://github.com/hse-ds/iad-applied-ds/tree/master/2020 || https://t.me/pzad_iad_2020 || 9Y9b0sp
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров
* Практические домашние работы на Python
* Контрольная где-то в середине курса
* Письменный экзамен

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

Oитоговая = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

ПР — средняя оценка за проверочные работы на семинарах

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''' (23.01.2020). Рекомендательные системы. Матричные разложения. Обучение разложений: SGD, ALS, HALS. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture01-recommender.pdf Конспект]]

'''Лекция 2''' (30.01.2020). Неявный фидбек и iALS. Factorization machines. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture02-recommender.pdf Конспект]]

'''Лекция 3''' (06.02.2020). Метрики качества в рекомендательных системах. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture03-recommender.pdf Конспект]]

'''Лекция 4''' (13.02.2020). Статистика: напоминание теорвера, генерация случайных чисел, проверка гипотез и зачем она нужна, примеры использования, основные виды гипотез, основные статистические тесты. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture04-estimation.pdf Конспект]]

'''Лекция 5''' (20.02.2020). Гипотезы, параметрические и немпараметрические критерии [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture05.pdf Слайды]]

'''Лекция 6''' (27.02.2020). Статистика: A/B-тесты, их дизайн, примеры ошибок [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture06.pdf Слайды]]

'''Лекция 7''' (05.03.2020). Временные ряды 1 [[https://www.youtube.com/watch?v=n3dbymVWlAo&feature=youtu.be Запись лекции]]

'''Лекция 8''' (12.03.2020). Временные ряды 2 [[https://www.youtube.com/watch?v=J6dXQVZMiww Запись лекции]]

'''Лекция 9''' (19.03.2020). Поиск аномалий [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture09-anomaly.pdf Конспект]] [[https://www.youtube.com/watch?v=DLqFG3dgH-E Запись вебинара]]

'''Лекция 10''' (26.03.2020). Быстрый поиск ближайших соседей [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture10-knn.pdf Конспект]] [[https://www.youtube.com/watch?v=MeEZOHSPNuo Запись вебинара]] [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture10-knn-notes.pdf Конспект с вебинара]]

'''Лекция 11''' (02.04.2020). Named entity recognition [[https://www.youtube.com/watch?v=4Z0C6tz-4UE Запись вебинара]] [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture11-NER.pdf Слайды]]

'''Лекция 12''' (09.04.2020). Языковые модели [[https://www.youtube.com/watch?v=BH2JPtmcW0k Запись вебинара]]

'''Лекция 13''' (16.04.2020). NLP: диалоговые системы [[https://youtu.be/8u5_LmgBCKA Запись вебинара]]

'''Лекция 14''' (07.05.2020). Байесовские методы [[https://www.youtube.com/watch?v=jjrjDWNTWp0 Запись вебинара]] [[https://github.com/hse-ds/iad-applied-ds/blob/master/2020/lectures/lecture14-bayes.pdf Слайды]]

== Семинары ==

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна — в этом случае за каждый день просрочки продолжает вычитаться по одному баллу (если не оговорено иное).

===Задание 1. Контест на рекомендации ===

Вам предстоит поработать с логами рекомендательной системы, где для пользователей даны их сессии — документы, которые им были показаны, и реакция на них (клик или его отсутствие). Также для каждого документа известны его заголовок, содержание и уже подготовленный эмбеддинг для картинки из него. Для каждого пользователя дан тестовый набор документов — нужно для каждого из них предсказать, будет ли сделан клик или нет.

Соревнование google collab-only. Оцениваются только решения, полученные как результат работы ноутбука в коллабе, который загружен в anytask.

'''Дедлайн''': 29 февраля 2020 года 03:00

'''Ссылка с инвайтом''': https://www.kaggle.com/t/e37901b9cb7c45d89e884bdcc9795b0e

===Задание 2. A/B тесты===
Вам предстоит попрактиковаться в А/Б тестах и применить статистический аппарат, который вы изучали на лекциях и семинарах.

'''Дедлайн''': 08 апреля 2020 года 23:59

'''Ссылка''': https://github.com/hse-ds/iad-applied-ds/blob/master/2020/hw/HW2_final.ipynb

===Задание 3. Временные ряды===
Вам предстоит поработать с актуальными данными по COVID-19 и предсказать развитие событий c распространением.

'''Дедлайн''': 04 мая 2020 года 23:59

'''Ссылка''': https://github.com/hse-ds/iad-applied-ds/blob/master/2020/hw/HW3.ipynb

===Задание 4. NLP===
Вам предстоит принять участие в соревновании Jigsaw Multilingual Toxic Comment Classification.

'''Дедлайн''': 09 июня 2020 года 07:00

'''Ссылка''': https://docs.google.com/document/d/1QANEgavWuG843DRYlDvcRTH123dW4dJ7RHIi-slx5M0/edit?usp=sharing

===Задание 5. RL===
Вам предстоит реализовать алгоритм DQN и решить с помощью него несколько игр Atari.

'''Дедлайн''': TBA

'''Ссылка''': https://github.com/hse-ds/iad-applied-ds/blob/master/2020/hw/HW5.ipynb

== Контрольная работа ==

[https://docs.google.com/document/d/1ATYeY9OmbfVVG4izvWcLFhvRA3HkKfU49cJSKPIzmpg/edit?usp=sharing Вопросы для подготовки]

== Экзамен ==

== Страницы прошлых лет ==

[[Прикладные_задачи_анализа_данных_(майнор_-_весна_2019) | 2018/19 учебный год ]]

[[Прикладные_задачи_анализа_данных_(майнор_-_весна_2018) | 2017/18 учебный год ]]

[[Майнор_Интеллектуальный_анализ_данных/Прикладные_задачи_анализа_данных | 2016/17 учебный год ]]

[[Category:Майнор "Интеллектуальный анализ данных"]]

Прикладные задачи анализа данных (майнор ИАД)

2020-01-28T14:29:57Z

Skrynnik: /* Семинары */

Прикладные задачи анализа данных (майнор ИАД)

2020-01-28T14:24:40Z

Skrynnik: /* Семинары */

Прикладные задачи анализа данных (майнор ИАД)

2020-01-28T14:24:13Z

Skrynnik: /* Семинары */

Прикладные задачи анализа данных (майнор ИАД)

2020-01-23T08:59:41Z

Skrynnik: /* Семинары */

Прикладные задачи анализа данных (майнор ИАД)

2020-01-23T08:57:26Z

Skrynnik: /* Полезные ссылки */

Прикладные задачи анализа данных (майнор - весна 2019)

2019-04-12T13:52:44Z

Skrynnik:

=== О курсе ===

Читается для студентов 3 курса в 3-4 модулях.

Лекции проходят по четвергам, 10:30 – 11:50, ауд. 5306 (Шаболовка, 26).

'''Лекторы:'''

В 3 модуле: Александр Панов (обучение с подкреплением) - apanov[at]hse.ru

В 4 модуле: Дмитрий Игнатов (майнинг данных), Иван Смуров (автоматическая обработка текстов)

[https://t.me/joinchat/AAAAAEj7vNXCzgevidEIEg Канал для оповещений в Telegram]

[https://goo.gl/forms/vtohl1tZsxvao13f1 Оставить] анонимный отзыв или предложение для курса.

=== Семинары ===

Семинары проходят по четвергам (Шаболовка, 26).

{| class="wikitable"
|-
! Группа !! Преподаватель !! Расписание !! Telegram
|-
| ИАД1 || Александр Панов || 09:00 – 10:20, ауд. 4336 || [https://t.me/sonyabur Вопросы по семинарам и ДЗ]
|-
| ИАД2 || Алексей Скрынник || 12:10 – 13:30, ауд. 3202 || [https://t.me/joinchat/A98O_RX9s_OUSaEyeOE6qg Чат группы]
|-
| ИАД3 || Наталия Козловская || 09:00 – 10:20, ауд. 3316 ||
|-
| ИАД4|| Дмитрий Светличный || 09:00 – 10:20, ауд. 4335 ||
|-
| ИАД5|| Дмитрий Светличный || 12:10 – 13:30, ауд. 4335 ||
|-
|}

=== Домашние задания ===

ДЗ 1. Обучение с подкреплением I: [https://github.com/grafft/hse-tasks/tree/master/minor-module4/hw1 имитационное обучение], срок - 20.02.2019 23:59, вопросы задавать [https://t.me/purple_frog ассистенту].

ДЗ 2. Обучение с подкреплением II: [https://github.com/grafft/hse-tasks/tree/master/minor-module4/hw2 алгоритм актор-критик], срок - 24.03.2019 23:59, вопросы задавать [https://t.me/sonyabur ассистенту].

ДЗ 3. Анализ текстов I:

ДЗ 4. Анализ текстов II:

=== Система оценок ===

Результирующая оценка рассчитывается по формуле:

Oитоговая = 0.6 * Oнакопл + 0.4 * Оэкз

Накопленная оценка рассчитывается по формуле:

Oнакопл = 0.6 * OДЗ (4 шт) + 0.2 * Oауд + 0.2 * Oколл

При накопленное оценке в 8, 9, 10 баллов такая же оценка за экзамен выставляется автоматом.

[https://docs.google.com/spreadsheets/d/1gXsuQMNVuC2rsjoIg5sa_1g9uxtmS9DAg8inMHT_wYE/edit?usp=sharing Таблица с оценками]

=== Программа ===

==== Неделя 1. 17.01.2019 ====

'''Лекция''': Введение в обучение с подкреплением. Основные понятия [https://yadi.sk/i/kqbwWX_1sNzkUg (слайды)]

'''Семинар''': [https://github.com/grafft/hse-tasks/tree/master/minor-module4/seminar1 MDP + CrossEntropy]

==== Неделя 2. 24.01.2019 ====

'''Лекция''': Динамическое программирование [https://yadi.sk/i/6mH8sFKfgGY2LA (слайды)]

'''Семинар''': [https://github.com/grafft/hse-tasks/blob/master/minor-module4/seminar2/sem2_dp.ipynb DP + ADP]

==== Неделя 3. 31.01.2019 ====

'''Лекция''': Монте-Карло и временные различия [https://yadi.sk/i/fZbj8IpbBW3nIQ (слайды)]

'''Семинар''': [https://github.com/grafft/hse-tasks/blob/master/minor-module4/seminar3/sem3_qlearn.ipynb TD + Q-learning]

==== Неделя 4. 07.02.2019 ====

Занятия перенесены.

==== Неделя 5. 14.02.2019 ====

'''Лекция''': Аппроксимация функции полезности [https://yadi.sk/i/tlVbPXY1rvC-Kw (слайды)]

'''Семинар''': [https://github.com/grafft/hse-tasks/tree/master/minor-module4/seminar4 DQN]

==== Неделя 6. 21.02.2019 ====

'''Лекция''': Иерархическое обучение с подкреплением [https://yadi.sk/i/Qpv09MbQJdNTAQ (слайды)]

'''Семинар''': [https://github.com/grafft/hse-tasks/blob/master/minor-module4/seminar5/sem5_options.ipynb Options]

==== Неделя 7. 28.02.2019 ====

'''Лекция''': Градиент стратегии [https://yadi.sk/i/N37h4VH2Oa7Q1w (слайды)]

'''Семинар''': [https://github.com/grafft/hse-tasks/blob/master/minor-module4/seminar6/sem6_pg.ipynb Vanilla PG]

==== Неделя 8. 07.03.2019 ====

'''Лекция''': Актор-критик [https://yadi.sk/i/fTtRg5QTxr0yYA (слайды)]

'''Семинар''': [https://github.com/grafft/hse-tasks/blob/master/minor-module4/seminar7/sem7_ac.ipynb ActorCritic]

==== Неделя 9. 14.03.2019 ====

'''Лекция''': Обучение и планирование [https://yadi.sk/i/_K-rive0oythxg (слайды)]

'''Семинар''': [https://github.com/grafft/hse-tasks/tree/master/minor-module4/seminar8 Dyna]

==== Неделя 10. 21.03.2019 ====

'''Лекция''': Обучение в частично-наблюдаемой среде [https://yadi.sk/i/v7pHOgTKt2oj_Q (слайды)]

'''Семинар''':

=== Рекомендуемые ресурсы и литература===

Обучение с подкреплением:
* Книга Sutton, Barto Reinforcement learning: An Introdu [http://webdocs.cs.ualberta.ca/~sutton/book/the-book.html (ссылка)]
* Курс от Яндекса [https://github.com/yandexdataschool/Practical_RL (ссылка)]
* Идеи нейрофизиологии и психологии [http://www.scholarpedia.org/article/Reinforcement_learning (ссылка)]
* Глубокое обучение с подкреплением [http://rail.eecs.berkeley.edu/deeprlcourse/ (ссылка)]
* Лекции от Berkley [https://sites.google.com/view/deep-rl-bootcamp/lectures (ссылка)]
* Лекции от University of Edinburg [http://www.inf.ed.ac.uk/teaching/courses/rl/ (ссылка)]
* Лекции Дэвида Сильвера [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html (ссылка)]
* Курс Паскаля Попарта [https://cs.uwaterloo.ca/~ppoupart/teaching/cs885-spring18/ (ссылка)]
* Курс Саттона [https://drive.google.com/drive/folders/0B3w765rOKuKANmxNbXdwaE1YU1k (ссылка)]
* Материалы OpenAI [https://spinningup.openai.com/en/latest/index.html (ссылка)]
* Репозиторий различных материалов по RL [https://github.com/aikorea/awesome-rl (ссылка)]

Прикладные задачи анализа данных (майнор - весна 2019)

2019-01-17T15:07:30Z

Skrynnik: /* Семинары */

=== О курсе ===

Читается для студентов 3 курса в 3-4 модулях.

Лекции проходят по четвергам, 10:30 – 11:50, ауд. 5306 (Шаболовка, 26).

'''Лекторы:'''

В 3 модуле: Александр Панов (обучение с подкреплением) - apanov[at]hse.ru

В 4 модуле: Дмитрий Игнатов (майнинг данных), Иван Смуров (автоматическая обработка текстов)

[https://t.me/joinchat/AAAAAEj7vNXCzgevidEIEg Канал для оповещений в Telegram]

=== Семинары ===

Семинары проходят по четвергам (Шаболовка, 26).

{| class="wikitable"
|-
! Группа !! Преподаватель !! Расписание !! чат группы
|-
| ИАД1 || Александр Панов || 09:00 – 10:20, ауд. 4336 ||
|-
| ИАД2 || Алексей Скрынник || 12:10 – 13:30, ауд. 3202 || [https://t.me/joinchat/A98O_RX9s_OUSaEyeOE6qg ИАД2]
|-
| ИАД3 || Наталия Козловская || 09:00 – 10:20, ауд. 3316 ||
|-
| ИАД4|| Дмитрий Светличный || 09:00 – 10:20, ауд. 4335 ||
|-
| ИАД5|| Дмитрий Светличный || 12:10 – 13:30, ауд. 4335 ||
|-
|}

=== Домашние задания ===

ДЗ 1. Обучение с подкреплением I:

ДЗ 2. Обучение с подкреплением II:

ДЗ 3. Анализ текстов I:

ДЗ 4. Анализ текстов II:

=== Система оценок ===

Результирующая оценка рассчитывается по формуле:

Oитоговая = 0.6 * Oнакопл + 0.4 * Оэкз

Накопленная оценка рассчитывается по формуле:

Oнакопл = 0.6 * OДЗ (4 шт) + 0.2 * Oауд + 0.2 * Oколл

При накопленное оценке в 8, 9, 10 баллов такая же оценка за экзамен выставляется автоматом.

=== Программа ===

==== Неделя 1. 17.01.2019 ====

'''Лекция''': Введение в обучение с подкреплением. Основные понятия [https://yadi.sk/i/kqbwWX_1sNzkUg (слайды)]

'''Семинар''': [https://github.com/grafft/hse-tasks/tree/master/minor-module4/seminar1 MDP + CrossEntropy]

==== Неделя 2. 24.01.2019 ====

'''Лекция''': Динамическое программирование [ссылка (слайды)]

'''Семинар''': [ссылка DP + ADP]

==== Неделя 3. 31.01.2019 ====

'''Лекция''': Временные различия и Q-обучение [ссылка (слайды)]

'''Семинар''': [ссылка TD + Q-learning]

==== Неделя 4. 07.02.2019 ====

'''Лекция''': Аппроксимация функции полезности [ссылка (слайды)]

'''Семинар''': [ссылка DQN]

==== Неделя 5. 14.02.2019 ====

'''Лекция''': Градиент стратегии [ссылка (слайды)]

'''Семинар''': [ссылка Vanilla PG]

==== Неделя 6. 21.02.2019 ====

'''Лекция''': Иерархическое обучение с подкреплением [ссылка (слайды)]

'''Семинар''': [ссылка HAM]

==== Неделя 7. 28.02.2019 ====

'''Лекция''': Актор-критик [ссылка (слайды)]

'''Семинар''': [ссылка ActorCritic]

==== Неделя 8. 07.03.2019 ====

'''Лекция''': Оптимизация градиента стратегии [ссылка (слайды)]

'''Семинар''': [ссылка TRPO]

==== Неделя 9. 14.03.2019 ====

'''Лекция''': Обучение в частично наблюдаемой среде [ссылка (слайды)]

'''Семинар''': [ссылка POMDP]

==== Неделя 10. 21.03.2019 ====

'''Лекция''': Метаобучение и перенос знаний [ссылка (слайды)]

'''Семинар''': [ссылка Transfer]

=== Рекомендуемые ресурсы и литература===

Обучение с подкреплением:
* Книга Sutton, Barto Reinforcement learning: An Introdu [http://webdocs.cs.ualberta.ca/~sutton/book/the-book.html (ссылка)]
* Курс от Яндекса [https://github.com/yandexdataschool/Practical_RL (ссылка)]
* Идеи нейрофизиологии и психологии [http://www.scholarpedia.org/article/Reinforcement_learning (ссылка)]
* Глубокое обучение с подкреплением [http://rail.eecs.berkeley.edu/deeprlcourse/ (ссылка)]
* Лекции от Berkley [https://sites.google.com/view/deep-rl-bootcamp/lectures (ссылка)]
* Лекции от University of Edinburg [http://www.inf.ed.ac.uk/teaching/courses/rl/ (ссылка)]
* Лекции Дэвида Сильвера [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html (ссылка)]
* Курс Паскаля Попарта [https://cs.uwaterloo.ca/~ppoupart/teaching/cs885-spring18/ (ссылка)]
* Курс Саттона [https://drive.google.com/drive/folders/0B3w765rOKuKANmxNbXdwaE1YU1k (ссылка)]
* Материалы OpenAI [https://spinningup.openai.com/en/latest/index.html (ссылка)]
* Репозиторий различных материалов по RL [https://github.com/aikorea/awesome-rl (ссылка)]

Прикладные задачи анализа данных (майнор - весна 2019)

2019-01-17T12:09:23Z

Skrynnik: /* Семинары */

=== О курсе ===

Читается для студентов 3 курса в 3-4 модулях.

Лекции проходят по четвергам, 10:30 – 11:50, ауд. 5306 (Шаболовка, 26).

'''Лекторы:'''

В 3 модуле: Александр Панов (обучение с подкреплением) - apanov[at]hse.ru

В 4 модуле: Дмитрий Игнатов (майнинг данных), Иван Смуров (автоматическая обработка текстов)

[https://t.me/joinchat/AAAAAEj7vNXCzgevidEIEg Канал для оповещений в Telegram]

=== Семинары ===

Семинары проходят по четвергам (Шаболовка, 26).

{| class="wikitable"
|-
! Группа !! Преподаватель !! Расписание !! чат группы
|-
| ИАД1 || Александр Панов || 09:00 – 10:20, ауд. 4336 ||
|-
| ИАД2 || Алексей Скрынник || 12:10 – 13:30, ауд. 3202 || https://t.me/joinchat/A98O_RX9s_OUSaEyeOE6qg
|-
| ИАД3 || Наталия Козловская || 09:00 – 10:20, ауд. 3316 ||
|-
| ИАД4|| Дмитрий Светличный || 09:00 – 10:20, ауд. 4335 ||
|-
| ИАД5|| Дмитрий Светличный || 12:10 – 13:30, ауд. 4335 ||
|-
|}

=== Домашние задания ===

ДЗ 1. Обучение с подкреплением I:

ДЗ 2. Обучение с подкреплением II:

ДЗ 3. Анализ текстов I:

ДЗ 4. Анализ текстов II:

=== Система оценок ===

Результирующая оценка рассчитывается по формуле:

Oитоговая = 0.6 * Oнакопл + 0.4 * Оэкз

Накопленная оценка рассчитывается по формуле:

Oнакопл = 0.6 * OДЗ (4 шт) + 0.2 * Oауд + 0.2 * Oколл

При накопленное оценке в 8, 9, 10 баллов такая же оценка за экзамен выставляется автоматом.

=== Программа ===

==== Неделя 1. 17.01.2019 ====

'''Лекция''': Введение в обучение с подкреплением. Основные понятия [ссылка (слайды)]

'''Семинар''': [https://github.com/grafft/hse-tasks/tree/master/minor-module4/seminar1 MDP + CrossEntropy]

==== Неделя 2. 24.01.2019 ====

'''Лекция''': Динамическое программирование [ссылка (слайды)]

'''Семинар''': [ссылка DP + ADP]

==== Неделя 3. 31.01.2019 ====

'''Лекция''': Временные различия и Q-обучение [ссылка (слайды)]

'''Семинар''': [ссылка TD + Q-learning]

==== Неделя 4. 07.02.2019 ====

'''Лекция''': Аппроксимация функции полезности [ссылка (слайды)]

'''Семинар''': [ссылка DQN]

==== Неделя 5. 14.02.2019 ====

'''Лекция''': Градиент стратегии [ссылка (слайды)]

'''Семинар''': [ссылка Vanilla PG]

==== Неделя 6. 21.02.2019 ====

'''Лекция''': Иерархическое обучение с подкреплением [ссылка (слайды)]

'''Семинар''': [ссылка HAM]

==== Неделя 7. 28.02.2019 ====

'''Лекция''': Актор-критик [ссылка (слайды)]

'''Семинар''': [ссылка ActorCritic]

==== Неделя 8. 07.03.2019 ====

'''Лекция''': Оптимизация градиента стратегии [ссылка (слайды)]

'''Семинар''': [ссылка TRPO]

==== Неделя 9. 14.03.2019 ====

'''Лекция''': Обучение в частично наблюдаемой среде [ссылка (слайды)]

'''Семинар''': [ссылка POMDP]

==== Неделя 10. 21.03.2019 ====

'''Лекция''': Метаобучение и перенос знаний [ссылка (слайды)]

'''Семинар''': [ссылка Transfer]

=== Рекомендуемые ресурсы и литература===

Обучение с подкреплением:
* Книга Sutton, Barto Reinforcement learning: An Introdu [http://webdocs.cs.ualberta.ca/~sutton/book/the-book.html (ссылка)]
* Курс от Яндекса [https://github.com/yandexdataschool/Practical_RL (ссылка)]
* Идеи нейрофизиологии и психологии [http://www.scholarpedia.org/article/Reinforcement_learning (ссылка)]
* Глубокое обучение с подкреплением [http://rail.eecs.berkeley.edu/deeprlcourse/ (ссылка)]
* Лекции от Berkley [https://sites.google.com/view/deep-rl-bootcamp/lectures (ссылка)]
* Лекции от University of Edinburg [http://www.inf.ed.ac.uk/teaching/courses/rl/ (ссылка)]
* Лекции Дэвида Сильвера [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html (ссылка)]
* Курс Паскаля Попарта [https://cs.uwaterloo.ca/~ppoupart/teaching/cs885-spring18/ (ссылка)]
* Курс Саттона [https://drive.google.com/drive/folders/0B3w765rOKuKANmxNbXdwaE1YU1k (ссылка)]
* Материалы OpenAI [https://spinningup.openai.com/en/latest/index.html (ссылка)]
* Репозиторий различных материалов по RL [https://github.com/aikorea/awesome-rl (ссылка)]

Прикладные задачи анализа данных (майнор - весна 2019)

2019-01-17T12:04:42Z

Skrynnik: поправил аудиторию

=== О курсе ===

Читается для студентов 3 курса в 3-4 модулях.

Лекции проходят по четвергам, 10:30 – 11:50, ауд. 5306 (Шаболовка, 26).

'''Лекторы:'''

В 3 модуле: Александр Панов (обучение с подкреплением) - apanov[at]hse.ru

В 4 модуле: Дмитрий Игнатов (майнинг данных), Иван Смуров (автоматическая обработка текстов)

[https://t.me/joinchat/AAAAAEj7vNXCzgevidEIEg Канал для оповещений в Telegram]

=== Семинары ===

Семинары проходят по четвергам (Шаболовка, 26).

{| class="wikitable"
|-
! Группа !! Преподаватель !! Расписание !! чат группы
|-
| ИАД1 || Александр Панов || 09:00 – 10:20, ауд. 4336 ||
|-
| ИАД2 || Алексей Скрынник || 12:10 – 13:30, ауд. 3202 ||
|-
| ИАД3 || Наталия Козловская || 09:00 – 10:20, ауд. 3316 ||
|-
| ИАД4|| Дмитрий Светличный || 09:00 – 10:20, ауд. 4335 ||
|-
| ИАД5|| Дмитрий Светличный || 12:10 – 13:30, ауд. 4335 ||
|-
|}

=== Домашние задания ===

ДЗ 1. Обучение с подкреплением I:

ДЗ 2. Обучение с подкреплением II:

ДЗ 3. Анализ текстов I:

ДЗ 4. Анализ текстов II:

=== Система оценок ===

Результирующая оценка рассчитывается по формуле:

Oитоговая = 0.6 * Oнакопл + 0.4 * Оэкз

Накопленная оценка рассчитывается по формуле:

Oнакопл = 0.6 * OДЗ (4 шт) + 0.2 * Oауд + 0.2 * Oколл

При накопленное оценке в 8, 9, 10 баллов такая же оценка за экзамен выставляется автоматом.

=== Программа ===

==== Неделя 1. 17.01.2019 ====

'''Лекция''': Введение в обучение с подкреплением. Основные понятия [ссылка (слайды)]

'''Семинар''': [https://github.com/grafft/hse-tasks/tree/master/minor-module4/seminar1 MDP + CrossEntropy]

==== Неделя 2. 24.01.2019 ====

'''Лекция''': Динамическое программирование [ссылка (слайды)]

'''Семинар''': [ссылка DP + ADP]

==== Неделя 3. 31.01.2019 ====

'''Лекция''': Временные различия и Q-обучение [ссылка (слайды)]

'''Семинар''': [ссылка TD + Q-learning]

==== Неделя 4. 07.02.2019 ====

'''Лекция''': Аппроксимация функции полезности [ссылка (слайды)]

'''Семинар''': [ссылка DQN]

==== Неделя 5. 14.02.2019 ====

'''Лекция''': Градиент стратегии [ссылка (слайды)]

'''Семинар''': [ссылка Vanilla PG]

==== Неделя 6. 21.02.2019 ====

'''Лекция''': Иерархическое обучение с подкреплением [ссылка (слайды)]

'''Семинар''': [ссылка HAM]

==== Неделя 7. 28.02.2019 ====

'''Лекция''': Актор-критик [ссылка (слайды)]

'''Семинар''': [ссылка ActorCritic]

==== Неделя 8. 07.03.2019 ====

'''Лекция''': Оптимизация градиента стратегии [ссылка (слайды)]

'''Семинар''': [ссылка TRPO]

==== Неделя 9. 14.03.2019 ====

'''Лекция''': Обучение в частично наблюдаемой среде [ссылка (слайды)]

'''Семинар''': [ссылка POMDP]

==== Неделя 10. 21.03.2019 ====

'''Лекция''': Метаобучение и перенос знаний [ссылка (слайды)]

'''Семинар''': [ссылка Transfer]

=== Рекомендуемые ресурсы и литература===

Обучение с подкреплением:
* Книга Sutton, Barto Reinforcement learning: An Introdu [http://webdocs.cs.ualberta.ca/~sutton/book/the-book.html (ссылка)]
* Курс от Яндекса [https://github.com/yandexdataschool/Practical_RL (ссылка)]
* Идеи нейрофизиологии и психологии [http://www.scholarpedia.org/article/Reinforcement_learning (ссылка)]
* Глубокое обучение с подкреплением [http://rail.eecs.berkeley.edu/deeprlcourse/ (ссылка)]
* Лекции от Berkley [https://sites.google.com/view/deep-rl-bootcamp/lectures (ссылка)]
* Лекции от University of Edinburg [http://www.inf.ed.ac.uk/teaching/courses/rl/ (ссылка)]
* Лекции Дэвида Сильвера [http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html (ссылка)]
* Курс Паскаля Попарта [https://cs.uwaterloo.ca/~ppoupart/teaching/cs885-spring18/ (ссылка)]
* Курс Саттона [https://drive.google.com/drive/folders/0B3w765rOKuKANmxNbXdwaE1YU1k (ссылка)]
* Материалы OpenAI [https://spinningup.openai.com/en/latest/index.html (ссылка)]
* Репозиторий различных материалов по RL [https://github.com/aikorea/awesome-rl (ссылка)]