Wiki - Факультет компьютерных наук - Вклад [ru]

LSML 2025/2026

2026-03-27T21:31:47Z

TmKarter:

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции и семинары проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/TmKarter/lsml-2026/tree/main/Lectures

Получение доступа к Облаку - https://forms.gle/CaDJ1YdG1jpYWjcn6

Таблица с оценками: - https://docs.google.com/spreadsheets/d/1wN_k3y5V-fmVa36ppaUEOvGIV7bEIHIKyZnOMP1EFhI/edit?usp=sharing

Папка на Я.Диске с записями всех занятий - [https://disk.yandex.ru/d/mzXlT0U3MzEZkQ/%D0%9F%D0%9C%D0%98/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5%20%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5%20%D0%B4%D0%BB%D1%8F%20%D0%B1%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D1%85%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 ссылка]

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+mQ1JQ2-TxmIyYjli

Репозиторий с материалами семинаров: - https://github.com/TmKarter/lsml-2026

Наше облако: - https://console.yandex.cloud/cloud/b1g4glg8eltqhueeifkh

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/2KDjv2PzNGGoyYp7A || [https://github.com/TmKarter/lsml-2026/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 9 февраля || 16 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/SY9VS4SWGHpUkLGV7|| [https://github.com/TmKarter/lsml-2026/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 21 февраля || 2 марта 23:59
|-
| Мини домашнее задание 3. || https://forms.gle/PPybxHzmaZ5bxfPs5 || [https://github.com/TmKarter/lsml-2026/blob/main/MHW3.%20Classical%20models.ipynb тык] || 6 марта || 14 марта 23:59
|-
| Мини домашнее задание 4. || https://forms.gle/EoNf9WKEenuJQ81i8 || [https://github.com/TmKarter/lsml-2026/blob/main/MHW4.%20Spark%20transformations.ipynb тык] || 18 марта || 29 марта 23:59
|-
| Основное домашнее задание || https://forms.gle/QBU6VnHq2L53Uk629 || [https://github.com/TmKarter/lsml-2026/blob/main/Main%20Homework.%20Outbrain.ipynb тык] || 18 марта || 29 марта 23:59
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 16:20 - 17:40 по МСК, ссылку на зум публикуем в тг

Семинары проводят:

- Галушкин Андрей в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

- Анищенко Илья в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

=== Консультации ===

Консультации с преподавателями (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 1-3 недели (см таблицу с точными датами, они появляются тут по мере прохождения курса).
* Большое домашнее задание (будет выдано ориентировочно в феврале).
* В Мини-домашних заданиях переодически будут появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2024/2025

LSML 2025/2026

2026-03-18T12:39:25Z

TmKarter: выложили новые дз

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции и семинары проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/TmKarter/lsml-2026/tree/main/Lectures

Получение доступа к Облаку - https://forms.gle/CaDJ1YdG1jpYWjcn6

Таблица с оценками: - https://docs.google.com/spreadsheets/d/1wN_k3y5V-fmVa36ppaUEOvGIV7bEIHIKyZnOMP1EFhI/edit?usp=sharing

Папка на Я.Диске с записями всех занятий - [https://disk.yandex.ru/d/mzXlT0U3MzEZkQ/%D0%9F%D0%9C%D0%98/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5%20%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5%20%D0%B4%D0%BB%D1%8F%20%D0%B1%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D1%85%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 ссылка]

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+mQ1JQ2-TxmIyYjli

Репозиторий с материалами семинаров: - https://github.com/TmKarter/lsml-2026

Наше облако: - https://console.yandex.cloud/cloud/b1g4glg8eltqhueeifkh

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/2KDjv2PzNGGoyYp7A || [https://github.com/TmKarter/lsml-2026/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 9 февраля || 16 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/SY9VS4SWGHpUkLGV7|| [https://github.com/TmKarter/lsml-2026/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 21 февраля || 2 марта 23:59
|-
| Мини домашнее задание 3. || https://forms.gle/PPybxHzmaZ5bxfPs5 || [https://github.com/TmKarter/lsml-2026/blob/main/MHW3.%20Classical%20models.ipynb тык] || 6 марта || 14 марта 23:59
|-
| Мини домашнее задание 4. || будет позже || [https://github.com/TmKarter/lsml-2026/blob/main/MHW4.%20Spark%20transformations.ipynb тык] || 18 марта || 29 марта 11:00
|-
| Основное домашнее задание || будет позже || [https://github.com/TmKarter/lsml-2026/blob/main/Main%20Homework.%20Outbrain.ipynb тык] || 18 марта || 29 марта 11:00
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 16:20 - 17:40 по МСК, ссылку на зум публикуем в тг

Семинары проводят:

- Галушкин Андрей в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

- Анищенко Илья в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

=== Консультации ===

Консультации с преподавателями (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 1-3 недели (см таблицу с точными датами, они появляются тут по мере прохождения курса).
* Большое домашнее задание (будет выдано ориентировочно в феврале).
* В Мини-домашних заданиях переодически будут появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2024/2025

LSML 2025/2026

2026-03-12T17:47:37Z

TmKarter: добавил инфу по дз3

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции и семинары проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/TmKarter/lsml-2026/tree/main/Lectures

Получение доступа к Облаку - https://forms.gle/CaDJ1YdG1jpYWjcn6

Таблица с оценками: - https://docs.google.com/spreadsheets/d/1wN_k3y5V-fmVa36ppaUEOvGIV7bEIHIKyZnOMP1EFhI/edit?usp=sharing

Папка на Я.Диске с записями всех занятий - [https://disk.yandex.ru/d/mzXlT0U3MzEZkQ/%D0%9F%D0%9C%D0%98/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5%20%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5%20%D0%B4%D0%BB%D1%8F%20%D0%B1%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D1%85%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 ссылка]

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+mQ1JQ2-TxmIyYjli

Репозиторий с материалами семинаров: - https://github.com/TmKarter/lsml-2026

Наше облако: - https://console.yandex.cloud/cloud/b1g4glg8eltqhueeifkh

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/2KDjv2PzNGGoyYp7A || [https://github.com/TmKarter/lsml-2026/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 9 февраля || 16 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/SY9VS4SWGHpUkLGV7|| [https://github.com/TmKarter/lsml-2026/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 21 февраля || 2 марта 23:59
|-
| Мини домашнее задание 3. || https://forms.gle/PPybxHzmaZ5bxfPs5 || [https://github.com/TmKarter/lsml-2026/blob/main/MHW3.%20Classical%20models.ipynb тык] || 6 марта || 14 марта 23:59
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 16:20 - 17:40 по МСК, ссылку на зум публикуем в тг

Семинары проводят:

- Галушкин Андрей в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

- Анищенко Илья в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

=== Консультации ===

Консультации с преподавателями (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 1-3 недели (см таблицу с точными датами, они появляются тут по мере прохождения курса).
* Большое домашнее задание (будет выдано ориентировочно в феврале).
* В Мини-домашних заданиях переодически будут появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2024/2025

LSML 2025/2026

2026-03-03T23:50:14Z

TmKarter: добавлена таблица с оценкакми

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции и семинары проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/TmKarter/lsml-2026/tree/main/Lectures

Получение доступа к Облаку - https://forms.gle/CaDJ1YdG1jpYWjcn6

Таблица с оценками: - https://docs.google.com/spreadsheets/d/1wN_k3y5V-fmVa36ppaUEOvGIV7bEIHIKyZnOMP1EFhI/edit?usp=sharing

Папка на Я.Диске с записями всех занятий - [https://disk.yandex.ru/d/mzXlT0U3MzEZkQ/%D0%9F%D0%9C%D0%98/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5%20%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5%20%D0%B4%D0%BB%D1%8F%20%D0%B1%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D1%85%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 ссылка]

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+mQ1JQ2-TxmIyYjli

Репозиторий с материалами семинаров: - https://github.com/TmKarter/lsml-2026

Наше облако: - https://console.yandex.cloud/cloud/b1g4glg8eltqhueeifkh

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/2KDjv2PzNGGoyYp7A || [https://github.com/TmKarter/lsml-2026/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 9 февраля || 16 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/SY9VS4SWGHpUkLGV7|| [https://github.com/TmKarter/lsml-2026/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 21 февраля || 2 марта 23:59
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 16:20 - 17:40 по МСК, ссылку на зум публикуем в тг

Семинары проводят:

- Галушкин Андрей в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

- Анищенко Илья в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

=== Консультации ===

Консультации с преподавателями (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 1-3 недели (см таблицу с точными датами, они появляются тут по мере прохождения курса).
* Большое домашнее задание (будет выдано ориентировочно в феврале).
* В Мини-домашних заданиях переодически будут появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2024/2025

LSML 2025/2026

2026-03-01T11:07:36Z

TmKarter: изменение дедлайна по дз2

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции и семинары проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/TmKarter/lsml-2026/tree/main/Lectures

Получение доступа к Облаку - https://forms.gle/CaDJ1YdG1jpYWjcn6

Таблица с оценками: - [будет позже]

Папка на Я.Диске с записями всех занятий - [https://disk.yandex.ru/d/mzXlT0U3MzEZkQ/%D0%9F%D0%9C%D0%98/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5%20%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5%20%D0%B4%D0%BB%D1%8F%20%D0%B1%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D1%85%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 ссылка]

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+mQ1JQ2-TxmIyYjli

Репозиторий с материалами семинаров: - https://github.com/TmKarter/lsml-2026

Наше облако: - https://console.yandex.cloud/cloud/b1g4glg8eltqhueeifkh

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/2KDjv2PzNGGoyYp7A || [https://github.com/TmKarter/lsml-2026/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 9 февраля || 16 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/SY9VS4SWGHpUkLGV7|| [https://github.com/TmKarter/lsml-2026/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 21 февраля || 2 марта 23:59
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 16:20 - 17:40 по МСК, ссылку на зум публикуем в тг

Семинары проводят:

- Галушкин Андрей в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

- Анищенко Илья в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

=== Консультации ===

Консультации с преподавателями (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 1-3 недели (см таблицу с точными датами, они появляются тут по мере прохождения курса).
* Большое домашнее задание (будет выдано ориентировочно в феврале).
* В Мини-домашних заданиях переодически будут появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2024/2025

LSML 2025/2026

2026-02-27T09:52:51Z

TmKarter: /* О курсе */

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции и семинары проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/TmKarter/lsml-2026/tree/main/Lectures

Получение доступа к Облаку - https://forms.gle/CaDJ1YdG1jpYWjcn6

Таблица с оценками: - [будет позже]

Папка на Я.Диске с записями всех занятий - [https://disk.yandex.ru/d/mzXlT0U3MzEZkQ/%D0%9F%D0%9C%D0%98/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5%20%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5%20%D0%B4%D0%BB%D1%8F%20%D0%B1%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D1%85%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 ссылка]

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+mQ1JQ2-TxmIyYjli

Репозиторий с материалами семинаров: - https://github.com/TmKarter/lsml-2026

Наше облако: - https://console.yandex.cloud/cloud/b1g4glg8eltqhueeifkh

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/2KDjv2PzNGGoyYp7A || [https://github.com/TmKarter/lsml-2026/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 9 февраля || 16 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/SY9VS4SWGHpUkLGV7|| [https://github.com/TmKarter/lsml-2026/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 21 февраля || 1 марта 23:59
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 16:20 - 17:40 по МСК, ссылку на зум публикуем в тг

Семинары проводят:

- Галушкин Андрей в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

- Анищенко Илья в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

=== Консультации ===

Консультации с преподавателями (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 1-3 недели (см таблицу с точными датами, они появляются тут по мере прохождения курса).
* Большое домашнее задание (будет выдано ориентировочно в феврале).
* В Мини-домашних заданиях переодически будут появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2024/2025

LSML 2025/2026

2026-02-21T16:19:46Z

TmKarter: инфо по дз 2

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции и семинары проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/TmKarter/lsml-2026/tree/main/Lectures

Получение доступа к Облаку - https://forms.gle/CaDJ1YdG1jpYWjcn6

Таблица с оценками: - [будет позже]

Папка на Я.Диске с записями всех занятий - [https://disk.yandex.ru/d/mzXlT0U3MzEZkQ/%D0%9F%D0%9C%D0%98/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5%20%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5%20%D0%B4%D0%BB%D1%8F%20%D0%B1%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D1%85%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 ссылка]

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+mQ1JQ2-TxmIyYjli

Репозиторий с материалами семинаров: - https://github.com/TmKarter/lsml-2026

Наше облако: - https://console.yandex.cloud/cloud/b1g4glg8eltqhueeifkh

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/2KDjv2PzNGGoyYp7A || [https://github.com/TmKarter/lsml-2026/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 9 февраля || 16 февраля 23:59
|-
| Мини домашнее задание 2. || позже || [https://github.com/TmKarter/lsml-2026/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 21 февраля || 1 марта 23:59
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 16:20 - 17:40 по МСК, ссылку на зум публикуем в тг

Семинары проводят:

- Галушкин Андрей в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

- Анищенко Илья в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

=== Консультации ===

Консультации с преподавателями (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 1-3 недели (см таблицу с точными датами, они появляются тут по мере прохождения курса).
* Большое домашнее задание (будет выдано ориентировочно в феврале).
* В Мини-домашних заданиях переодически будут появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2024/2025

LSML 2025/2026

2026-02-14T02:50:39Z

TmKarter: выложили форму для сдачи дз1

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции и семинары проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/TmKarter/lsml-2026/tree/main/Lectures

Получение доступа к Облаку - https://forms.gle/CaDJ1YdG1jpYWjcn6

Таблица с оценками: - [будет позже]

Папка на Я.Диске с записями всех занятий - [https://disk.yandex.ru/d/mzXlT0U3MzEZkQ/%D0%9F%D0%9C%D0%98/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5%20%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5%20%D0%B4%D0%BB%D1%8F%20%D0%B1%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D1%85%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 ссылка]

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+mQ1JQ2-TxmIyYjli

Репозиторий с материалами семинаров: - https://github.com/TmKarter/lsml-2026

Наше облако: - https://console.yandex.cloud/cloud/b1g4glg8eltqhueeifkh

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/2KDjv2PzNGGoyYp7A || [https://github.com/TmKarter/lsml-2026/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 9 февраля || 16 февраля 23:59
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 16:20 - 17:40 по МСК, ссылку на зум публикуем в тг

Семинары проводят:

- Галушкин Андрей в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

- Анищенко Илья в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

=== Консультации ===

Консультации с преподавателями (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 1-3 недели (см таблицу с точными датами, они появляются тут по мере прохождения курса).
* Большое домашнее задание (будет выдано ориентировочно в феврале).
* В Мини-домашних заданиях переодически будут появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2024/2025

LSML 2025/2026

2026-02-09T14:38:44Z

TmKarter: добавили инфо по дз 1

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции и семинары проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/TmKarter/lsml-2026/tree/main/Lectures

Получение доступа к Облаку - https://forms.gle/CaDJ1YdG1jpYWjcn6

Таблица с оценками: - [будет позже]

Папка на Я.Диске с записями всех занятий - [https://disk.yandex.ru/d/mzXlT0U3MzEZkQ/%D0%9F%D0%9C%D0%98/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5%20%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5%20%D0%B4%D0%BB%D1%8F%20%D0%B1%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D1%85%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 ссылка]

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+mQ1JQ2-TxmIyYjli

Репозиторий с материалами семинаров: - https://github.com/TmKarter/lsml-2026

Наше облако: - https://console.yandex.cloud/cloud/b1g4glg8eltqhueeifkh

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || позже || [https://github.com/TmKarter/lsml-2026/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 9 февраля || 16 февраля 23:59
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 16:20 - 17:40 по МСК, ссылку на зум публикуем в тг

Семинары проводят:

- Галушкин Андрей в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

- Анищенко Илья в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

=== Консультации ===

Консультации с преподавателями (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 1-3 недели (см таблицу с точными датами, они появляются тут по мере прохождения курса).
* Большое домашнее задание (будет выдано ориентировочно в феврале).
* В Мини-домашних заданиях переодически будут появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2024/2025

LSML 2025/2026

2026-02-02T15:33:31Z

TmKarter: добавил материалов на страницу курса

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции и семинары проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/TmKarter/lsml-2026/tree/main/Lectures

Получение доступа к Облаку - https://forms.gle/CaDJ1YdG1jpYWjcn6

Таблица с оценками: - [будет позже]

Папка на Я.Диске с записями всех занятий - [https://disk.yandex.ru/d/mzXlT0U3MzEZkQ/%D0%9F%D0%9C%D0%98/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5%20%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5%20%D0%B4%D0%BB%D1%8F%20%D0%B1%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D1%85%20%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 ссылка]

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+mQ1JQ2-TxmIyYjli

Репозиторий с материалами семинаров: - https://github.com/TmKarter/lsml-2026

Наше облако: - https://console.yandex.cloud/cloud/b1g4glg8eltqhueeifkh

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 16:20 - 17:40 по МСК, ссылку на зум публикуем в тг

Семинары проводят:

- Галушкин Андрей в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

- Анищенко Илья в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

=== Консультации ===

Консультации с преподавателями (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 1-3 недели (см таблицу с точными датами, они появляются тут по мере прохождения курса).
* Большое домашнее задание (будет выдано ориентировочно в феврале).
* В Мини-домашних заданиях переодически будут появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2024/2025

LSML 2025/2026

2026-02-02T15:32:43Z

TmKarter: добавил материалов на страницу курса

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции и семинары проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/TmKarter/lsml-2026/tree/main/Lectures

Получение доступа к Облаку - https://forms.gle/CaDJ1YdG1jpYWjcn6

Таблица с оценками: - [будет позже]

Папка на Я.Диске с записями всех занятий -

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+mQ1JQ2-TxmIyYjli

Репозиторий с материалами семинаров: - https://github.com/TmKarter/lsml-2026

Наше облако: - https://console.yandex.cloud/cloud/b1g4glg8eltqhueeifkh

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 16:20 - 17:40 по МСК, ссылку на зум публикуем в тг

Семинары проводят:

- Галушкин Андрей в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

- Анищенко Илья в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

=== Консультации ===

Консультации с преподавателями (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 1-3 недели (см таблицу с точными датами, они появляются тут по мере прохождения курса).
* Большое домашнее задание (будет выдано ориентировочно в феврале).
* В Мини-домашних заданиях переодически будут появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2024/2025

LSML 2025/2026

2026-01-12T11:18:03Z

TmKarter: /* О курсе */ - добавил инфо по курсу

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции и семинары проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - [будут позже]

Получение доступа к Облаку - https://forms.gle/CaDJ1YdG1jpYWjcn6

Таблица с оценками: - [будет позже]

Папка на Я.Диске с записями всех занятий - [будет позже]

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+mQ1JQ2-TxmIyYjli

Репозиторий с материалами семинаров: -

Наше облако: [будет позже]

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 16:20 - 17:40 по МСК, ссылку на зум публикуем в тг

Семинары проводят:

- Галушкин Андрей в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

- Анищенко Илья в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

=== Консультации ===

Консультации с преподавателями (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 1-3 недели (см таблицу с точными датами, они появляются тут по мере прохождения курса).
* Большое домашнее задание (будет выдано ориентировочно в феврале).
* В Мини-домашних заданиях переодически будут появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2024/2025

LSML 2025/2026

2026-01-12T10:50:19Z

TmKarter: Завел шаблон под страницу курса

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции и семинары проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - [будут позже]

Получение доступа к Облаку - [будет позже]

Таблица с оценками: - [будет позже]

Папка на Я.Диске с записями всех занятий - [будет позже]

Чат в telegram с объявлениями и топиками по курсу: -

Репозиторий с материалами семинаров: -

Наше облако: [будет позже]

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 16:20 - 17:40 по МСК, ссылку на зум публикуем в тг

Семинары проводят:

- Галушкин Андрей в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

- Анищенко Илья в ПН в 18:10-19:30 по МСК, ссылку на зум также публикуем в тг

=== Консультации ===

Консультации с преподавателями (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 1-3 недели (см таблицу с точными датами, они появляются тут по мере прохождения курса).
* Большое домашнее задание (будет выдано ориентировочно в феврале).
* В Мини-домашних заданиях переодически будут появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2024/2025

Wiki ФКН

2026-01-12T10:01:53Z

TmKarter: /* Курсы за 2025/26 учебный год */

__NOTOC__
= Учебные курсы факультета компьютерных наук =

{| class="wikitable"
|-
! colspan="2" | <div style="text-align: center;">'''Навигация'''</div>
|-
! [[#bachelors|Курсы бакалавриата ФКН]]
| <div style="text-align:center">[[#AMI|ПМИ]] · [[#SE|ПИ]] · [[#DSBA|ПАД]] · [[#compds|КНАД]] · [[#EDA|ЭАД]] · [[#DRIP|ДРИП]] · [[#electives|майноры и факультативы]]</div>
|-
! colspan="2" | [[#DataCulture|Курсы в рамках проекта Data Culture]] · [[#masters|Курсы магистратуры ФКН]] · [[#other|Курсы других факультетов]] · [[#archive|Архив]]
|}

== Курсы за 2025/26 учебный год ==
{| class="wikitable courses"
|-

! width="21%" | 1 курс !! width="21%" | 2 курс !! width="21%" | 3 курс !! width="21%" | 4 курс !! rowspan="2" | '''майноры и факультативы'''
|-
| colspan="4" style="text-align: center;" | '''ПМИ'''
|-
|

'''М+'''

[[Линейная_алгебра_и_геометрия_на_ПМИ_2025/2026_(пилотный_поток) | Линейная алгебра и геометрия (пилотный поток)]]

[[Математический_анализ_1_2025/26_(пилотный_поток) | Математический анализ-1 (пилотный поток)]]

[[Дискретная математика_на_ПМИ_2025/2026_(пилотный_поток) | Дискретная математика (пилотный поток)]]

[[Теория_чисел_(пилотный_поток)_2025/26 | Теория чисел (пилотный поток)]]

'''М'''

[[Линейная_алгебра_и_геометрия_на_ПМИ_2025/2026_(основной_поток) | Линейная алгебра и геометрия (основной поток)]]

[[Математический_анализ_1_2025/26_(основной_поток) | Математический анализ-1 (ПМИ основной поток)]]

[[DM1PMIbase-2025-26 | Дискретная математика (ПМИ основной поток)]]

'''П'''

[[Язык программирования Python 2025/26 (основной поток) ]]

[[Алгоритмы и структуры данных 1 (основной поток) (2 модуль) 2025/2026]]

'''П+'''

[[Язык программирования C++ (пилотный поток) ]]

[[Алгоритмы и структуры данных пилотный поток 2025/2026 | Алгоритмы и структуры данных (пилотный поток)]]

||

'''М+'''

[[Математический_Анализ_2_на_ПМИ_2025/26_(пилотный_поток) | Математический анализ 2 (пилотный поток)]]

[[Теория_вероятностей_2025/26_(пилотный_поток) | Теория вероятностей (пилотный поток)]]

'''М'''

[[Теория_вероятностей_на_ПМИ_2025/2026_(основной_поток) | Теория вероятностей (основной поток)]]

[[Математический_анализ_-_2_(основной_поток)_ПМИ_и_ЭАД_2025/2026 | Математический анализ-2 (ПМИ + ЭАД)]]

 

'''П'''

[[Язык_программирования_Python_(углубленный_курс) | Язык программирования Python (углубленный курс)]]
 

[[CAOS-2025/26 | Архитектура компьютеров и операционные системы]]

[[Инструменты_промышленной_разработки | Инструменты промышленной разработки]]

[[Алгоритмы_и_структуры_данных_2_2025/26 | Алгоритмы и структуры данных 2 2025/26]]

[[Язык_программирования_Go | Язык программирования Go]]

||

[[ PE101-25-26 | Performance engineering 101 ]]

[[Функциональное_программирование_2025/2026 | Функциональное программирование]]

[[ Основы_тензорных_вычислений_(2025/26) | Основы тензорных вычислений ]]

[[Глубинное обучение 1 25/26 | Введение в глубинное обучение]]

[[ Types_25 | Типы в языках программирования ]]

[[ Безопасность_компьютерных_систем_25/26 | Безопасность компьютерных систем ]]

[[ Моделирование временных рядов 2025/26 | Моделирование временных рядов ]]

'''ПМИ / МОП'''

[[Машинное_обучение_1_25/26 | Машинное обучение 1]]

[[Математическая_статистика_2_2025/2026 | Математическая статистика 2]]

[[ML_Research_Seminar_1 | НИС Машинное Обучение и Приложения 1]]

'''ПМИ / РС'''

[https://docs.google.com/document/d/1sHfi9_m4hx4y0iIgQEueMCr4qokLxh2Bvyzw_MdE2iI/edit?usp=sharing Распределенные системы]

[https://docs.google.com/document/d/1Hqu7iVY0FpYVujjNpIClkIMOQy32YWJpJHZKPSrOtmA/edit?usp=sharing НИС Распределенные системы]

'''ПМИ / ТИ'''

[[ NIS-TCS-25-26 | НИС Теоретическая информатика ]]

 

||

[[ PE101-25-26 | Performance engineering 101 ]]

[http://wiki.cs.hse.ru/%D0%93%D0%B5%D0%BD%D0%B5%D1%80%D0%B0%D1%82%D0%B8%D0%B2%D0%BD%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8_%D0%BD%D0%B0_%D0%BE%D1%81%D0%BD%D0%BE%D0%B2%D0%B5_%D0%B4%D0%B8%D1%84%D1%84%D1%83%D0%B7%D0%B8%D0%B8_(25/26) Генеративные модели на основе диффузии 25/26]

[[Большие_языковые_модели_25_26 | Большие языковые модели]]

[[Theory_of_computation_2025 | Theory of computation]]

[[Statistical_learning_theory_2025 | Statistical learning theory]]

'''ПМИ / МОП'''

[http://wiki.cs.hse.ru/%D0%93%D0%BB%D1%83%D0%B1%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_2_2025 Глубинное обучение 2]

[[ML_Research_Seminar_2 | НИС Машинное Обучение и Приложения 2]]

[[LSML 2025/2026 | Машинное обучение для больших данных]]

'''ПМИ / РС'''

[https://docs.google.com/document/d/1Q2gx-6ugSi9intAW6ZSsLZNrEvl7S5ClyAhn8EjJnRM/edit?usp=sharing НИС Распределенные системы 2]

'''ПМИ / ТИ'''

[[ NIS-TCS-25-26 | НИС Теоретическая информатика ]]

[[ OWF-25-26 | Односторонние функции и их применения ]]

[[ ConvApprox26 | Выпуклое программирование и аппроксимационные алгоритмы ]]

 

| rowspan="11" |


[[Майнор_Биоинформатика_1_год_2025/26|Биоинформатика 1 год 2025/26]]

[[Майнор_Биоинформатика_2_год_2025/26|Биоинформатика 2 год 2025/26]]

[[Введение_в_программирование_25/26|Введение в программирование. Питон 25/26]]

[[Введение_в_базы_данных_25/26|Введение в базы данных 25/26]]

[[Основы_глубинного_обучения_25/26|Основы глубинного обучения 25/26]]

[[Kolmogorov_complexity_fall2025|Introduction to Kolmogorov complexity]]

|-
| colspan="4" style="text-align: center;" | '''ПИ'''
|-
|

[[Алгебра_ПИ_2025-2026|Алгебра 25/26]]

[[Дискретная_математика_25/26|Дискретная математика 25/26]]

[[Математический_анализ_25/26|Математический анализ 25/26]]

|
[[НИС_Методы_и_алгоритмы_защиты_информации_25/26|НИС Методы и алгоритмы защиты информации 25/26]]

[[Теория_вероятностей_25/26|Теория вероятностей 25/26]]
|
 

||
 

|-
| colspan="4" style="text-align: center;" | '''ПАД'''
|-
|
'''1st year DSBA 2025/2026'''

[[Calculus 1 DSBA 2025/2026 | Calculus 1 (modules 1-4)]]

[[C++ Programming Language DSBA 2025/2026 | C++ Programming Language (modules 1-3)]]

[[English DSBA 2025/2026 | English Language (modules 1-4)]]

[[LAaG DSBA 2025/2026 | Linear Algebra and Geometry (modules 1-4)]]

[[Discrete Mathematics 1 DSBA 2025/2026 | Discrete Mathematics 1 (modules 1-3)]]

[[Russian History DSBA 2025/2026 | Russian History (modules 1-4)]]

[[Economics DSBA 2025/2026 | Economics (modules 2-3)]]

[[Foundations of Russian Statehood DSBA 2025/2026 | Foundations of Russian Statehood (module 3)]]

[[Algebra DSBA 2025/2026 | Algebra (module 4)]]

[[Algorithms and Data Structures 1 DSBA 2025/2026 | Algorithms and Data Structures 1 (module 4)]]

[[Python for Data Science DSBA 2025/2026 | Python for Data Science (module 4)]]

||
'''2nd year DSBA 2025/2026'''

[[Algorithms and Data Structures DSBA 2025/2026 | Algorithms and Data Structures (modules 1-3)]]

[[Discrete Mathematics 2 DSBA 2025/2026 | Discrete Mathematics 2 (modules 1-2)]]

[[Calculus 2 DSBA 2025/2026 | Calculus 2 (modules 1-2)]]

[[Probability Theory DSBA 2025/2026 | Probability Theory (modules 1-2)]]

[[Introduction to Micro and Macroeconomics DSBA 2025/2026 | Introduction to Micro and Macroeconomics (modules 1-4)]]

[[Computer Architecture and Operating Systems DSBA 2025/2026 | Computer Architecture and Operating Systems (modules 3-4)]]

[[Mathematical Statistics DSBA 2025/2026 | Mathematical Statistics (modules 3-4)]]

[[Machine Learning 1 DSBA 2025/2026 modules 3-4 | Machine Learning 1 (modules 3-4)]]

[[Differential Equations DSBA 2025/2026 | Differential Equations (modules (3-4)]]

'''Minors'''

[[Business and Management in Global Context DSBA 2025/2026 | Business and Management in Global Context (modules 1-4)]]

[[Introduction to Finance DSBA 2025/2026 | Introduction to Finance (modules 1-4)]]

||
'''3rd year DSBA 2025/2026'''

[[Databases DSBA 2025/2026 | Databases (modules 1-2)]]

[[Optimization Methods DSBA 2025/2026 | Optimization Methods (modules 1-2)]]

[[Machine Learning 1 DSBA 2025/2026 | Machine Learning 1 (modules 1-2)]]

[[Stochastic processes and applications DSBA 2025/2026 | Stochastic processes and applications (modules 1-2)]]

[[Time Series Analysis DSBA 2025/2026 | Time Series Analysis (modules 3-4)]]

[[Deep Learning DSBA 2025/2026 | Deep Learning (modules 3-4)]]

'''Minors'''

[[Introduction to Entrepreneurship DSBA 2025/2026 | Introduction to Entrepreneurship (business minor, modules 1-2)]]

[[Information Systems Management DSBA 2025/2026 | Information Systems Management (business minor, modules 3-4)]]

[[Econometrics DSBA 2025/2026 | Elements of Econometrics (finance minor, modules 1-4)]]

'''Specialization Data Science in Business'''

[[Research Seminar "Data Analysis in Business" DSBA 2025/2026 | Research Seminar "Data Analysis in Business“ (modules 1-4)]]

[[Data Analysis in Business DSBA 2025/2026 | Data Analysis in Business (modules 1-2)]]

[[Investment Management for Business DSBA 2025/2026 | Investment Management for Business (modules 3-4)]]

'''Specialization Data Science in Finance'''

[[Research Seminar "Data Science in Financial Economics" DSBA 2025/2026 | Research Seminar "Data Science in Financial Economics" (modules 1-4)]]

[[Financial Mathematics DSBA 2025/2026 | Financial Mathematics (modules 1-2)]]

[[Risk Management in Bank DSBA 2025/2026 | Risk Management in Bank (modules 3-4)]]

'''Specialization Data Analysis in Applied Research'''

[[Research Seminar "Data Science in Applied Research" DSBA 2025/2026 | Research Seminar "Data Science in Applied Research" (modules 1-4)]]

[[Methods of Mathematical Modeling DSBA 2025/2026 | Methods of Mathematical Modeling (modules 1-2)]]

[[Applied Statistics for Machine Learning DSBA 2025/2026 | Applied Statistics for Machine Learning (modules 3-4)]]

'''Electives (modules 3-4)'''

[[Operations Research and Game Theory DSBA 2025/2026 | Operations Research and Game Theory]]

[[Advanced Statistical Methods DSBA 2025/2026 | Advanced Statistical Methods]]

[[Recommender Systems DSBA 2025/2026 | Recommender Systems]]

||
'''4th year DSBA 2025/2026'''

[[Strategy DSBA 2025/2026 | Strategy (modules 1-3)]]

[[Statistical Methods for Market Research DSBA 2025/2026 | Statistical Methods for Market Research (modules 2-3)]]

'''Electives block 1 (modules 1-3)'''

[[Core Management Concepts DSBA 2025/2026 | Core Management Concepts]]

[[Asset Pricing and Financial Markets DSBA 2025/2026 | Asset Pricing and Financial Markets]]

'''Electives block 2 (modules 1-2)'''

[[Introduction to the Study of Language for Computer Scientists DSBA 2025/2026 | Introduction to the Study of Language for Computer Scientists]]

[[Quantitative Finance DSBA 2025/2026 | Quantitative Finance]]

[[Information Security Risk Management DSBA 2025/2026 | Information Security Risk Management]]

[[Generative Models in Machine Learning DSBA 2025/2026 | Generative Models in Machine Learning]]

[[Natural Language Processing DSBA 2025/2026 | Natural Language Processing]]

'''Electives block 3 (module 3)'''

[[Information Systems DSBA 2025/2026 | Information Systems]]

[[Cоmputer Vision DSBA 2025/2026 | Cоmputer Vision]]

'''Research Seminar Electives (modules 1-3)'''

[[Research Seminar "Data Analysis in the Natural Sciences" DSBA 2025/2026 | Research Seminar "Data Analysis in the Natural Sciences"]]

[[Research Seminar "Data Science in Financial Markets" DSBA 2025/2026 | Research Seminar "Data Science in Financial Markets"]]

[[Research Seminar "Data analysis in complex systems" DSBA 2025/2026 | Research Seminar "Data analysis in complex systems"]]

|-
| colspan="4" style="text-align: center;" | '''КНАД'''
|-
|
[[Дискретная_Математика_КНАД_2025/26 | Дискретная математика 2025/26 (КНАД)]]

[[Программирование_на_Python_КНАД_25/26 | Программирование на Python 25/26 (КНАД)]]

[[Линейная алгебра КНАД 25/26]]

[[Математический Анализ КНАД 25/26]]

||
[[Алгебра КНАД 2025/2026 | Алгебра]]

[[Алгоритмы_и_структуры_данных_2_КНАД_25/26 | Алгоритмы и структуры данных-2]]

[[Математический_анализ_2_КНАД_2025/26 | Математический анализ-2 2025/26 (КНАД)]]

[[Теория_вероятностей_КНАД_2025/26 | Теория вероятностей 2025/26 (КНАД)]]

[[ACOS_COMPDS_2025/26 | Архитектура Компьютера и Операционные Системы]]

||
 

||
 

|-
| colspan="4" style="text-align: center;" | '''ЭАД'''
|-
|
[[Язык программирования Python 2025/26 (ЭАД) ]]

[[DM1EAD-2025-26 | Дискретная математика 2025/26 (ЭАД)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2025/2026_(основной_поток) | Линейная алгебра и геометрия]]

[[Математический_анализ_1_2025/26_(основной_поток)_ЭАД | Математический анализ-1 (ЭАД)]]

[[Алгоритмы и структуры данных-1 2025/2026 2 модуль (ЭАД)]]
||

[[Алгоритмы и структуры данных 2 ЭАД 25/26 | Алгоритмы и структуры данных-2]]

||
 

||
 

|-
| colspan="4" style="text-align: center;" | '''ДРИП'''
|-
|
[[Ddip2529 | Линейная алгебра и геометрия]]

[[DM_DRIP-2025-26 | Дискретная математика 2025/26 (ДРИП)]]

||
[[Теория_вероятностей_ДРИП_25/56 | Теория вероятностей 2025/26 (ДРИП)]]

||
 

||
 

|}

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

{| class="wikitable"
|-
! Осенний семестр !! Весенний семестр
|-
|
|
|}

== Курсы магистратуры ФКН ==
{| class="wikitable"
|-
! Ссылка !! Дисциплина !! Год обучения
|-
| [[ NIS-TCS-25-26 | НИС Теоретическая информатика ]] || НИС ТИ || СКН, 1-2 год
|-
| [[MOTV_2025 | Mathematical foundations of probability theory]] || Math of Machine Learning, MML || 1 year
|-
| [[MC_2025 | Markov Chains]] || Math of Machine Learning, MML || 1 year
|}

== Курсы других факультетов ==

{| class="wikitable"
|-
! Дисциплина !! Курс !! Период
|-
| [[icef-scalc-2025-fall|Stochastic Calculus Fall 2025]] ||icef, master 1 year || 2 module
|-
|}

== Факультативы ==

{| class="wikitable"
|-
! Дисциплина !! Период
|-
| [[Аналитическая_теория_чисел:_приложения_комплексного_анализа_25/26 | Аналитическая теория чисел: приложения комплексного анализа 25/26]] || 1-2 модуль
|-
|}

= Архив до 2024/25 учебного года включительно =
[[Wiki ФКН/Архив]]

Wiki ФКН

2026-01-12T10:00:38Z

TmKarter: /* Курсы за 2025/26 учебный год */ - добавил ссылку на курс lsml

__NOTOC__
= Учебные курсы факультета компьютерных наук =

{| class="wikitable"
|-
! colspan="2" | <div style="text-align: center;">'''Навигация'''</div>
|-
! [[#bachelors|Курсы бакалавриата ФКН]]
| <div style="text-align:center">[[#AMI|ПМИ]] · [[#SE|ПИ]] · [[#DSBA|ПАД]] · [[#compds|КНАД]] · [[#EDA|ЭАД]] · [[#DRIP|ДРИП]] · [[#electives|майноры и факультативы]]</div>
|-
! colspan="2" | [[#DataCulture|Курсы в рамках проекта Data Culture]] · [[#masters|Курсы магистратуры ФКН]] · [[#other|Курсы других факультетов]] · [[#archive|Архив]]
|}

== Курсы за 2025/26 учебный год ==
{| class="wikitable courses"
|-

! width="21%" | 1 курс !! width="21%" | 2 курс !! width="21%" | 3 курс !! width="21%" | 4 курс !! rowspan="2" | '''майноры и факультативы'''
|-
| colspan="4" style="text-align: center;" | '''ПМИ'''
|-
|

'''М+'''

[[Линейная_алгебра_и_геометрия_на_ПМИ_2025/2026_(пилотный_поток) | Линейная алгебра и геометрия (пилотный поток)]]

[[Математический_анализ_1_2025/26_(пилотный_поток) | Математический анализ-1 (пилотный поток)]]

[[Дискретная математика_на_ПМИ_2025/2026_(пилотный_поток) | Дискретная математика (пилотный поток)]]

[[Теория_чисел_(пилотный_поток)_2025/26 | Теория чисел (пилотный поток)]]

'''М'''

[[Линейная_алгебра_и_геометрия_на_ПМИ_2025/2026_(основной_поток) | Линейная алгебра и геометрия (основной поток)]]

[[Математический_анализ_1_2025/26_(основной_поток) | Математический анализ-1 (ПМИ основной поток)]]

[[DM1PMIbase-2025-26 | Дискретная математика (ПМИ основной поток)]]

'''П'''

[[Язык программирования Python 2025/26 (основной поток) ]]

[[Алгоритмы и структуры данных 1 (основной поток) (2 модуль) 2025/2026]]

'''П+'''

[[Язык программирования C++ (пилотный поток) ]]

[[Алгоритмы и структуры данных пилотный поток 2025/2026 | Алгоритмы и структуры данных (пилотный поток)]]

||

'''М+'''

[[Математический_Анализ_2_на_ПМИ_2025/26_(пилотный_поток) | Математический анализ 2 (пилотный поток)]]

[[Теория_вероятностей_2025/26_(пилотный_поток) | Теория вероятностей (пилотный поток)]]

'''М'''

[[Теория_вероятностей_на_ПМИ_2025/2026_(основной_поток) | Теория вероятностей (основной поток)]]

[[Математический_анализ_-_2_(основной_поток)_ПМИ_и_ЭАД_2025/2026 | Математический анализ-2 (ПМИ + ЭАД)]]

 

'''П'''

[[Язык_программирования_Python_(углубленный_курс) | Язык программирования Python (углубленный курс)]]
 

[[CAOS-2025/26 | Архитектура компьютеров и операционные системы]]

[[Инструменты_промышленной_разработки | Инструменты промышленной разработки]]

[[Алгоритмы_и_структуры_данных_2_2025/26 | Алгоритмы и структуры данных 2 2025/26]]

[[Язык_программирования_Go | Язык программирования Go]]

||

[[ PE101-25-26 | Performance engineering 101 ]]

[[Функциональное_программирование_2025/2026 | Функциональное программирование]]

[[ Основы_тензорных_вычислений_(2025/26) | Основы тензорных вычислений ]]

[[Глубинное обучение 1 25/26 | Введение в глубинное обучение]]

[[ Types_25 | Типы в языках программирования ]]

[[ Безопасность_компьютерных_систем_25/26 | Безопасность компьютерных систем ]]

[[ Моделирование временных рядов 2025/26 | Моделирование временных рядов ]]

'''ПМИ / МОП'''

[[Машинное_обучение_1_25/26 | Машинное обучение 1]]

[[Математическая_статистика_2_2025/2026 | Математическая статистика 2]]

[[ML_Research_Seminar_1 | НИС Машинное Обучение и Приложения 1]]

[[LSML 2025/2026 | Машинное обучение для больших данных]]

'''ПМИ / РС'''

[https://docs.google.com/document/d/1sHfi9_m4hx4y0iIgQEueMCr4qokLxh2Bvyzw_MdE2iI/edit?usp=sharing Распределенные системы]

[https://docs.google.com/document/d/1Hqu7iVY0FpYVujjNpIClkIMOQy32YWJpJHZKPSrOtmA/edit?usp=sharing НИС Распределенные системы]

'''ПМИ / ТИ'''

[[ NIS-TCS-25-26 | НИС Теоретическая информатика ]]

 

||

[[ PE101-25-26 | Performance engineering 101 ]]

[http://wiki.cs.hse.ru/%D0%93%D0%B5%D0%BD%D0%B5%D1%80%D0%B0%D1%82%D0%B8%D0%B2%D0%BD%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8_%D0%BD%D0%B0_%D0%BE%D1%81%D0%BD%D0%BE%D0%B2%D0%B5_%D0%B4%D0%B8%D1%84%D1%84%D1%83%D0%B7%D0%B8%D0%B8_(25/26) Генеративные модели на основе диффузии 25/26]

[[Большие_языковые_модели_25_26 | Большие языковые модели]]

[[Theory_of_computation_2025 | Theory of computation]]

[[Statistical_learning_theory_2025 | Statistical learning theory]]

'''ПМИ / МОП'''

[http://wiki.cs.hse.ru/%D0%93%D0%BB%D1%83%D0%B1%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_2_2025 Глубинное обучение 2]

[[ML_Research_Seminar_2 | НИС Машинное Обучение и Приложения 2]]

'''ПМИ / РС'''

[https://docs.google.com/document/d/1Q2gx-6ugSi9intAW6ZSsLZNrEvl7S5ClyAhn8EjJnRM/edit?usp=sharing НИС Распределенные системы 2]

'''ПМИ / ТИ'''

[[ NIS-TCS-25-26 | НИС Теоретическая информатика ]]

[[ OWF-25-26 | Односторонние функции и их применения ]]

[[ ConvApprox26 | Выпуклое программирование и аппроксимационные алгоритмы ]]

 

| rowspan="11" |


[[Майнор_Биоинформатика_1_год_2025/26|Биоинформатика 1 год 2025/26]]

[[Майнор_Биоинформатика_2_год_2025/26|Биоинформатика 2 год 2025/26]]

[[Введение_в_программирование_25/26|Введение в программирование. Питон 25/26]]

[[Введение_в_базы_данных_25/26|Введение в базы данных 25/26]]

[[Основы_глубинного_обучения_25/26|Основы глубинного обучения 25/26]]

[[Kolmogorov_complexity_fall2025|Introduction to Kolmogorov complexity]]

|-
| colspan="4" style="text-align: center;" | '''ПИ'''
|-
|

[[Алгебра_ПИ_2025-2026|Алгебра 25/26]]

[[Дискретная_математика_25/26|Дискретная математика 25/26]]

[[Математический_анализ_25/26|Математический анализ 25/26]]

|
[[НИС_Методы_и_алгоритмы_защиты_информации_25/26|НИС Методы и алгоритмы защиты информации 25/26]]

[[Теория_вероятностей_25/26|Теория вероятностей 25/26]]
|
 

||
 

|-
| colspan="4" style="text-align: center;" | '''ПАД'''
|-
|
'''1st year DSBA 2025/2026'''

[[Calculus 1 DSBA 2025/2026 | Calculus 1 (modules 1-4)]]

[[C++ Programming Language DSBA 2025/2026 | C++ Programming Language (modules 1-3)]]

[[English DSBA 2025/2026 | English Language (modules 1-4)]]

[[LAaG DSBA 2025/2026 | Linear Algebra and Geometry (modules 1-4)]]

[[Discrete Mathematics 1 DSBA 2025/2026 | Discrete Mathematics 1 (modules 1-3)]]

[[Russian History DSBA 2025/2026 | Russian History (modules 1-4)]]

[[Economics DSBA 2025/2026 | Economics (modules 2-3)]]

[[Foundations of Russian Statehood DSBA 2025/2026 | Foundations of Russian Statehood (module 3)]]

[[Algebra DSBA 2025/2026 | Algebra (module 4)]]

[[Algorithms and Data Structures 1 DSBA 2025/2026 | Algorithms and Data Structures 1 (module 4)]]

[[Python for Data Science DSBA 2025/2026 | Python for Data Science (module 4)]]

||
'''2nd year DSBA 2025/2026'''

[[Algorithms and Data Structures DSBA 2025/2026 | Algorithms and Data Structures (modules 1-3)]]

[[Discrete Mathematics 2 DSBA 2025/2026 | Discrete Mathematics 2 (modules 1-2)]]

[[Calculus 2 DSBA 2025/2026 | Calculus 2 (modules 1-2)]]

[[Probability Theory DSBA 2025/2026 | Probability Theory (modules 1-2)]]

[[Introduction to Micro and Macroeconomics DSBA 2025/2026 | Introduction to Micro and Macroeconomics (modules 1-4)]]

[[Computer Architecture and Operating Systems DSBA 2025/2026 | Computer Architecture and Operating Systems (modules 3-4)]]

[[Mathematical Statistics DSBA 2025/2026 | Mathematical Statistics (modules 3-4)]]

[[Machine Learning 1 DSBA 2025/2026 modules 3-4 | Machine Learning 1 (modules 3-4)]]

[[Differential Equations DSBA 2025/2026 | Differential Equations (modules (3-4)]]

'''Minors'''

[[Business and Management in Global Context DSBA 2025/2026 | Business and Management in Global Context (modules 1-4)]]

[[Introduction to Finance DSBA 2025/2026 | Introduction to Finance (modules 1-4)]]

||
'''3rd year DSBA 2025/2026'''

[[Databases DSBA 2025/2026 | Databases (modules 1-2)]]

[[Optimization Methods DSBA 2025/2026 | Optimization Methods (modules 1-2)]]

[[Machine Learning 1 DSBA 2025/2026 | Machine Learning 1 (modules 1-2)]]

[[Stochastic processes and applications DSBA 2025/2026 | Stochastic processes and applications (modules 1-2)]]

[[Time Series Analysis DSBA 2025/2026 | Time Series Analysis (modules 3-4)]]

[[Deep Learning DSBA 2025/2026 | Deep Learning (modules 3-4)]]

'''Minors'''

[[Introduction to Entrepreneurship DSBA 2025/2026 | Introduction to Entrepreneurship (business minor, modules 1-2)]]

[[Information Systems Management DSBA 2025/2026 | Information Systems Management (business minor, modules 3-4)]]

[[Econometrics DSBA 2025/2026 | Elements of Econometrics (finance minor, modules 1-4)]]

'''Specialization Data Science in Business'''

[[Research Seminar "Data Analysis in Business" DSBA 2025/2026 | Research Seminar "Data Analysis in Business“ (modules 1-4)]]

[[Data Analysis in Business DSBA 2025/2026 | Data Analysis in Business (modules 1-2)]]

[[Investment Management for Business DSBA 2025/2026 | Investment Management for Business (modules 3-4)]]

'''Specialization Data Science in Finance'''

[[Research Seminar "Data Science in Financial Economics" DSBA 2025/2026 | Research Seminar "Data Science in Financial Economics" (modules 1-4)]]

[[Financial Mathematics DSBA 2025/2026 | Financial Mathematics (modules 1-2)]]

[[Risk Management in Bank DSBA 2025/2026 | Risk Management in Bank (modules 3-4)]]

'''Specialization Data Analysis in Applied Research'''

[[Research Seminar "Data Science in Applied Research" DSBA 2025/2026 | Research Seminar "Data Science in Applied Research" (modules 1-4)]]

[[Methods of Mathematical Modeling DSBA 2025/2026 | Methods of Mathematical Modeling (modules 1-2)]]

[[Applied Statistics for Machine Learning DSBA 2025/2026 | Applied Statistics for Machine Learning (modules 3-4)]]

'''Electives (modules 3-4)'''

[[Operations Research and Game Theory DSBA 2025/2026 | Operations Research and Game Theory]]

[[Advanced Statistical Methods DSBA 2025/2026 | Advanced Statistical Methods]]

[[Recommender Systems DSBA 2025/2026 | Recommender Systems]]

||
'''4th year DSBA 2025/2026'''

[[Strategy DSBA 2025/2026 | Strategy (modules 1-3)]]

[[Statistical Methods for Market Research DSBA 2025/2026 | Statistical Methods for Market Research (modules 2-3)]]

'''Electives block 1 (modules 1-3)'''

[[Core Management Concepts DSBA 2025/2026 | Core Management Concepts]]

[[Asset Pricing and Financial Markets DSBA 2025/2026 | Asset Pricing and Financial Markets]]

'''Electives block 2 (modules 1-2)'''

[[Introduction to the Study of Language for Computer Scientists DSBA 2025/2026 | Introduction to the Study of Language for Computer Scientists]]

[[Quantitative Finance DSBA 2025/2026 | Quantitative Finance]]

[[Information Security Risk Management DSBA 2025/2026 | Information Security Risk Management]]

[[Generative Models in Machine Learning DSBA 2025/2026 | Generative Models in Machine Learning]]

[[Natural Language Processing DSBA 2025/2026 | Natural Language Processing]]

'''Electives block 3 (module 3)'''

[[Information Systems DSBA 2025/2026 | Information Systems]]

[[Cоmputer Vision DSBA 2025/2026 | Cоmputer Vision]]

'''Research Seminar Electives (modules 1-3)'''

[[Research Seminar "Data Analysis in the Natural Sciences" DSBA 2025/2026 | Research Seminar "Data Analysis in the Natural Sciences"]]

[[Research Seminar "Data Science in Financial Markets" DSBA 2025/2026 | Research Seminar "Data Science in Financial Markets"]]

[[Research Seminar "Data analysis in complex systems" DSBA 2025/2026 | Research Seminar "Data analysis in complex systems"]]

|-
| colspan="4" style="text-align: center;" | '''КНАД'''
|-
|
[[Дискретная_Математика_КНАД_2025/26 | Дискретная математика 2025/26 (КНАД)]]

[[Программирование_на_Python_КНАД_25/26 | Программирование на Python 25/26 (КНАД)]]

[[Линейная алгебра КНАД 25/26]]

[[Математический Анализ КНАД 25/26]]

||
[[Алгебра КНАД 2025/2026 | Алгебра]]

[[Алгоритмы_и_структуры_данных_2_КНАД_25/26 | Алгоритмы и структуры данных-2]]

[[Математический_анализ_2_КНАД_2025/26 | Математический анализ-2 2025/26 (КНАД)]]

[[Теория_вероятностей_КНАД_2025/26 | Теория вероятностей 2025/26 (КНАД)]]

[[ACOS_COMPDS_2025/26 | Архитектура Компьютера и Операционные Системы]]

||
 

||
 

|-
| colspan="4" style="text-align: center;" | '''ЭАД'''
|-
|
[[Язык программирования Python 2025/26 (ЭАД) ]]

[[DM1EAD-2025-26 | Дискретная математика 2025/26 (ЭАД)]]

[[Линейная_алгебра_и_геометрия_на_ПМИ_2025/2026_(основной_поток) | Линейная алгебра и геометрия]]

[[Математический_анализ_1_2025/26_(основной_поток)_ЭАД | Математический анализ-1 (ЭАД)]]

[[Алгоритмы и структуры данных-1 2025/2026 2 модуль (ЭАД)]]
||

[[Алгоритмы и структуры данных 2 ЭАД 25/26 | Алгоритмы и структуры данных-2]]

||
 

||
 

|-
| colspan="4" style="text-align: center;" | '''ДРИП'''
|-
|
[[Ddip2529 | Линейная алгебра и геометрия]]

[[DM_DRIP-2025-26 | Дискретная математика 2025/26 (ДРИП)]]

||
[[Теория_вероятностей_ДРИП_25/56 | Теория вероятностей 2025/26 (ДРИП)]]

||
 

||
 

|}

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

{| class="wikitable"
|-
! Осенний семестр !! Весенний семестр
|-
|
|
|}

== Курсы магистратуры ФКН ==
{| class="wikitable"
|-
! Ссылка !! Дисциплина !! Год обучения
|-
| [[ NIS-TCS-25-26 | НИС Теоретическая информатика ]] || НИС ТИ || СКН, 1-2 год
|-
| [[MOTV_2025 | Mathematical foundations of probability theory]] || Math of Machine Learning, MML || 1 year
|-
| [[MC_2025 | Markov Chains]] || Math of Machine Learning, MML || 1 year
|}

== Курсы других факультетов ==

{| class="wikitable"
|-
! Дисциплина !! Курс !! Период
|-
| [[icef-scalc-2025-fall|Stochastic Calculus Fall 2025]] ||icef, master 1 year || 2 module
|-
|}

== Факультативы ==

{| class="wikitable"
|-
! Дисциплина !! Период
|-
| [[Аналитическая_теория_чисел:_приложения_комплексного_анализа_25/26 | Аналитическая теория чисел: приложения комплексного анализа 25/26]] || 1-2 модуль
|-
|}

= Архив до 2024/25 учебного года включительно =
[[Wiki ФКН/Архив]]

LSML 2024/2025

2025-03-21T17:41:39Z

TmKarter: добавлено новое дз

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/NaxNax666/lsml-2025/tree/main/lectures

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: - https://docs.google.com/spreadsheets/d/1psL-bsuAj5yeVNqLMFyZoEPE-WYandTvMVPOBK1DHHM

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако: https://console.yandex.cloud/cloud/b1g4eujvvdle2rievqof

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/VEm1zyuJNBins7ZS8 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 1 февраля || 11 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/Ct8LQAog7QQL9Ysb7 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 15 февраля || 25 февраля 23:59
|-
| Мини домашнее задание 3. || https://forms.gle/M4EQMySRdXC24Awy5 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW%203.%20Classical%20models.ipynb тык] || 28 февраля || 11 марта 23:59
|-
| Мини домашнее задание 4. || https://forms.gle/WUpam8t4mXjrBghC9 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW4.%20Spark%20transformations.ipynb тык] || 21 марта || 26 марта 09:00
|-
| Основное домашнее задание || https://forms.gle/KL8vNTWPveCzFbFy8 || [https://github.com/NaxNax666/lsml-2025/blob/main/Main%20Homework.%20Outbrain.ipynb тык] || 13 марта || 26 марта 09:00
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-03-13T19:38:47Z

TmKarter: добавил материал по дз

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/NaxNax666/lsml-2025/tree/main/lectures

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: - https://docs.google.com/spreadsheets/d/1psL-bsuAj5yeVNqLMFyZoEPE-WYandTvMVPOBK1DHHM

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако: https://console.yandex.cloud/cloud/b1g4eujvvdle2rievqof

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/VEm1zyuJNBins7ZS8 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 1 февраля || 11 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/Ct8LQAog7QQL9Ysb7 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 15 февраля || 25 февраля 23:59
|-
| Мини домашнее задание 3. || https://forms.gle/M4EQMySRdXC24Awy5 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW%203.%20Classical%20models.ipynb тык] || 28 февраля || 11 марта 23:59
|-
| Мини домашнее задание 4. || чуть позже || || ||
|-
| Основное домашнее задание || https://forms.gle/KL8vNTWPveCzFbFy8 || [https://github.com/NaxNax666/lsml-2025/blob/main/Main%20Homework.%20Outbrain.ipynb тык] || 13 марта || 26 марта 09:00
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-03-13T19:32:55Z

TmKarter: правки по дз

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/NaxNax666/lsml-2025/tree/main/lectures

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: - https://docs.google.com/spreadsheets/d/1psL-bsuAj5yeVNqLMFyZoEPE-WYandTvMVPOBK1DHHM

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако: https://console.yandex.cloud/cloud/b1g4eujvvdle2rievqof

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/VEm1zyuJNBins7ZS8 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 1 февраля || 11 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/Ct8LQAog7QQL9Ysb7 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 15 февраля || 25 февраля 23:59
|-
| Мини домашнее задание 3. || https://forms.gle/M4EQMySRdXC24Awy5 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW%203.%20Classical%20models.ipynb тык] || 28 февраля || 11 марта 23:59
|-
| Мини домашнее задание 4. || чуть позже || || ||
|-
| Основное домашнее задание || https://forms.gle/KL8vNTWPveCzFbFy8 || || 13 марта || 26 марта 09:00
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-03-12T18:16:16Z

TmKarter: --

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/NaxNax666/lsml-2025/tree/main/lectures

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: - https://docs.google.com/spreadsheets/d/1psL-bsuAj5yeVNqLMFyZoEPE-WYandTvMVPOBK1DHHM

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако: https://console.yandex.cloud/cloud/b1g4eujvvdle2rievqof

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/VEm1zyuJNBins7ZS8 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 1 февраля || 11 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/Ct8LQAog7QQL9Ysb7 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 15 февраля || 25 февраля 23:59
|-
| Мини домашнее задание 3. || https://forms.gle/M4EQMySRdXC24Awy5 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW%203.%20Classical%20models.ipynb тык] || 28 февраля || 11 марта 23:59
|-
| Мини домашнее задание 4. || чуть позже || || ||
|-
| Основное домашнее задание || https://forms.gle/KL8vNTWPveCzFbFy8 || || 12 марта || 24 марта 09:00
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-03-12T17:49:34Z

TmKarter: оформление MHW

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/NaxNax666/lsml-2025/tree/main/lectures

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: - https://docs.google.com/spreadsheets/d/1psL-bsuAj5yeVNqLMFyZoEPE-WYandTvMVPOBK1DHHM

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако: https://console.yandex.cloud/cloud/b1g4eujvvdle2rievqof

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/VEm1zyuJNBins7ZS8 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 1 февраля || 11 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/Ct8LQAog7QQL9Ysb7 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 15 февраля || 25 февраля 23:59
|-
| Мини домашнее задание 3. || https://forms.gle/M4EQMySRdXC24Awy5 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW%203.%20Classical%20models.ipynb тык] || 28 февраля || 11 марта 23:59
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || https://forms.gle/KL8vNTWPveCzFbFy8 || || 12 марта || 24 марта 09:00
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-03-09T22:48:01Z

TmKarter: сдвинули дедлайн по дз3

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/NaxNax666/lsml-2025/tree/main/lectures

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: - https://docs.google.com/spreadsheets/d/1psL-bsuAj5yeVNqLMFyZoEPE-WYandTvMVPOBK1DHHM

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако: https://console.yandex.cloud/cloud/b1g4eujvvdle2rievqof

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/VEm1zyuJNBins7ZS8 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 1 февраля || 11 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/Ct8LQAog7QQL9Ysb7 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 15 февраля || 25 февраля 23:59
|-
| Мини домашнее задание 3. || https://forms.gle/M4EQMySRdXC24Awy5 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW%203.%20Classical%20models.ipynb тык] || 28 февраля || 11 марта 23:59
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-03-09T00:55:02Z

TmKarter: добавил форму для сдачи дз 3

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/NaxNax666/lsml-2025/tree/main/lectures

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: - https://docs.google.com/spreadsheets/d/1psL-bsuAj5yeVNqLMFyZoEPE-WYandTvMVPOBK1DHHM

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако: https://console.yandex.cloud/cloud/b1g4eujvvdle2rievqof

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/VEm1zyuJNBins7ZS8 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 1 февраля || 11 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/Ct8LQAog7QQL9Ysb7 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 15 февраля || 25 февраля 23:59
|-
| Мини домашнее задание 3. || https://forms.gle/M4EQMySRdXC24Awy5 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW%203.%20Classical%20models.ipynb тык] || 28 февраля || 10 марта 23:59
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-02-28T00:51:13Z

TmKarter: добавил инфо по дз 3

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/NaxNax666/lsml-2025/tree/main/lectures

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: - https://docs.google.com/spreadsheets/d/1psL-bsuAj5yeVNqLMFyZoEPE-WYandTvMVPOBK1DHHM

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако: https://console.yandex.cloud/cloud/b1g4eujvvdle2rievqof

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/VEm1zyuJNBins7ZS8 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 1 февраля || 11 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/Ct8LQAog7QQL9Ysb7 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 15 февраля || 25 февраля 23:59
|-
| Мини домашнее задание 3. || форму выложим позже || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW%203.%20Classical%20models.ipynb тык] || 28 февраля || 10 марта 23:59
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-02-15T10:11:52Z

TmKarter: добавили дз 2

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/NaxNax666/lsml-2025/tree/main/lectures

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: - https://docs.google.com/spreadsheets/d/1psL-bsuAj5yeVNqLMFyZoEPE-WYandTvMVPOBK1DHHM

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако: https://console.yandex.cloud/cloud/b1g4eujvvdle2rievqof

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/VEm1zyuJNBins7ZS8 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 1 февраля || 11 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/Ct8LQAog7QQL9Ysb7 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW2.%20Hadoop%20and%20Spark.ipynb тык] || 15 февраля || 25 февраля 23:59
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-02-07T01:06:58Z

TmKarter: добавил таблицу с оценками

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/NaxNax666/lsml-2025/tree/main/lectures

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: - https://docs.google.com/spreadsheets/d/1psL-bsuAj5yeVNqLMFyZoEPE-WYandTvMVPOBK1DHHM

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако: https://console.yandex.cloud/cloud/b1g4eujvvdle2rievqof

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/VEm1zyuJNBins7ZS8 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 1 февраля || 11 февраля 23:59
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-02-07T01:00:10Z

TmKarter: добавил инфо по дз 1

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/NaxNax666/lsml-2025/tree/main/lectures

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: -

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако: https://console.yandex.cloud/cloud/b1g4eujvvdle2rievqof

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/VEm1zyuJNBins7ZS8 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 1 февраля || 11 февраля 23:59
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-02-07T00:58:11Z

TmKarter: добавил форму для сдачи

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/NaxNax666/lsml-2025/tree/main/lectures

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: -

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако: https://console.yandex.cloud/cloud/b1g4eujvvdle2rievqof

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/bRwt7DAKuyEK2iYk7 || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 1 февраля || 11 февраля 23:59
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-02-03T17:30:10Z

TmKarter: добавил ссылку на наше облако

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/NaxNax666/lsml-2025/tree/main/lectures

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: -

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако: https://console.yandex.cloud/cloud/b1g4eujvvdle2rievqof

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 1 февраля || 11 февраля 23:59
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-02-01T20:59:51Z

TmKarter: добавил инфо по дз 1

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/NaxNax666/lsml-2025/tree/main/lectures

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: -

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако:

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || [https://github.com/NaxNax666/lsml-2025/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 1 февраля || 11 февраля 23:59
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-01-20T21:39:06Z

TmKarter: добавлена ссылка на слайды лекций

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: - https://github.com/NaxNax666/lsml-2025/tree/main/lectures

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: -

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако:

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-01-20T15:56:26Z

TmKarter: добавил в инфо по курсу лектора

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович, Булатов Евгений Александрович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: -

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: -

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако:

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-01-20T15:55:13Z

TmKarter: добавление информационных ссылок на страницу

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: -

Получение доступа к Облаку - https://forms.gle/WYxZNoyzmz8aB9C87

Таблица с оценками: -

Папка на Я.Диске с записями всех занятий - https://disk.yandex.ru/d/XjVA1H2x8tCbBw

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров: https://github.com/NaxNax666/lsml-2025

Наше облако:

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-01-13T00:16:54Z

TmKarter: add tg link

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: -

Получение доступа к Облаку -

Таблица с оценками: -

Плейлист с записями всех занятий -

Чат в telegram с объявлениями и топиками по курсу: - https://t.me/+ipo8KM6LQs8yNzZi

Репозиторий с материалами семинаров:

Наше облако:

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-01-10T18:32:52Z

TmKarter: /* О курсе */

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лекторы:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: -

Получение доступа к Облаку -

Таблица с оценками: -

Плейлист с записями всех занятий -

Чат в telegram с объявлениями и топиками по курсу: -

Репозиторий с материалами семинаров:

Наше облако:

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2024/2025

2025-01-10T18:32:05Z

TmKarter: По шаблону с прошлого года завел страничку под курс нового года

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лектор:''' [https://t.me/poly_nomial Анищенко Илья Игоревич], Байкалов Владимир Олегович

'''Семинаристы:''' [https://t.me/therealAvicenna Галушкин Андрей Владимирович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: -

Получение доступа к Облаку -

Таблица с оценками: -

Плейлист с записями всех занятий -

Чат в telegram с объявлениями и топиками по курсу: -

Репозиторий с материалами семинаров:

Наше облако:

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводят преподаватели из списка выше в общий временной слот в ПН 18:10 - 19:30 по МСК - (ссылка будет позже)

Семинары проводят:

- Галушкин Андрей в СБ в 11:10-12:30 по МСК - (ссылка будет позже)

- Анищенко Илья в ПН в 19:40-21:00 по МСК - (ссылка будет позже)

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу с точными датами).
* Большое домашнее задание (будет выдано ориентировочно на 4 семинаре).
* В Мини-домашних заданиях переодически буду появляться бонусные задания, дающие возможность получить больше 10 баллов за работу
Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/4] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/LSML_2023/2024

LSML 2023/2024

2024-05-12T21:10:33Z

TmKarter: удаление ссылки на чат

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лектор:''' [https://t.me/adkosm Космачев Алексей Дмитриевич]

'''Семинаристы:''' [https://t.me/art591 Алекберов Артем Темурович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: [https://drive.google.com/drive/folders/1TCRaEmmkT3T8XKDMtm5KjYZ2jJCH5EfK тык]

Получение доступа к Облаку - https://forms.gle/Bo6wst4qfZ89TwPd7

Таблица с оценками: [https://docs.google.com/spreadsheets/d/1X9BL4VBlrDqu7VAaykSg19yM7JCjtFLo5Bw8QKRUWjA/edit?usp=sharing тык]

Плейлист с записями всех занятий - [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pm8uTSNkHsdEi6PLlIV2RN тык]

Чат в telegram с объявлениями и топиками по курсу: -

Репозиторий с материалами семинаров: [https://github.com/art591/lsml-2024/tree/main тык]

Наше облако: https://console.cloud.yandex.ru/cloud/b1gjgaju2nhl8bbacq3f

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/caSVYF9ogmVsRwSn8 || [https://github.com/art591/lsml-2024/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 11 февраля || 18 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/EzXK6uAcarmuBfVm8 || [https://github.com/art591/lsml-2024/blob/main/MHW2.%20Hadoop.ipynb тык] || 21 февраля || 3 марта 23:59
|-
| Мини домашнее задание 3. || https://forms.gle/1rzQenpfnn3RDHZf9 || [https://github.com/art591/lsml-2024/blob/main/MHW%203.%20Classical%20models.ipynb тык] || 13 марта || 24 марта 23:59
|-
| Основное домашнее задание || https://forms.gle/4XKotxy4yBk7Dwx49 || [https://github.com/art591/lsml-2024/blob/main/Main%20Homework.%20Outbrain.ipynb тык] || 4 марта || 24 марта 23:59
|-
|}

== Лекции и Семинары ==
Лекции проводит Космачев Алексей по СБ 11:10 - 12:30 по МСК - [https://us06web.zoom.us/j/86545266265?pwd=P9jbLqznmtdrdKG7cfCm8J3iV99GBF.1 ссылка]

Семинары проводят:

- Алекберов Артем по ЧТ в 11:10-12:30 по МСК - [https://us06web.zoom.us/j/81052703435?pwd=DVbi840yNaJ8XnIPpq3spTceM0BGNn.1 ссылка]

- Анищенко Илья по СБ в 14:40-16:00 по МСК - [https://us06web.zoom.us/j/84189555936?pwd=ceuvbb0ipCq1SSvOpDBakWuBY3fE4v.1 ссылка]

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу).
* Большое домашнее задание (будет выдано ориентировочно на 3 семинаре).
* Дополнительно будет проведено мини-соревнование. За него можно заработать только дополнительные баллы (в основную формулу оценки они не входят).

Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/3] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных

LSML 2023/2024

2024-03-13T08:44:47Z

TmKarter: исправление итоговой оценки + добавление ссылок на дз 3

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лектор:''' [https://t.me/adkosm Космачев Алексей Дмитриевич]

'''Семинаристы:''' [https://t.me/art591 Алекберов Артем Темурович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: [https://drive.google.com/drive/folders/1TCRaEmmkT3T8XKDMtm5KjYZ2jJCH5EfK тык]

Получение доступа к Облаку - https://forms.gle/Bo6wst4qfZ89TwPd7

Таблица с оценками: [https://docs.google.com/spreadsheets/d/1X9BL4VBlrDqu7VAaykSg19yM7JCjtFLo5Bw8QKRUWjA/edit?usp=sharing тык]

Плейлист с записями всех занятий - [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pm8uTSNkHsdEi6PLlIV2RN тык]

Чат в telegram с объявлениями и топиками по курсу: https://t.me/+pGkk3SpUQ35mNDEy

Репозиторий с материалами семинаров: [https://github.com/art591/lsml-2024/tree/main тык]

Наше облако: https://console.cloud.yandex.ru/cloud/b1gjgaju2nhl8bbacq3f

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/caSVYF9ogmVsRwSn8 || [https://github.com/art591/lsml-2024/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 11 февраля || 18 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/EzXK6uAcarmuBfVm8 || [https://github.com/art591/lsml-2024/blob/main/MHW2.%20Hadoop.ipynb тык] || 21 февраля || 3 марта 23:59
|-
| Мини домашнее задание 3. || https://forms.gle/1rzQenpfnn3RDHZf9 || [https://github.com/art591/lsml-2024/blob/main/MHW%203.%20Classical%20models.ipynb тык] || 13 марта || 24 марта 23:59
|-
| Основное домашнее задание || https://forms.gle/4XKotxy4yBk7Dwx49 || [https://github.com/art591/lsml-2024/blob/main/Main%20Homework.%20Outbrain.ipynb тык] || 4 марта || 24 марта 23:59
|-
|}

== Лекции и Семинары ==
Лекции проводит Космачев Алексей по СБ 11:10 - 12:30 по МСК - [https://us06web.zoom.us/j/86545266265?pwd=P9jbLqznmtdrdKG7cfCm8J3iV99GBF.1 ссылка]

Семинары проводят:

- Алекберов Артем по ЧТ в 11:10-12:30 по МСК - [https://us06web.zoom.us/j/81052703435?pwd=DVbi840yNaJ8XnIPpq3spTceM0BGNn.1 ссылка]

- Анищенко Илья по СБ в 14:40-16:00 по МСК - [https://us06web.zoom.us/j/84189555936?pwd=ceuvbb0ipCq1SSvOpDBakWuBY3fE4v.1 ссылка]

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу).
* Большое домашнее задание (будет выдано ориентировочно на 3 семинаре).
* Дополнительно будет проведено мини-соревнование. За него можно заработать только дополнительные баллы (в основную формулу оценки они не входят).

Итоговая оценка вычисляется:

Oитоговая = 0.5*[(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4)/3] + 0.5*OДЗ

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных

LSML 2023/2024

2024-03-04T15:10:27Z

TmKarter: добавление ссылок на большое дз

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лектор:''' [https://t.me/adkosm Космачев Алексей Дмитриевич]

'''Семинаристы:''' [https://t.me/art591 Алекберов Артем Темурович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: [https://drive.google.com/drive/folders/1TCRaEmmkT3T8XKDMtm5KjYZ2jJCH5EfK тык]

Получение доступа к Облаку - https://forms.gle/Bo6wst4qfZ89TwPd7

Таблица с оценками: [https://docs.google.com/spreadsheets/d/1X9BL4VBlrDqu7VAaykSg19yM7JCjtFLo5Bw8QKRUWjA/edit?usp=sharing тык]

Плейлист с записями всех занятий - [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pm8uTSNkHsdEi6PLlIV2RN тык]

Чат в telegram с объявлениями и топиками по курсу: https://t.me/+pGkk3SpUQ35mNDEy

Репозиторий с материалами семинаров: [https://github.com/art591/lsml-2024/tree/main тык]

Наше облако: https://console.cloud.yandex.ru/cloud/b1gjgaju2nhl8bbacq3f

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/caSVYF9ogmVsRwSn8 || [https://github.com/art591/lsml-2024/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 11 февраля || 18 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/EzXK6uAcarmuBfVm8 || [https://github.com/art591/lsml-2024/blob/main/MHW2.%20Hadoop.ipynb тык] || 21 февраля || 3 марта 23:59
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || https://forms.gle/4XKotxy4yBk7Dwx49 || [https://github.com/art591/lsml-2024/blob/main/Main%20Homework.%20Outbrain.ipynb тык] || 4 марта || 24 марта 23:59
|-
|}

== Лекции и Семинары ==
Лекции проводит Космачев Алексей по СБ 11:10 - 12:30 по МСК - [https://us06web.zoom.us/j/86545266265?pwd=P9jbLqznmtdrdKG7cfCm8J3iV99GBF.1 ссылка]

Семинары проводят:

- Алекберов Артем по ЧТ в 11:10-12:30 по МСК - [https://us06web.zoom.us/j/81052703435?pwd=DVbi840yNaJ8XnIPpq3spTceM0BGNn.1 ссылка]

- Анищенко Илья по СБ в 14:40-16:00 по МСК - [https://us06web.zoom.us/j/84189555936?pwd=ceuvbb0ipCq1SSvOpDBakWuBY3fE4v.1 ссылка]

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу).
* Большое домашнее задание (будет выдано ориентировочно на 3 семинаре).
* Дополнительно будет проведено мини-соревнование. За него можно заработать только дополнительные баллы (в основную формулу оценки они не входят).

Итоговая оценка вычисляется:

Oитоговая = 0.125*(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4) + 0.5*OДЗ [+ 0.1*OСоревнование]

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных

LSML 2023/2024

2024-02-20T21:40:31Z

TmKarter: добавление ссылок для сдачи ДЗ

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лектор:''' [https://t.me/adkosm Космачев Алексей Дмитриевич]

'''Семинаристы:''' [https://t.me/art591 Алекберов Артем Темурович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: [https://drive.google.com/drive/folders/1TCRaEmmkT3T8XKDMtm5KjYZ2jJCH5EfK тык]

Получение доступа к Облаку - https://forms.gle/Bo6wst4qfZ89TwPd7

Таблица с оценками: [https://docs.google.com/spreadsheets/d/1X9BL4VBlrDqu7VAaykSg19yM7JCjtFLo5Bw8QKRUWjA/edit?usp=sharing тык]

Плейлист с записями всех занятий - [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pm8uTSNkHsdEi6PLlIV2RN тык]

Чат в telegram с объявлениями и топиками по курсу: https://t.me/+pGkk3SpUQ35mNDEy

Репозиторий с материалами семинаров: [https://github.com/art591/lsml-2024/tree/main тык]

Наше облако: https://console.cloud.yandex.ru/cloud/b1gjgaju2nhl8bbacq3f

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/caSVYF9ogmVsRwSn8 || [https://github.com/art591/lsml-2024/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 11 февраля || 18 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/EzXK6uAcarmuBfVm8 || [https://github.com/art591/lsml-2024/blob/main/MHW2.%20Hadoop.ipynb тык] || 21 февраля || 3 марта 23:59
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводит Космачев Алексей по СБ 11:10 - 12:30 по МСК - [https://us06web.zoom.us/j/86545266265?pwd=P9jbLqznmtdrdKG7cfCm8J3iV99GBF.1 ссылка]

Семинары проводят:

- Алекберов Артем по ЧТ в 11:10-12:30 по МСК - [https://us06web.zoom.us/j/81052703435?pwd=DVbi840yNaJ8XnIPpq3spTceM0BGNn.1 ссылка]

- Анищенко Илья по СБ в 14:40-16:00 по МСК - [https://us06web.zoom.us/j/84189555936?pwd=ceuvbb0ipCq1SSvOpDBakWuBY3fE4v.1 ссылка]

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу).
* Большое домашнее задание (будет выдано ориентировочно на 3 семинаре).
* Дополнительно будет проведено мини-соревнование. За него можно заработать только дополнительные баллы (в основную формулу оценки они не входят).

Итоговая оценка вычисляется:

Oитоговая = 0.125*(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4) + 0.5*OДЗ [+ 0.1*OСоревнование]

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных

LSML 2023/2024

2024-02-11T16:29:40Z

TmKarter: добавление дз 1 и инфы по нему

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лектор:''' [https://t.me/adkosm Космачев Алексей Дмитриевич]

'''Семинаристы:''' [https://t.me/art591 Алекберов Артем Темурович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: [https://drive.google.com/drive/folders/1TCRaEmmkT3T8XKDMtm5KjYZ2jJCH5EfK тык]

Получение доступа к Облаку - https://forms.gle/Bo6wst4qfZ89TwPd7

Таблица с оценками: [https://docs.google.com/spreadsheets/d/1X9BL4VBlrDqu7VAaykSg19yM7JCjtFLo5Bw8QKRUWjA/edit?usp=sharing тык]

Плейлист с записями всех занятий - [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pm8uTSNkHsdEi6PLlIV2RN тык]

Чат в telegram с объявлениями и топиками по курсу: https://t.me/+pGkk3SpUQ35mNDEy

Репозиторий с материалами семинаров: [https://github.com/art591/lsml-2024/tree/main тык]

Наше облако: https://console.cloud.yandex.ru/cloud/b1gjgaju2nhl8bbacq3f

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/caSVYF9ogmVsRwSn8 || [https://github.com/art591/lsml-2024/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 11 февраля || 18 февраля 23:59
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводит Космачев Алексей по СБ 11:10 - 12:30 по МСК - [https://us06web.zoom.us/j/86545266265?pwd=P9jbLqznmtdrdKG7cfCm8J3iV99GBF.1 ссылка]

Семинары проводят:

- Алекберов Артем по ЧТ в 11:10-12:30 по МСК - [https://us06web.zoom.us/j/81052703435?pwd=DVbi840yNaJ8XnIPpq3spTceM0BGNn.1 ссылка]

- Анищенко Илья по СБ в 14:40-16:00 по МСК - [https://us06web.zoom.us/j/84189555936?pwd=ceuvbb0ipCq1SSvOpDBakWuBY3fE4v.1 ссылка]

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу).
* Большое домашнее задание (будет выдано ориентировочно на 3 семинаре).
* Дополнительно будет проведено мини-соревнование. За него можно заработать только дополнительные баллы (в основную формулу оценки они не входят).

Итоговая оценка вычисляется:

Oитоговая = 0.125*(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4) + 0.5*OДЗ [+ 0.1*OСоревнование]

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных

LSML 2023/2024

2024-02-07T23:56:19Z

TmKarter: добавление ссылок на материалы курса

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лектор:''' [https://t.me/adkosm Космачев Алексей Дмитриевич]

'''Семинаристы:''' [https://t.me/art591 Алекберов Артем Темурович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: [https://drive.google.com/drive/folders/1TCRaEmmkT3T8XKDMtm5KjYZ2jJCH5EfK тык]

Получение доступа к Облаку - https://forms.gle/Bo6wst4qfZ89TwPd7

Таблица с оценками: [https://docs.google.com/spreadsheets/d/1X9BL4VBlrDqu7VAaykSg19yM7JCjtFLo5Bw8QKRUWjA/edit?usp=sharing тык]

Плейлист с записями всех занятий - [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pm8uTSNkHsdEi6PLlIV2RN тык]

Чат в telegram с объявлениями и топиками по курсу: https://t.me/+pGkk3SpUQ35mNDEy

Репозиторий с материалами семинаров: [https://github.com/art591/lsml-2024/tree/main тык]

Наше облако: https://console.cloud.yandex.ru/cloud/b1gjgaju2nhl8bbacq3f

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводит Космачев Алексей по СБ 11:10 - 12:30 по МСК - [https://us06web.zoom.us/j/86545266265?pwd=P9jbLqznmtdrdKG7cfCm8J3iV99GBF.1 ссылка]

Семинары проводят:

- Алекберов Артем по ЧТ в 11:10-12:30 по МСК - [https://us06web.zoom.us/j/81052703435?pwd=DVbi840yNaJ8XnIPpq3spTceM0BGNn.1 ссылка]

- Анищенко Илья по СБ в 14:40-16:00 по МСК - [https://us06web.zoom.us/j/84189555936?pwd=ceuvbb0ipCq1SSvOpDBakWuBY3fE4v.1 ссылка]

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу).
* Большое домашнее задание (будет выдано ориентировочно на 3 семинаре).
* Дополнительно будет проведено мини-соревнование. За него можно заработать только дополнительные баллы (в основную формулу оценки они не входят).

Итоговая оценка вычисляется:

Oитоговая = 0.125*(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4) + 0.5*OДЗ [+ 0.1*OСоревнование]

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных

LSML 2023/2024

2024-02-03T13:26:34Z

TmKarter: добавление ссылок на материалы курса

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лектор:''' [https://t.me/adkosm Космачев Алексей Дмитриевич]

'''Семинаристы:''' [https://t.me/art591 Алекберов Артем Темурович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций:

Получение доступа к Облаку - https://forms.gle/Bo6wst4qfZ89TwPd7

Таблица с оценками: [https://docs.google.com/spreadsheets/d/1X9BL4VBlrDqu7VAaykSg19yM7JCjtFLo5Bw8QKRUWjA/edit?usp=sharing тык]

Плейлист с записями всех занятий - [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pm8uTSNkHsdEi6PLlIV2RN тык]

Чат в telegram с объявлениями и топиками по курсу: https://t.me/+pGkk3SpUQ35mNDEy

Репозиторий с материалами семинаров: [https://github.com/art591/lsml-2024/tree/main тык]

Наше облако: https://console.cloud.yandex.ru/cloud/b1gjgaju2nhl8bbacq3f

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводит Космачев Алексей по СБ 11:10 - 12:30 по МСК - [https://us06web.zoom.us/j/86545266265?pwd=P9jbLqznmtdrdKG7cfCm8J3iV99GBF.1 ссылка]

Семинары проводят:

- Алекберов Артем по ЧТ в 11:10-12:30 по МСК - [https://us06web.zoom.us/j/81052703435?pwd=DVbi840yNaJ8XnIPpq3spTceM0BGNn.1 ссылка]

- Анищенко Илья по СБ в 14:40-16:00 по МСК - [https://us06web.zoom.us/j/84189555936?pwd=ceuvbb0ipCq1SSvOpDBakWuBY3fE4v.1 ссылка]

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу).
* Большое домашнее задание (будет выдано ориентировочно на 3 семинаре).
* Дополнительно будет проведено мини-соревнование. За него можно заработать только дополнительные баллы (в основную формулу оценки они не входят).

Итоговая оценка вычисляется:

Oитоговая = 0.125*(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4) + 0.5*OДЗ [+ 0.1*OСоревнование]

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных

LSML 2023/2024

2024-02-02T14:11:58Z

TmKarter: добавление ссылок по курсу

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лектор:''' [https://t.me/adkosm Космачев Алексей Дмитриевич]

'''Семинаристы:''' [https://t.me/art591 Алекберов Артем Темурович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций:

Получение доступа к Облаку - https://forms.gle/Bo6wst4qfZ89TwPd7

Таблица с оценками:

Плейлист с записями всех занятий - [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pm8uTSNkHsdEi6PLlIV2RN тык]

Чат в telegram с объявлениями и топиками по курсу: https://t.me/+pGkk3SpUQ35mNDEy

Репозиторий с материалами семинаров: [https://github.com/art591/lsml-2024/tree/main тык]

Наше облако:

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводит Космачев Алексей по СБ 11:10 - 12:30 по МСК - [https://us06web.zoom.us/j/86545266265?pwd=P9jbLqznmtdrdKG7cfCm8J3iV99GBF.1 ссылка]

Семинары проводят:

- Алекберов Артем по ЧТ в 11:10-12:30 по МСК - [https://us06web.zoom.us/j/81052703435?pwd=DVbi840yNaJ8XnIPpq3spTceM0BGNn.1 ссылка]

- Анищенко Илья по СБ в 14:40-16:00 по МСК - [https://us06web.zoom.us/j/84189555936?pwd=ceuvbb0ipCq1SSvOpDBakWuBY3fE4v.1 ссылка]

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу).
* Большое домашнее задание (будет выдано ориентировочно на 3 семинаре).
* Дополнительно будет проведено мини-соревнование. За него можно заработать только дополнительные баллы (в основную формулу оценки они не входят).

Итоговая оценка вычисляется:

Oитоговая = 0.125*(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4) + 0.5*OДЗ [+ 0.1*OСоревнование]

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных

LSML 2023/2024

2024-01-31T03:29:56Z

TmKarter: Внесение нужных ссылок на страницу курса

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лектор:''' [https://t.me/adkosm Космачев Алексей Дмитриевич]

'''Семинаристы:''' [https://t.me/art591 Алекберов Артем Темурович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций:

Получение доступа к Облаку - https://forms.gle/Bo6wst4qfZ89TwPd7

Таблица с оценками:

Плейлист с записями всех занятий - [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pm8uTSNkHsdEi6PLlIV2RN тык]

Чат в telegram с объявлениями и топиками по курсу: https://t.me/+pGkk3SpUQ35mNDEy

Репозиторий с материалами семинаров:

Наше облако:

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Лекции и Семинары ==
Лекции проводит Космачев Алексей по СБ 11:10 - 12:30 по МСК - [https://us06web.zoom.us/j/86545266265?pwd=P9jbLqznmtdrdKG7cfCm8J3iV99GBF.1 ссылка]

Семинары проводят:

- Алекберов Артем по ЧТ в 11:10-12:30 по МСК - [https://us06web.zoom.us/j/81052703435?pwd=DVbi840yNaJ8XnIPpq3spTceM0BGNn.1 ссылка]

- Анищенко Илья по СБ в 14:40-16:00 по МСК - [https://us06web.zoom.us/j/84189555936?pwd=ceuvbb0ipCq1SSvOpDBakWuBY3fE4v.1 ссылка]

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу).
* Большое домашнее задание (будет выдано ориентировочно на 3 семинаре).
* Дополнительно будет проведено мини-соревнование. За него можно заработать только дополнительные баллы (в основную формулу оценки они не входят).

Итоговая оценка вычисляется:

Oитоговая = 0.125*(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4) + 0.5*OДЗ [+ 0.1*OСоревнование]

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных

LSML 2023/2024

2024-01-31T03:20:02Z

TmKarter: добавление ссылки на форму для доступа на облако

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лектор:''' [https://t.me/adkosm Космачев Алексей Дмитриевич]

'''Семинаристы:''' [https://t.me/art591 Алекберов Артем Темурович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций:

Получение доступа к Облаку - https://forms.gle/Bo6wst4qfZ89TwPd7

Таблица с оценками:

Плейлист с записями всех занятий - [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pm8uTSNkHsdEi6PLlIV2RN тык]

Чат в telegram с объявлениями и топиками по курсу: https://t.me/+pGkk3SpUQ35mNDEy

Репозиторий с материалами семинаров:

Наше облако:

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Семинары ==

Семинары проводятся по _ в _ по МСК -

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу).
* Большое домашнее задание (будет выдано ориентировочно на 3 семинаре).
* Дополнительно будет проведено мини-соревнование. За него можно заработать только дополнительные баллы (в основную формулу оценки они не входят).

Итоговая оценка вычисляется:

Oитоговая = 0.125*(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4) + 0.5*OДЗ [+ 0.1*OСоревнование]

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных

LSML 2023/2024

2024-01-31T03:19:23Z

TmKarter: добавление ссылки на плейлист с лекциями

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лектор:''' [https://t.me/adkosm Космачев Алексей Дмитриевич]

'''Семинаристы:''' [https://t.me/art591 Алекберов Артем Темурович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций:

Получение доступа к Облаку -

Таблица с оценками:

Плейлист с записями всех занятий - [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pm8uTSNkHsdEi6PLlIV2RN тык]

Чат в telegram с объявлениями и топиками по курсу: https://t.me/+pGkk3SpUQ35mNDEy

Репозиторий с материалами семинаров:

Наше облако:

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Семинары ==

Семинары проводятся по _ в _ по МСК -

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу).
* Большое домашнее задание (будет выдано ориентировочно на 3 семинаре).
* Дополнительно будет проведено мини-соревнование. За него можно заработать только дополнительные баллы (в основную формулу оценки они не входят).

Итоговая оценка вычисляется:

Oитоговая = 0.125*(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4) + 0.5*OДЗ [+ 0.1*OСоревнование]

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных

LSML 2023/2024

2024-01-12T12:10:12Z

TmKarter: правка инфо возле тг ссылки на чат

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лектор:''' [https://t.me/adkosm Космачев Алексей Дмитриевич]

'''Семинаристы:''' [https://t.me/art591 Алекберов Артем Темурович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций:

Получение доступа к Облаку -

Таблица с оценками:

Плейлист с записями всех занятий -

Чат в telegram с объявлениями и топиками по курсу: https://t.me/+pGkk3SpUQ35mNDEy

Репозиторий с материалами семинаров:

Наше облако:

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Семинары ==

Семинары проводятся по _ в _ по МСК -

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу).
* Большое домашнее задание (будет выдано ориентировочно на 3 семинаре).
* Дополнительно будет проведено мини-соревнование. За него можно заработать только дополнительные баллы (в основную формулу оценки они не входят).

Итоговая оценка вычисляется:

Oитоговая = 0.125*(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4) + 0.5*OДЗ [+ 0.1*OСоревнование]

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных

LSML 2023/2024

2024-01-12T12:07:38Z

TmKarter: завел шаблон под курс LSML 2023/2024

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лектор:''' [https://t.me/adkosm Космачев Алексей Дмитриевич]

'''Семинаристы:''' [https://t.me/art591 Алекберов Артем Темурович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций:

Получение доступа к Облаку -

Таблица с оценками:

Плейлист с записями всех занятий -

Чат в telegram с объявлениями и чатами: https://t.me/+pGkk3SpUQ35mNDEy

Репозиторий с материалами семинаров:

Наше облако:

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || || || ||
|-
| Мини домашнее задание 2. || || || ||
|-
| Мини домашнее задание 3. || || || ||
|-
| Мини домашнее задание 4. || || || ||
|-
| Основное домашнее задание || || || ||
|-
|}

== Семинары ==

Семинары проводятся по _ в _ по МСК -

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу).
* Большое домашнее задание (будет выдано ориентировочно на 3 семинаре).
* Дополнительно будет проведено мини-соревнование. За него можно заработать только дополнительные баллы (в основную формулу оценки они не входят).

Итоговая оценка вычисляется:

Oитоговая = 0.125*(OМДЗ1 + OМДЗ2 + OМДЗ3 + OМДЗ4) + 0.5*OДЗ [+ 0.1*OСоревнование]

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных

Прикладные задачи анализа данных/2022

2022-04-18T22:51:06Z

TmKarter: минорные опечатки

== 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 11:10 по [https://zoom.us/j/98428571734?pwd=dlNSWUNzdXZMcTYyMkZuNEd0UGZSUT09 ссылке].

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/346231542 Карточка курса и программа]

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

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://t.me/hs_iad_2021

Чат в telegram (осторожно, риск флуда и отсутствия ответов на содержательные вопросы): https://t.me/+Vuq4Lgi98RG22fQP

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

Таблица с оценками: https://docs.google.com/spreadsheets/d/1ldHwaK38SdeLVJh0h-RUSRf4bgRjBPdhS9J73AASJb0/edit?usp=sharing

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Zoom-конференция !! Ссылка на чат !! Материалы семинаров !! Инвайт в anytask
|-
| ИАД-1 || [https://t.me/waytobehigh Васильковский Михаил] || Добротворский Николай, Григорян Михаил || [https://zoom.us/j/94018277859?pwd=Vy9YT244VWx5emJiN0xFTU1WSU1Gdz09 Zoom] || [https://t.me/+cIX4NC6fCCZlZmUy Чат] || || sF8bn01
|-
| ИАД-2 || [https://t.me/AlexeyKKovalev Ковалёв Алексей] || [https://t.me/egorkapiorka Егор Масликов], Григорян Михаил || [https://zoom.us/j/93403367570?pwd=TnRwZnhGcTBKdG95RFRmaDZFSjBQZz09 Zoom] || [https://t.me/+EJCLcBpN0J0yM2My Чат] || || vP3Pgs7
|-
| ИАД-3 || [https://t.me/Kirili4ik Гельван Кирилл] || [https://t.me/egorkapiorka Егор Масликов], [https://t.me/poly_nomial Анищенко Илья], Матяш Дарья || [https://zoom.us/j/92093885020?pwd=ejdNZU9lUGxRMngyUUQ2My9ZWmpldz09 Zoom] || [https://t.me/+kQ-hh3YdUbc4YmMy Чат]|| || T5EoC7f
|-
| ИАД-4 || [https://t.me/mikhail_h91 Гущин Михаил] || Матяш Дарья, Пономаренко Александр, Довгополый Иоанн || [https://zoom.us/j/98994201201?pwd=anJxZk8rZ0FMZUpVMXBYY2NDcU1PQT09 Zoom] || [https://t.me/+T3cFdHw3Zk8xYTYy Чат] || || WGxLiR3
|-
| ИАД-5 || [https://t.me/asukhareva Анжела Сухорева] || Довгополый Иоанн, [https://t.me/treaptofun Барышников Антон], Фадеев Егор || [https://zoom.us/j/92443725208?pwd=QldGSkloQXFBN2htUDh0bGVvMDM1dz09 Zoom] || [https://t.me/+XaWQfMaUEjExNWRi Чат] || || MNMUy1Y
|-
| ИАД-6 || [https://t.me/murr4a Кантонистова Елена] || Фадеев Егор, Тамогашев Кирилл || [https://zoom.us/j/98871876800?pwd=TlhFeGQvdmhiVDJFNlRaUmRvOVlYUT09 Zoom] || [https://t.me/+e9ZUPY6NwmxmOTcy Чат] || || YMo2fg2
|-
| ИАД-7 || [https://t.me/topshik Антон Семенкин] || Тамогашев Кирилл, Никифоров Михаил, Аверьянов Николай || [https://zoom.us/j/97127332891?pwd=V1JVUjQzZ1FHU3ByOWh1ckZ6SFVLUT09 Zoom] || [https://t.me/+grlMEWqfzdozZjdi Чат] || || SWhHMzu
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Практические домашние работы на Python
* Контрольная где-то в середине курса
* Письменный экзамен

Итоговая оценка вычисляется по формуле:

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

Итоговое 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.

Два раза студент может сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов. Также разрешается в конце курса написать одну проверочную, пропущенную без уважительной причины.

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''' (20.01.2022). Задачи порождения изображений. Perceptual loss. Перенос стиля. Superresolution. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture01-generative.pdf Слайды]] [[https://youtu.be/mWj74otAcvA Запись лекции]]

'''Лекция 2''' (27.01.2022). Вариационные Автокодировщики. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture02-vae.pdf Слайды]] [[https://youtu.be/Bxjd4J37sHw Запись лекции]]

'''Лекция 3''' (03.02.2022). Генеративно-состязательные сети. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture03-gan.pdf Слайды]] [[https://youtu.be/W4YrX7PMUTI Запись лекции]]

'''Лекция 4''' (10.02.2022). Нормализационные потоки. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture04-nf.pdf Слайды]] [[https://youtu.be/1WYXIGsD_5M Запись лекции]]

'''Лекция 5''' (10.02.2022). Глубинное обучение для обработки звука. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture05-Intro%20to%20DSP.pdf Слайды]] [[https://youtu.be/VAcHjPcO_k4 Запись лекции]]

'''Лекция 6''' (03.03.2022). Синтез речи, TTS. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture06-TTS.pdf Конспект]] [[https://youtu.be/3_bnmZxfdiE Запись лекции]]

'''Лекция 7''' (10.03.2022). Анализ временных рядов. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture07-ts.pdf Конспект]] [[https://youtu.be/kV6GptrBhO8 Запись лекции]]

'''Лекция 8''' (17.03.2022). Анализ временных рядов. Продолжение. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture08-ts_2.pdf Выкладки с лекции]] [[https://youtu.be/XpCWb9pgwK0 Запись лекции]]

'''Лекция 9''' (24.03.2022). Современные методы обработки языка. NLP. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture09-NLP.pptx Презентация с лекции]] [[https://github.com/hse-ds/iad-applied-ds/tree/master/2022/lectures/lecture09-NLP_desc дополнительные выкладки]] [[https://youtu.be/1_FBy0bgN7E Запись лекции]]

'''Лекция 10''' (10.04.2022). Рекомендательные системы. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture10-ranking.pdf Конспект]] [[https://youtu.be/7TsmXAPVoPE Запись лекции]]

== Семинары ==

'''Семинар 1''' (27.01.2022). Задачи порождения изображений. Perceptual loss. Перенос стиля. Superresolution. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/seminars/Sem1_neural_style.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/iad-applied-ds/blob/master/2022/seminars/Sem1_neural_style.ipynb Colab]]

'''Семинар 2''' (03.02.2022). Автокодировщики. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/seminars/sem02/sem02-autoencoders-task.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/iad-applied-ds/blob/master/2022/seminars/sem02/sem02-autoencoders-task.ipynb Colab]]

'''Семинар 3''' (10.02.2022). Генеративно-состязательные сети. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/seminars/sem03/sem03-gan-task.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/iad-applied-ds/blob/master/2022/seminars/sem03/sem03-gan-task.ipynb Colab]]

'''Семинар 4''' (10.02.2022). Нормализационные потоки. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/seminars/sem04.ipynb Тетрадка]] [[https://colab.research.google.com/drive/1PCiSQWo_h2XK0XUlj-Oks5_P3JeV_7Ze?usp=sharing Colab]]

'''Семинар 5''' (10.02.2022). Обработка звука 1. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/seminars/sem05/sem05_audio.ipynb Тетрадка]] [[https://colab.research.google.com/drive/1G97XqNom5n2TCqCB7SmLkYoQ9GKGv0XK?usp=sharing Colab]]

'''Семинар 6''' (10.02.2022). Обработка звука 2. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/seminars/sem06.ipynb Тетрадка]] [[https://colab.research.google.com/drive/1YDBP32BIlBPVlfQFQOXzlJSbghb2KwuH?usp=sharing 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. Генеративные модели===
Вам предстоит применить генеративно-состязательные сети и вариационный автокодировщик для быстрой симуляции параметров изображений системы двух черенковских телескопов MAGIC (Major Atmospheric Gamma Imaging Cherenkov).

'''Мягкий дедлайн''': 03 марта 2022 года 23:59

'''Дедлайн''': 06 марта 2022 года 23:59

'''Ссылка''': https://github.com/hse-ds/iad-applied-ds/blob/master/2022/hw/hw1

===Задание 2. Deep learning для обработки звука===
В этом задании Вы поработаете и разберетесь в деталях с форматами представления аудиоданных в задачах глубинного обучения, а так же напишете несколько моделей для классификации аудиозаписей.

'''Мягкий дедлайн''': 23:30 1 апреля

'''Дедлайн''': 23:30 4 апреля

'''Ссылка''': https://github.com/hse-ds/iad-applied-ds/tree/master/2022/hw/hw2

===Задание 3. Прогнозирование временных рядов===
В этом задании Вам предстоит разобраться с основами анализа и прогнозирования временных рядов.

'''Мягкий дедлайн''': 24 апреля в 23:59

'''Дедлайн''': 28 апреля 23:59

'''Ссылка''': https://github.com/hse-ds/iad-applied-ds/blob/master/2022/hw/HW3.ipynb

== Контрольная работа ==

== Экзамен ==

== Страницы прошлых лет ==

[[Прикладные_задачи_анализа_данных/2020_2021 | 2020/21 учебный год ]]

[[Прикладные задачи анализа данных (майнор ИАД) | 2019/20 учебный год ]]

[[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/2022

2022-04-18T22:45:42Z

TmKarter: добавил инфу по лекциям до 10 включительно

== 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 11:10 по [https://zoom.us/j/98428571734?pwd=dlNSWUNzdXZMcTYyMkZuNEd0UGZSUT09 ссылке].

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/346231542 Карточка курса и программа]

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

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://t.me/hs_iad_2021

Чат в telegram (осторожно, риск флуда и отсутствия ответов на содержательные вопросы): https://t.me/+Vuq4Lgi98RG22fQP

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

Таблица с оценками: https://docs.google.com/spreadsheets/d/1ldHwaK38SdeLVJh0h-RUSRf4bgRjBPdhS9J73AASJb0/edit?usp=sharing

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Zoom-конференция !! Ссылка на чат !! Материалы семинаров !! Инвайт в anytask
|-
| ИАД-1 || [https://t.me/waytobehigh Васильковский Михаил] || Добротворский Николай, Григорян Михаил || [https://zoom.us/j/94018277859?pwd=Vy9YT244VWx5emJiN0xFTU1WSU1Gdz09 Zoom] || [https://t.me/+cIX4NC6fCCZlZmUy Чат] || || sF8bn01
|-
| ИАД-2 || [https://t.me/AlexeyKKovalev Ковалёв Алексей] || [https://t.me/egorkapiorka Егор Масликов], Григорян Михаил || [https://zoom.us/j/93403367570?pwd=TnRwZnhGcTBKdG95RFRmaDZFSjBQZz09 Zoom] || [https://t.me/+EJCLcBpN0J0yM2My Чат] || || vP3Pgs7
|-
| ИАД-3 || [https://t.me/Kirili4ik Гельван Кирилл] || [https://t.me/egorkapiorka Егор Масликов], [https://t.me/poly_nomial Анищенко Илья], Матяш Дарья || [https://zoom.us/j/92093885020?pwd=ejdNZU9lUGxRMngyUUQ2My9ZWmpldz09 Zoom] || [https://t.me/+kQ-hh3YdUbc4YmMy Чат]|| || T5EoC7f
|-
| ИАД-4 || [https://t.me/mikhail_h91 Гущин Михаил] || Матяш Дарья, Пономаренко Александр, Довгополый Иоанн || [https://zoom.us/j/98994201201?pwd=anJxZk8rZ0FMZUpVMXBYY2NDcU1PQT09 Zoom] || [https://t.me/+T3cFdHw3Zk8xYTYy Чат] || || WGxLiR3
|-
| ИАД-5 || [https://t.me/asukhareva Анжела Сухорева] || Довгополый Иоанн, [https://t.me/treaptofun Барышников Антон], Фадеев Егор || [https://zoom.us/j/92443725208?pwd=QldGSkloQXFBN2htUDh0bGVvMDM1dz09 Zoom] || [https://t.me/+XaWQfMaUEjExNWRi Чат] || || MNMUy1Y
|-
| ИАД-6 || [https://t.me/murr4a Кантонистова Елена] || Фадеев Егор, Тамогашев Кирилл || [https://zoom.us/j/98871876800?pwd=TlhFeGQvdmhiVDJFNlRaUmRvOVlYUT09 Zoom] || [https://t.me/+e9ZUPY6NwmxmOTcy Чат] || || YMo2fg2
|-
| ИАД-7 || [https://t.me/topshik Антон Семенкин] || Тамогашев Кирилл, Никифоров Михаил, Аверьянов Николай || [https://zoom.us/j/97127332891?pwd=V1JVUjQzZ1FHU3ByOWh1ckZ6SFVLUT09 Zoom] || [https://t.me/+grlMEWqfzdozZjdi Чат] || || SWhHMzu
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Практические домашние работы на Python
* Контрольная где-то в середине курса
* Письменный экзамен

Итоговая оценка вычисляется по формуле:

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

Итоговое 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.

Два раза студент может сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов. Также разрешается в конце курса написать одну проверочную, пропущенную без уважительной причины.

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''' (20.01.2022). Задачи порождения изображений. Perceptual loss. Перенос стиля. Superresolution. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture01-generative.pdf Слайды]] [[https://youtu.be/mWj74otAcvA Запись лекции]]

'''Лекция 2''' (27.01.2022). Вариационные Автокодировщики. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture02-vae.pdf Слайды]] [[https://youtu.be/Bxjd4J37sHw Запись лекции]]

'''Лекция 3''' (03.02.2022). Генеративно-состязательные сети. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture03-gan.pdf Слайды]] [[https://youtu.be/W4YrX7PMUTI Запись лекции]]

'''Лекция 4''' (10.02.2022). Нормализационные потоки. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture04-nf.pdf Слайды]] [[https://youtu.be/1WYXIGsD_5M Запись лекции]]

'''Лекция 5''' (10.02.2022). Глубинное обучение для обработки звука. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture05-Intro%20to%20DSP.pdf Слайды]] [[https://youtu.be/VAcHjPcO_k4 Запись лекции]]

'''Лекция 6''' (03.03.2022). Синтез речи, TTS. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture06-TTS.pdf Конспект]] [[https://youtu.be/3_bnmZxfdiE Запись лекции]]

'''Лекция 7''' (10.03.2022). Анализ временных рядов. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture07-ts.pdf Конспект]] [[https://youtu.be/kV6GptrBhO8 Запись лекции]]

'''Лекция 8''' (17.03.2022). Анализ временнхы рядов. Продолжение. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture08-ts_2.pdf Выкладки с лекции]] [[https://youtu.be/XpCWb9pgwK0 Запись лекции]]

'''Лекция 9''' (24.03.2022). Современные методы обработки языка. NLP. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture09-NLP.pptx Презентация с лекции]] [[https://github.com/hse-ds/iad-applied-ds/tree/master/2022/lectures/lecture09-NLP_desc дополнительные выкладки]] [[https://youtu.be/1_FBy0bgN7E Запись лекции]]

'''Лекция 10''' (10.04.2022). Рекомендательные системы. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/lectures/lecture10-ranking.pdf Конспект]] [[https://youtu.be/7TsmXAPVoPE Запись лекции]]

== Семинары ==

'''Семинар 1''' (27.01.2022). Задачи порождения изображений. Perceptual loss. Перенос стиля. Superresolution. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/seminars/Sem1_neural_style.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/iad-applied-ds/blob/master/2022/seminars/Sem1_neural_style.ipynb Colab]]

'''Семинар 2''' (03.02.2022). Автокодировщики. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/seminars/sem02/sem02-autoencoders-task.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/iad-applied-ds/blob/master/2022/seminars/sem02/sem02-autoencoders-task.ipynb Colab]]

'''Семинар 3''' (10.02.2022). Генеративно-состязательные сети. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/seminars/sem03/sem03-gan-task.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/iad-applied-ds/blob/master/2022/seminars/sem03/sem03-gan-task.ipynb Colab]]

'''Семинар 4''' (10.02.2022). Нормализационные потоки. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/seminars/sem04.ipynb Тетрадка]] [[https://colab.research.google.com/drive/1PCiSQWo_h2XK0XUlj-Oks5_P3JeV_7Ze?usp=sharing Colab]]

'''Семинар 5''' (10.02.2022). Обработка звука 1. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/seminars/sem05/sem05_audio.ipynb Тетрадка]] [[https://colab.research.google.com/drive/1G97XqNom5n2TCqCB7SmLkYoQ9GKGv0XK?usp=sharing Colab]]

'''Семинар 6''' (10.02.2022). Обработка звука 2. [[https://github.com/hse-ds/iad-applied-ds/blob/master/2022/seminars/sem06.ipynb Тетрадка]] [[https://colab.research.google.com/drive/1YDBP32BIlBPVlfQFQOXzlJSbghb2KwuH?usp=sharing 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. Генеративные модели===
Вам предстоит применить генеративно-состязательные сети и вариационный автокодировщик для быстрой симуляции параметров изображений системы двух черенковских телескопов MAGIC (Major Atmospheric Gamma Imaging Cherenkov).

'''Мягкий дедлайн''': 03 марта 2022 года 23:59

'''Дедлайн''': 06 марта 2022 года 23:59

'''Ссылка''': https://github.com/hse-ds/iad-applied-ds/blob/master/2022/hw/hw1

===Задание 2. Deep learning для обработки звука===
В этом задании Вы поработаете и разберетесь в деталях с форматами представления аудиоданных в задачах глубинного обучения, а так же напишете несколько моделей для классификации аудиозаписей.

'''Мягкий дедлайн''': 23:30 1 апреля

'''Дедлайн''': 23:30 4 апреля

'''Ссылка''': https://github.com/hse-ds/iad-applied-ds/tree/master/2022/hw/hw2

===Задание 3. Прогнозирование временных рядов===
В этом задании Вам предстоит разобраться с основами анализа и прогнозирования временных рядов.

'''Мягкий дедлайн''': 24 апреля в 23:59

'''Дедлайн''': 28 апреля 23:59

'''Ссылка''': https://github.com/hse-ds/iad-applied-ds/blob/master/2022/hw/HW3.ipynb

== Контрольная работа ==

== Экзамен ==

== Страницы прошлых лет ==

[[Прикладные_задачи_анализа_данных/2020_2021 | 2020/21 учебный год ]]

[[Прикладные задачи анализа данных (майнор ИАД) | 2019/20 учебный год ]]

[[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"]]