Wiki - Факультет компьютерных наук - Вклад [ru]

Основы программирования в Python (Политология)

2020-06-27T08:21:40Z

Vikrantrana:

==О курсе==

[[Файл:Python-logo2.png|120px|borderless|left]]

Курс читается для студентов ОП "Политология" в 1-2 модулях 2019-2020 уч. года и реализуется в формате blended learning: студенты прослушивают лекции в режиме онлайн и посещают очные семинары.

=== Полезные ссылки ===
[https://www.hse.ru/edu/courses/292691609 Карточка курса и программа]

[https://www.datacamp.com/courses/intro-to-python-for-data-science Используемый онлайн-курс на платформе DataCamp]

[http://math-info.hse.ru/2019-20/%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 Дополнительная ссылка на материалы курса]
[https://intellipaat.com/python-for-data-science-training/ Online Python data science course to upskill]

=== Преподаватели семинаров ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Расписание
|-
| БПТ171 || Тамбовцева Алла Андреевна || TBA || вторник, 10:30 - 13:30, ауд. 320 и 320а
|-
| БПТ172 || Жучкова Светлана Васильевна || TBA || вторник, 12:10 - 13:30, ауд. 320а; суббота (время и аудитория зависят от недели)
|-
| БПТ173 || Жучкова Светлана Васильевна || TBA || вторник, 13:40 - 15:00, ауд. 320а; суббота (время и аудитория зависят от недели)
|-
| БПТ174 || Жучкова Светлана Васильевна || TBA || вторник, 15:10 - 16:30, ауд. 320а; суббота (время и аудитория зависят от недели)
|-
|}

=== Формула оценки ===
Результирующая оценка по дисциплине рассчитывается по формуле:

'''Oитог = 0.2 * Oкр + 0.15 * Oдз + 0.15 * Oтесты + 0.1 * Oонлайн + 0.4 * Oпроект'''

'''''Контрольная работа (20%)'''''

Контрольная работа проводится в конце первого модуля и рассчитана на 80 минут. Контрольная работа состоит из двух частей: теоретической (40 минут) и практической (40 минут). Теоретическая часть включает несколько тестовых вопросов и вопросов с развернутым ответом по базовым фактам о языке программирования Python (типы данных, изменяемость объектов, особенности работы с разными объектами Python), а также задания с небольшими отрывками кода, в которых необходимо найти ошибки или пояснить, что будет выведено на экран при исполнении кода. Практическая часть включает три задачи по программированию (по темам первого модуля), выполняемые на компьютере.
Во время выполнения теоретической части пользоваться какими-либо материалами нельзя, во время выполнения практической части можно использовать материалы курса, а также интернет. Во время контрольной запрещается общаться с другими студентами, использовать мобильные телефоны, открывать социальные сети и создавать новые вопросы на компьютерных форумах и ресурсах по типу stackoverflow.
В случае нарушения правил проведения контрольной работы студент удаляется с контрольной работы с оценкой «0».

'''''Домашнее задание (15%)'''''

Домашние задания предполагают решение задач по программированию по пройденным темам. С учетом разного уровня подготовки студентов домашние задания представляют собой набор задач разной сложности, которые весят разное количество баллов. В начале каждого домашнего задания указано общее число баллов, которое нужно набрать, чтобы получить оценку 10. Задачи, для решения которых предоставлен неработающий код (код, который невозможно запустить из-за наличия грубых ошибок/опечаток), не засчитываются, даже если при этом зафиксирован верный результат.

Оценка за домашние задания, которая подставляется в формулу оценивания, определяется как округлённое до целого среднее арифметическое оценок, полученных за домашние работы (способ округления – стандартный арифметический). '''''Домашние задания, сданные после срока, оцениваются с использованием понижающих коэффициентов: опоздание в пределах часа – штраф 10% от полученной оценки, в пределах суток – штраф 20%, в пределах недели – штраф 50%. Домашние задания, сданные через неделю после указанного срока и позже, не принимаются и не оцениваются.'''''

Если при проверке работ установлен факт нарушения академической этики, студент получает оценку «0» за данную работу. Оценка студента, предоставившего свою работу для списывания, также аннулируется.

'''''Тесты (15%)'''''

Тесты представляют собой набор открытых вопросов и вопросов с выбором ответа по пройденным темам (разобранным очно или онлайн). Тесты проводятся в начале семинара и рассчитаны на 10-15 минут. Во время теста пользоваться какими-либо материалами нельзя. Оценка за тесты, которая подставляется в формулу оценивания, представляет собой округлённое среднее арифметическое за все тесты (способ округления – стандартный арифметический).

'''''Онлайн (10%)'''''

Эта часть предполагает выполнение блоков из онлайн-курса [https://www.datacamp.com/courses/intro-to-python-for-data-science Introduction to Python] на платформе DataCamp по разбираемым темам. Перед семинаром на платформе DataCamp вывешивается задание с фиксированным дедлайном – просмотреть материалы по определённой теме и выполнить предложенные в блоке задачи.
Оценка за онлайн-часть представляет собой долю выполненных студентом блоков от общего числа заданных блоков, умноженную на 10 и округлённую (способ округления – стандартный арифметический).

'''''Проект (40%)'''''

Проект представляет собой написание корректно работающей программы прикладного назначения с последующей устной защитой в виде презентации. Проект включает в себя следующие части: программа Python (файл с расширением .py или файл Jupyter Notebook с расширением .ipynb), pdf-файл с описанием назначения и принципов работы программы (документация) и презентация, включающая публичную демонстрацию работы программы. Проект обязательно должен включать использование навыков, полученных в результате прохождения тем второго модуля, то есть выгрузку данных с веб-страницы или с помощью API, сохранение данных в датафрейм pandas с последующей их обработкой, визуализация данных средствами matplotlib или других библиотек.
Проект выполняется индивидуально или в группе не более 3 человек. При коллективной защите проекта все члены группы должны быть подготовлены и готовы ответить на вопросы по проекту.

Оценка за проект рассчитывается по формуле:

'''Oпроект = 0.15 * Oплан + 0.4 * Oпрограмма + 0.15 * Oдокументация + 0.3 * Oпрезентация'''

== Материалы семинаров ==

Материалы курса в первую очередь публикуются на портале [http://math-info.hse.ru/2019-20/%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 math-info], а затем дублируются на этой странице.

Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД 2

2020-06-22T06:59:52Z

Vikrantrana:

__TOC__
== Майнор по Анализу Данных -- ИАД-2==

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий группы ИАД-2

Семинарист: [[Участник:Ashestakoff | Шестаков Андрей]] [mailto:shestakoffandrey@gmail.com shestakoffandrey@gmail.com] 
Ассистент: Чеснокова Полина [mailto:chepolina27@gmail.com chepolina27@gmail.com] 
При обращении по почте, начинайте тему письма со слов ''[Майнор ИАД-2 2017]''

''' [http://wiki.cs.hse.ru/%D0%9C%D0%B0%D0%B9%D0%BD%D0%BE%D1%80_%D0%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85/%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 Страница] курса''' 

'''Анонимные''' комментарии, замечания и пожелания можно оставить [https://docs.google.com/forms/d/1JevHn2TS5KD83KLNbwbstDUgOjF7dZ8SaY0pLeRTTIw/viewform здесь] 

== Семинары ==
'''1) 18 Января 2017:''' Введение + Повторение Python - [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/intro.ipynb IPython Notebook] ([http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/intro-proc.ipynb Что успели]) 
'''2) 25 Января 2017:''' Спасательная операция по Numpy и Pandas - [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar2-rescue-mission-numpy-pandas.ipynb IPython Notebook] ([http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar2-rescue-mission-numpy-pandas-proc.ipynb Что успели]) 
'''3) 1 Февраля 2017:''' Продолжаем спасательную операцию.. 
'''4) 8 Февраля 2017:''' Метод kNN [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar4_knn_pract.ipynb Notebook] ([http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar4_knn_pract_proc.ipynb Что успели]) 
'''5) 15 Февраля 2017:''' Линейная регрессия, градиентный спуск [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar5_linreg_opt.ipynb Notebook] ([http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar5_linreg_opt_proc.ipynb Что успели]) 
'''6-8) 22 Февраля, 1, 14 Марта 2017:''' Логистическая регрессия [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar6_linclass.ipynb Notebook] ([http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar6_linclass_proc.ipynb Что успели]) 
'''9) 22 Марта 2017:''' Деревья решений, случайный лес [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar7-trees-forests.ipynb Notebook] ([http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar7-trees-forests-proc.ipynb Что успели]) 
'''10) 5 Апреля 2017:''' Подготовка к коллоквиуму 
'''11) 12 Апреля 2017:''' Коллоквиум (семинара нет) 
'''12) 19 Апреля 2017:''' Отбор признаков, понижение размерности [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar8-dimred.ipynb Notebook] [https://cloud.mail.ru/public/8EJG/NbZ6a6oCB Данные] ([http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar8-dimred-proc.ipynb Что успели]) 
'''13) 26 Апреля 2017:''' Методы кластеризации [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar9-clust.ipynb Notebook] [https://cloud.mail.ru/public/2gXp/KPsyPHy4y Данные] ([http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar9-clust-proc.ipynb Что успели]) 
'''14) 10 Мая 2017:''' Переносится 
'''15) 17 Мая 2017:''' Продолжили методы кластеризации 
'''16) 24 Мая 2017:''' Рекомендательные системы [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar14-recsys.ipynb Notebook] [https://cloud.mail.ru/public/67si/uRKsXBX1g Данные] ([http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar14-recsys-proc.ipynb Что успели]) 

== Домашние Задания ==
'''[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/hw0.ipynb ДЗ №0] (Необязательное, не учитывается в итоговой оценке). Срок - 12 февраля 2017. 
'''[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/hw1.ipynb ДЗ №1] Срок - ''17'' марта 2017. 
'''[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/hw2.ipynb ДЗ №2], [https://cloud.mail.ru/public/3AyQ/Pupnvo2dX Данные] Срок - ''20'' апреля 2017. 
'''[http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/hw3.ipynb ДЗ №3], [https://cloud.mail.ru/public/Fcmc/1iynZ84j8 Данные] [https://cloud.mail.ru/public/NoQq/v9d93cPN6 Схема] Срок - ''4'' июня 2017 23:59 (Верить этому). 

== Полезные ссылки (Будут пополняться) ==
''' Семинар 6 '''
# [http://aimotion.blogspot.ru/2011/11/machine-learning-with-python-logistic.html On Logistic Regression with examples]
# [http://www.stat.cmu.edu/~cshalizi/350/lectures/25/lecture-25.pdf Perceptron Algorithm]
# [http://www.eecs.yorku.ca/course_archive/2012-13/F/4404-5327/lectures/05%20Linear%20Classifiers.pdf On Linear Classifiers]

''' Семинар 5 '''
# [http://sebastianruder.com/optimizing-gradient-descent/ Про методы оптимизации в МО]
# [https://lukaszkujawa.github.io/gradient-descent.html Gradient Descent Demo]

''' Семинар 4'''
# [http://www.pyimagesearch.com/ Отличный блог] для тех из вас, кто интересовался Computer Vision

''' Семинар 3 '''
# [http://www.visiondummy.com/2014/04/curse-dimensionality-affect-classification/ Curse of Dimensionality]

''' Семинар 2 '''
# [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ Visual Intro to ML]
# [https://www.analyticsvidhya.com/wp-content/uploads/2015/06/10945756_10202550638602268_6848260291113352290_n.jpg ML in nutcell]

''' Семинар 1 '''
'' Pandas & Seaborn ''
# [http://pandas.pydata.org/ Pandas] - На самом деле содержит всю необходимую инфу с примерами
# [https://github.com/TomAugspurger/modern-pandas Effective Pandas] - Учебник\туториал по Pandas
# [https://www.dropbox.com/s/4eauvhj5tyk3r83/Quandl%2B_%2BPandas%2C%2BSciPy%2C%2BNumPy%2BCheat%2BSheet.pdf?dl=0 NumPY, Pandas Cheat-Sheet]
# [https://www.dataquest.io/ Learning Data Science with Python] - Неплохой практический курс по Python для анализа данных (MUST)
# [http://pandas.pydata.org/pandas-docs/stable/visualization.html Pandas Visualization]
# [http://stanford.edu/~mwaskom/software/seaborn/ Seaborn]

'' Наборы данных ''
# [http://data.gov.ru/ Портал Открытых Данных РФ]
# [http://blog.yhat.com/posts/7-funny-datasets.html Funny Datasets]
# [https://github.com/caesar0301/awesome-public-datasets Сборник Открытых Данных (!!!)]
# [http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm Еще наборы данных]

'' Python and etc. ''
# [https://www.pkimber.net/open/_downloads/pep8_cheat.pdf PEP-8 Code Style Guide Cheat-sheet]
# [http://www.tutorialspoint.com/python/ Python Tutorials Point]
# [http://matplotlib.org/users/pyplot_tutorial.html Matplotlib Tutorial]
# [http://sebastianraschka.com/Articles/2014_matrix_cheatsheet_table.html Matrix Manipulation Cheat-sheet]
# [http://ipython.org/notebook.html Ipython Notebook]
# [http://beakernotebook.com/ Beaker Notebook]
# [https://www.yhat.com/products/rodeo yhat Rodeo]
# [http://intellipaat.com/blog/tutorial/python-tutorial/ Python Tutorial]

'' Ресурсы и Книги ''
# [http://www-bcf.usc.edu/~gareth/ISL/ISLR%20Sixth%20Printing.pdf James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning]
# [http://www.springer.com/br/book/9780387310732 Bishop — Pattern Recognition and Machine Learning (первые главы)]
# [http://www.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0 MachineLearning.ru]
# [https://www.kaggle.com/ Kaggle]
# [http://goto.msk.ru/hackathon/ GoTo Hack!]
# [http://archive.ics.uci.edu/ml/ UCI Repo]

''' Онлайн Курсы '''
# [https://www.coursera.org/learn/machine-learning Andrew Ng's Course]
# [https://www.coursera.org/learn/introduction-machine-learning Introduction to ML]
# [https://www.coursera.org/learn/introduction-machine-learning Курс от ВШЭ]
# [http://habrahabr.ru/post/248069/ Обзор МООС Курсов]