Wiki - Факультет компьютерных наук - Вклад [ru]

Машинное обучение (факультет экономических наук)

2017-09-22T16:05:49Z

Zvorgiygeonka: /* Семинары */

== О курсе ==

'''Лекторы:''' [https://www.hse.ru/org/persons/131072080 Екатерина Лобачева], Алексей Артемов 
Лекции проходят по пятницам, 10:30 - 11:50, ауд. 5215. 

=== Полезные ссылки ===

[ Программа курса] 
[https://github.com/FilatovArtm/ML_Eco-NES_2017 Репозиторий на GitHub с материалами курса] 
[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

Почта курса: '''ml.econom.hse@gmail.com''' 
Формат темы письма (обязательно соблюдайте его, так как у нас стоят автоматические фильтры):
* '''Вопрос - номер группы по данному курсу - Фамилия Имя''' — для вопросов;
* '''Практика {номер задания} - номер группы по данному курсу - Фамилия Имя''' — для сдачи практических домашних заданий.

Возможные курсы по данному курсу: 4 простая, 4 сложная, 3 простая, 3 сложная, совбак простая, совбак сложная. 
Пример: Практика 1 - 4 простая - Иванов Иван

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAERI0duQMnhSawsR2A 
Чат в telegram для обсуждений: https://t.me/joinchat/ABAXWEIJR7rcclSWVZfFhg

[https://drive.google.com/open?id=1qWrFvaCEYGQPMf9NNSti0YACmpO4oOI8Z5lWkET0XAU Таблица с оценками]

Оставить анонимный отзыв на курс: [https://docs.google.com/forms/d/e/1FAIpQLSfqAdwstSuIwqeluCjVt-jCGmq4_Tur_4vBqCEXRcTgdiZlwg/viewform форма]

=== Семинары ===

3 курс, сложная группа, заполните форму: https://goo.gl/forms/GUom80x8zoiQ3ZyX2

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Чат !! Расписание
|-
| 4 курс эконома, простая || Артем Филатов || Анастасия Рогачевская || || пятница 12:10, ауд. 5215
|-
| 4 курс эконома, сложная || [https://www.hse.ru/staff/bbd Борис Демешев] || Никита Герман || || пятница 12:10, ауд. 2205
|-
| 3 курс эконома, простая || Георгий Звонка || Елизавета Вахрамеева || [https://t.me/joinchat/DUaTB0ObBdXqjmUDrfd_BQ тут] || суббота 16:40, ауд. 2205
|-
| 3 курс эконома, сложная || Евгений Егоров || Мария Такташева || [https://t.me/joinchat/B8wjxQ6Ok7mCk15oG-GM-g обязательно] || понедельник 9:00, ауд. 3316
|-
| совбак, простая || [https://www.hse.ru/staff/is Илья Щуров] || Дмитрий Пчелкин || || вторник, 18:10, ауд. 3317
|-
| совбак, сложная || Артем Филатов || Ксения Вальчук || || среда 13:40, ауд. 4428
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
* Практические домашние работы на Python
* Соревнование по анализу данных
* Устный коллоквиум в конце 1-го модуля
* Устный экзамен

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

Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности.

По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.

=== Правила сдачи заданий ===

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.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок).

== Лекции ==

'''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture01-intro.pdf Конспект]

'''Лекция 2''' (8 сентября). Линейная регрессия: обучение и разные функционалы ошибки. Градиентный спуск. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture02-linregr.pdf Конспект]

'''Следующая лекция:'''

'''Лекция 3''' (15 сентября). Регуляризация. Методы оценивания обобщающей способности, кросс-валидация. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture03-linregr.pdf Конспект]

== Семинары ==

'''Семинар 1'''. Python, numpy, pandas, matplotlib и прочие страшные звери. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem01-tools.ipynb Notebook].

'''Семинар 2'''. Градиентный спуск и линейная регрессия [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem2/sem02.ipynb Notebook]

'''Семинар 3'''. Проверка обобщающей способности, переобучение. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem3/sem3.ipynb Notebook]

'''Семинар 4'''. Линейные классификаторы, персептрон, логистическая регрессия, метрики качества, [https://github.com/FilatovArtm/ML_Eco-NES_2017/raw/master/theory_problems/theory_pro.pdf задачки на семинар и дз]

== Практические задания ==

'''Задание 1.''' Numpy, pandas, matplotlib.

Дата выдачи: 05.09.2017

Дедлайн: 19.09.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/8ee8985202a5a137987085511a33b85e2f886d70/homeworks/hw01-python.ipynb Условие]

'''Задание 1.''' Numpy,linear regression, gradient descent.

Дата выдачи: 21.09.2017

Дедлайн: 08.10.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/homeworks/hw02-linregr.ipynb Условие]

== Теоретические задания ==

'''Задание 1.''' Круг первый. Дифференцирование.

Дата выдачи: 08.09.2017

Проверочные начнутся на семинарах с 15.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_1.pdf Условие]

'''Задание 2.''' Лёд тронулся. Квантильная регрессия и переобучение.

Дата выдачи: 15.09.2017

Проверочные начнутся на семинарах с 22.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_2.pdf Условие]

'''Задание 3.'''

'''Задание 4'''. Помоги Бандерлогу! [https://github.com/FilatovArtm/ML_Eco-NES_2017/raw/master/theory_problems/theory_pro.pdf Задачки на семинар и дз]

== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

Машинное обучение (факультет экономических наук)

2017-09-21T15:30:51Z

Zvorgiygeonka: /* Практические задания */

== О курсе ==

'''Лекторы:''' [https://www.hse.ru/org/persons/131072080 Екатерина Лобачева], Алексей Артемов 
Лекции проходят по пятницам, 10:30 - 11:50, ауд. 5215. 

=== Полезные ссылки ===

[ Программа курса] 
[https://github.com/FilatovArtm/ML_Eco-NES_2017 Репозиторий на GitHub с материалами курса] 
[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

Почта курса: '''ml.econom.hse@gmail.com''' 
Формат темы письма (обязательно соблюдайте его, так как у нас стоят автоматические фильтры):
* '''Вопрос - номер группы по данному курсу - Фамилия Имя''' — для вопросов;
* '''Практика {номер задания} - номер группы по данному курсу - Фамилия Имя''' — для сдачи практических домашних заданий.

Возможные курсы по данному курсу: 4 простая, 4 сложная, 3 простая, 3 сложная, совбак простая, совбак сложная. 
Пример: Практика 1 - 4 простая - Иванов Иван

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAERI0duQMnhSawsR2A 
Чат в telegram для обсуждений: https://t.me/joinchat/ABAXWEIJR7rcclSWVZfFhg

[https://drive.google.com/open?id=1qWrFvaCEYGQPMf9NNSti0YACmpO4oOI8Z5lWkET0XAU Таблица с оценками]

Оставить анонимный отзыв на курс: [https://docs.google.com/forms/d/e/1FAIpQLSfqAdwstSuIwqeluCjVt-jCGmq4_Tur_4vBqCEXRcTgdiZlwg/viewform форма]

=== Семинары ===

3 курс, сложная группа, заполните форму: https://goo.gl/forms/GUom80x8zoiQ3ZyX2

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Чат !! Расписание
|-
| 4 курс эконома, простая || Артем Филатов || Анастасия Рогачевская || || пятница 12:10, ауд. 5215
|-
| 4 курс эконома, сложная || [https://www.hse.ru/staff/bbd Борис Демешев] || Никита Герман || || пятница 12:10, ауд. 2205
|-
| 3 курс эконома, простая || Георгий Звонка || Елизавета Вахрамеева || [https://t.me/joinchat/DUaTB0ObBdXqjmUDrfd_BQ тут] || суббота 16:40, ауд. 2205
|-
| 3 курс эконома, сложная || Евгений Егоров || Мария Такташева || [https://t.me/joinchat/B8wjxQ6Ok7mCk15oG-GM-g обязательно] || понедельник 9:00, ауд. 3316
|-
| совбак, простая || [https://www.hse.ru/staff/is Илья Щуров] || Дмитрий Пчелкин || || вторник, 18:10, ауд. 3317
|-
| совбак, сложная || Артем Филатов || Ксения Вальчук || || среда 13:40, ауд. 4428
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
* Практические домашние работы на Python
* Соревнование по анализу данных
* Устный коллоквиум в конце 1-го модуля
* Устный экзамен

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

Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности.

По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.

=== Правила сдачи заданий ===

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.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок).

== Лекции ==

'''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture01-intro.pdf Конспект]

'''Лекция 2''' (8 сентября). Линейная регрессия: обучение и разные функционалы ошибки. Градиентный спуск. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture02-linregr.pdf Конспект]

'''Следующая лекция:'''

'''Лекция 3''' (15 сентября). Регуляризация. Методы оценивания обобщающей способности, кросс-валидация. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture03-linregr.pdf Конспект]

== Семинары ==

'''Семинар 1'''. Python, numpy, pandas, matplotlib и прочие страшные звери. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem01-tools.ipynb Notebook].

'''Семинар 2'''. Градиентный спуск и линейная регрессия [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem2/sem02.ipynb Notebook]

== Практические задания ==

'''Задание 1.''' Numpy, pandas, matplotlib.

Дата выдачи: 05.09.2017

Дедлайн: 19.09.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/8ee8985202a5a137987085511a33b85e2f886d70/homeworks/hw01-python.ipynb Условие]

'''Задание 1.''' Numpy,linear regression, gradient descent.

Дата выдачи: 21.09.2017

Дедлайн: 08.10.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/homeworks/hw02-linregr.ipynb Условие]

== Теоретические задания ==

'''Задание 1.''' Круг первый. Дифференцирование.

Дата выдачи: 08.09.2017

Проверочные начнутся на семинарах с 15.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_1.pdf Условие]

'''Задание 2.''' Лёд тронулся. Квантильная регрессия и переобучение.

Дата выдачи: 15.09.2017

Проверочные начнутся на семинарах с 22.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_2.pdf Условие]

== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

Машинное обучение (факультет экономических наук)

2017-09-15T20:35:22Z

Zvorgiygeonka: добавил второе теор дз

== О курсе ==

'''Лекторы:''' [https://www.hse.ru/org/persons/131072080 Екатерина Лобачева], Алексей Артемов 
Лекции проходят по пятницам, 10:30 - 11:50, ауд. 5215. 

=== Полезные ссылки ===

[ Программа курса] 
[https://github.com/FilatovArtm/ML_Eco-NES_2017 Репозиторий на GitHub с материалами курса] 
[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

Почта курса: '''ml.econom.hse@gmail.com''' 
Формат темы письма (обязательно соблюдайте его, так как у нас стоят автоматические фильтры):
* '''Вопрос - номер группы по данному курсу - Фамилия Имя''' — для вопросов;
* '''Практика {номер задания} - номер группы по данному курсу - Фамилия Имя''' — для сдачи практических домашних заданий.

Возможные курсы по данному курсу: 4 простая, 4 сложная, 3 простая, 3 сложная, совбак простая, совбак сложная. 
Пример: Практика 1 - 4 простая - Иванов Иван

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAERI0duQMnhSawsR2A 
Чат в telegram для обсуждений: https://t.me/joinchat/ABAXWEIJR7rcclSWVZfFhg

[https://drive.google.com/open?id=1qWrFvaCEYGQPMf9NNSti0YACmpO4oOI8Z5lWkET0XAU Таблица с оценками]

Оставить анонимный отзыв на курс: [https://docs.google.com/forms/d/e/1FAIpQLSfqAdwstSuIwqeluCjVt-jCGmq4_Tur_4vBqCEXRcTgdiZlwg/viewform форма]

=== Семинары ===

3 курс, сложная группа, заполните форму: https://goo.gl/forms/GUom80x8zoiQ3ZyX2

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Чат !! Расписание
|-
| 4 курс эконома, простая || Артем Филатов || Анастасия Рогачевская || || пятница 12:10, ауд. 5215
|-
| 4 курс эконома, сложная || [https://www.hse.ru/staff/bbd Борис Демешев] || Никита Герман || || пятница 12:10, ауд. 2205
|-
| 3 курс эконома, простая || Георгий Звонка || Елизавета Вахрамеева || [https://t.me/joinchat/DUaTB0ObBdXqjmUDrfd_BQ тут] || суббота 16:40, ауд. 2205
|-
| 3 курс эконома, сложная || Евгений Егоров || Мария Такташева || [https://t.me/joinchat/B8wjxQ6Ok7mCk15oG-GM-g обязательно] || понедельник 9:00, ауд. 3316
|-
| совбак, простая || [https://www.hse.ru/staff/is Илья Щуров] || Дмитрий Пчелкин || || вторник, 18:10, ауд. 3317
|-
| совбак, сложная || Артем Филатов || Ксения Вальчук || || среда 13:40, ауд. 4428
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
* Практические домашние работы на Python
* Соревнование по анализу данных
* Устный коллоквиум в конце 1-го модуля
* Устный экзамен

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

Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности.

По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.

=== Правила сдачи заданий ===

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.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок).

== Лекции ==

'''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture01-intro.pdf Конспект]

'''Лекция 2''' (8 сентября). Линейная регрессия: обучение и разные функционалы ошибки. Градиентный спуск. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture02-linregr.pdf Конспект]

'''Следующая лекция:'''

'''Лекция 3''' (15 сентября). Регуляризация. Методы оценивания обобщающей способности, кросс-валидация. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture03-linregr.pdf Конспект]

== Семинары ==

'''Семинар 1'''. Python, numpy, pandas, matplotlib и прочие страшные звери. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem01-tools.ipynb Notebook].

'''Семинар 2'''. Градиентный спуск и линейная регрессия [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem2/sem02.ipynb Notebook]

== Практические задания ==

'''Задание 1.''' Numpy, pandas, matplotlib.

Дата выдачи: 05.09.2017

Дедлайн: 19.09.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/8ee8985202a5a137987085511a33b85e2f886d70/homeworks/hw01-python.ipynb Условие]

== Теоретические задания ==

'''Задание 1.''' Круг первый. Дифференцирование.

Дата выдачи: 08.09.2017

Проверочные начнутся на семинарах с 15.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_1.pdf Условие]

'''Задание 2.''' Лёд тронулся. Квантильная регрессия и переобучение.

Дата выдачи: 15.09.2017

Проверочные начнутся на семинарах с 22.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_2.pdf Условие]

== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

Машинное обучение (факультет экономических наук)

2017-09-15T20:32:52Z

Zvorgiygeonka: добавил второе теор. дз.

== О курсе ==

'''Лекторы:''' [https://www.hse.ru/org/persons/131072080 Екатерина Лобачева], Алексей Артемов 
Лекции проходят по пятницам, 10:30 - 11:50, ауд. 5215. 

=== Полезные ссылки ===

[ Программа курса] 
[https://github.com/FilatovArtm/ML_Eco-NES_2017 Репозиторий на GitHub с материалами курса] 
[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

Почта курса: '''ml.econom.hse@gmail.com''' 
Формат темы письма (обязательно соблюдайте его, так как у нас стоят автоматические фильтры):
* '''Вопрос - номер группы по данному курсу - Фамилия Имя''' — для вопросов;
* '''Практика {номер задания} - номер группы по данному курсу - Фамилия Имя''' — для сдачи практических домашних заданий.

Возможные курсы по данному курсу: 4 простая, 4 сложная, 3 простая, 3 сложная, совбак простая, совбак сложная. 
Пример: Практика 1 - 4 простая - Иванов Иван

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAERI0duQMnhSawsR2A 
Чат в telegram для обсуждений: https://t.me/joinchat/ABAXWEIJR7rcclSWVZfFhg

[https://drive.google.com/open?id=1qWrFvaCEYGQPMf9NNSti0YACmpO4oOI8Z5lWkET0XAU Таблица с оценками]

Оставить анонимный отзыв на курс: [https://docs.google.com/forms/d/e/1FAIpQLSfqAdwstSuIwqeluCjVt-jCGmq4_Tur_4vBqCEXRcTgdiZlwg/viewform форма]

=== Семинары ===

3 курс, сложная группа, заполните форму: https://goo.gl/forms/GUom80x8zoiQ3ZyX2

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Чат !! Расписание
|-
| 4 курс эконома, простая || Артем Филатов || Анастасия Рогачевская || || пятница 12:10, ауд. 5215
|-
| 4 курс эконома, сложная || [https://www.hse.ru/staff/bbd Борис Демешев] || Никита Герман || || пятница 12:10, ауд. 2205
|-
| 3 курс эконома, простая || Георгий Звонка || Елизавета Вахрамеева || [https://t.me/joinchat/DUaTB0ObBdXqjmUDrfd_BQ тут] || суббота 16:40, ауд. 2205
|-
| 3 курс эконома, сложная || Евгений Егоров || Мария Такташева || [https://t.me/joinchat/B8wjxQ6Ok7mCk15oG-GM-g обязательно] || понедельник 9:00, ауд. 3316
|-
| совбак, простая || [https://www.hse.ru/staff/is Илья Щуров] || Дмитрий Пчелкин || || вторник, 18:10, ауд. 3317
|-
| совбак, сложная || Артем Филатов || Ксения Вальчук || || среда 13:40, ауд. 4428
|-
|}

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
* Практические домашние работы на Python
* Соревнование по анализу данных
* Устный коллоквиум в конце 1-го модуля
* Устный экзамен

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

Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

Оценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности.

По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.

=== Правила сдачи заданий ===

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.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок).

== Лекции ==

'''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture01-intro.pdf Конспект]

'''Лекция 2''' (8 сентября). Линейная регрессия: обучение и разные функционалы ошибки. Градиентный спуск. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture02-linregr.pdf Конспект]

'''Следующая лекция:'''

'''Лекция 3''' (15 сентября). Регуляризация. Методы оценивания обобщающей способности, кросс-валидация. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture03-linregr.pdf Конспект]

== Семинары ==

'''Семинар 1'''. Python, numpy, pandas, matplotlib и прочие страшные звери. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem01-tools.ipynb Notebook].

'''Семинар 2'''. Градиентный спуск и линейная регрессия [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem2/sem02.ipynb Notebook]

== Практические задания ==

'''Задание 1.''' Numpy, pandas, matplotlib.

Дата выдачи: 05.09.2017

Дедлайн: 19.09.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/8ee8985202a5a137987085511a33b85e2f886d70/homeworks/hw01-python.ipynb Условие]

== Теоретические задания ==

'''Задание 1.''' Дифференцирование.

Дата выдачи: 08.09.2017

Проверочные начнутся на семинарах с 15.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_1.pdf Условие]

'''Задание 1.''' Дифференцирование.

Дата выдачи: 15.09.2017

Проверочные начнутся на семинарах с 22.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_2.pdf Условие]

== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
* Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

===Курсы по машинному обучению и анализу данных===
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]