О курсе

Курс читается для студентов программы программы ИИ360 2-го курса ПМИ.

Лектор: Морозов Никита Витальевич

Полезные ссылки:

Репозиторий с материалами на Github

Канал курса

Чат курса

Ссылка на курс в Anytask

Видеозаписи лекций:

[Будут позже:)]

Ведомости

Сводная таблица с дз и итогами

Преподаватели и ассистенты:

Семинарист: Черномордин Родион Романович

Ассистенты курса: Карпова Анна, Засимук Даниил

Формула оценивания

Округляются только итоговые оценки; округление арифметическое.

О_ИТОГ = (0.3* О_ДЗ + 0.2*О_ПР + 0.2*О_КР + 0.3*О_ЭКЗ),
где:

ДЗ — практические домашние задания на Python,
ПР - проверочные работы на семинарах,
КР - контрольная работа,
ЭКЗ - экзамен

На курсе действует система получения автоматов: в случае получения автомата оценка студента рассчитывается по формуле:

О_ИТОГ = (0.3* О_ДЗ + 0.2*О_ПР + 0.2*О_КР) / 0.7

Условия получения автомата будут объявлены позже.

Элементы контроля

Домашние задания:

Правила сдачи заданий

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Также мы в любом случае оставляем за собой право пригласить студента для защиты своего ДЗ, если заподозрим плагиат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

Использовать генеративные модели (ChatGPT, GitHub Copilot и прочие) можно при вознекновении затруднений с выполнением отдельных частей домашей работы. Но если вы их применяете, то обязательно нужно сделать следующее:

1. Указывать, какие части ДЗ выполнены с использованием генеративных моделей.

2. Добавить в конец вашего решения небольшой раздел с рефлексией, где вы описываете, как подбирали промпты, какие заметили преимущества и недостатки генеративных моделей при выполнении данного ДЗ.

Но: Даже при использовании генеративных моделей студент должен полностью разбираться в сдаваемых задачах.

Проверочные работы:

Раз в несколько недель на семинаре будет проводиться проверочная работа по материалам нескольких прошедших тем.

Важная информация:

Преподаватели и ассистенты могут вызвать студента на защиту домашней, проверочной или контрольной работы. Если на защите студент не сможет дать пояснения по своим решениям, это будет расцениваться как дисциплинарное нарушение и оценка за соответствующий элемент контроля будет равна 0. После защиты преподаватели и ассистенты оставляют за собой право изменить оценку в любую сторону.

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.

Полезные материалы

Книги

Учебник по машинному обучению от ШАД
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.