Содержание

Группа	БПМИ241	БПМИ242	БПМИ243	БПМИ244	БПМИ245	БПМИ246
Семинарист	Баранов Максим Юрьевич	Бурлова Альбина Сергеевна	Максимов Ян Викторович	Никитин Илья Сергеевич	Алёхина Екатерина Сергеевна	Андреева Дарья Александровна
Ассистент 1	Софья Синицына	Маркотенко Александр	Низов Андрей	Салимова Настя	Cанников Антон	Салдан Ануар
Ассистент 2		Карачун Александр		Костин Константин		Дорош Александр
Ссылка на чат	БПМИ241	БПМИ242	БПМИ243	БПМИ244	БПМИ245	БПМИ246

ПМИ: базовый поток:

Группа	БПМИ247	БПМИ248	БПМИ249	БПМИ2410	БПМИ2411	БПМИ2412	БПМИ2413	БПМИ2414
Семинарист	Петров Олег	Семерова Елена	Пономарчук Анна	Никитин Илья	Ульянкин Филипп	Черномордин Родион	Полякова Ирина	Ершов Иван Петрович
Ассистент 1	Продай Варвара	Шарипов Нуриддин	Вдонин Алексей	Новиков Андрей	Замышевская Арина	Пушкарёв Дмитрий	Шарипов Нуриддин	Засимук Даниил
Ассистент 2		Максим Копнев	Бабинский Георгий	Тургунов Аббос	Зорькина Елизавета	Засимук Даниил	Ловягин Егор	Пушкарёв Дмитрий
Ссылка на чат	Cсылка	Cсылка	Cсылка	Cсылка	Cсылка	Cсылка	Cсылка	Cсылка

ЭАД & КНАД

Группа	1	2	3	4	5	6	ВСН	КПВ	КНАД 1	КНАД 2
Семинарист	Полякова Ирина	Коган Александра	Раевский Даниил	Бузаев Фёдор	Башарин Денис	Пак Александр	Томащук Корней	Юсупов Вячеслав	Парамонов	Воробьёва Мария
Ассистент 1	Архипов Виктор	Цисарук Мария	Приймак Сергей	Рублева Валерия	Толкачева Мария	Палиенко Анастасия	Никонов Владимир	Смешкова Екатерина	Прошин Антон	Семенов Глеб
Ассистент 2	Пастушенко Вадим	Мрасов Иван	Колос Михаил	Базукина Арина	Кобозев Артём	Уткин Андрей	Лиза Кузнеченкова	Пахолкова Мария		Атанасоска София
Ссылка на чат	Тык	Тык	Тык	Тык	Тык	Тык	Тык	Тык	Тык	Тык

Формула оценивания

Округляются только итоговые оценки; округление арифметическое.

О_ИТОГ = 0.4* О_ДЗ + 0.15*О_ПР + 0.15*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 = (0.4* О_ДЗ + 0.15*О_ПР + 0.15*О_КР) / 0.7

Условия получения будут объявлены позднее.

Элементы контроля

Домашние задания:

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.

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. 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. Преподаватели 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.

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.

Проверочные работы:

Контрольная работа

TBA

Экзамен

Дата:
Время:
Длительность:

TBA

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.