Машинное обучение (ФЭН) - 2022-2023

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск

О курсе

Преподаватели:

Лекции - Кантонистова Елена Олеговна

Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия

Лекции и семинары

В курсе планируется 12 лекций и 10 семинаров.

Канал курса: https://t.me/https://t.me/ml_econom_22

Лекции проводятся по понедельникам в 11:10 (вторая пара) в аудитории R305 на Покровском бульваре.

Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023

Как связаться с преподавателями и куда сдавать домашки

Группа Ссылка Преподаватель Учебный ассистент Инвайт в anytask Чат в telegram
[когда] [где] Елена Кантонистова Алёна Цветкова pCEcAEJ Чат МО ФЭН1
[когда] [где] Анастасия Максимовская Кирилл Сафонов Hpjg3Da [ссылка Чат МО ФЭН2]
[когда] [где] Юлия Конюшенко Ксения Лапшина qVzCPK9 Чат МО ФЭН3

Правила выставления оценок

В курсе предусмотрено несколько форм контроля знания:

  • самостоятельные работы на семинарах (пятиминутки);
  • коллоквиум в сессию первого модуля (письменный);
  • домашние задания (в том числе соревнование на Kaggle);
  • экзамен в сессию второго модуля (письменный).

Все работы оцениваются в 10 баллов.


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

0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен


  • Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).
  • 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.

Коллоквиум

Коллоквиум будет проходить в сессию первого модуля [дата, время]
В письменной форме (на листочке).

Общая информация:

  • Коллоквиум рассчитан на 75 минут (1 час 15 мин), еще 5 минут у вас будет на проверку написанного и сдачу листочков.
  • Коллоквиум оценивается в 10 баллов и весит 20% от итоговой оценки за курс.
  • Если мы заподозрим, что вы списали, то и вы, и человек, поделившийся решением, получаете 0 баллов. В случае, если вы не согласны с обвинениями в списывании, вы можете защитить работу устно: в этом случае мы спросим решение абсолютно любого задания из вашей работы, а также можем попросить решить похожее задание не из варианта коллоквиума.

Описание заданий:

  • В заданиях 1 и 2 (с выбором вариантов ответа) необходимо указать варианты ответов, которые считаете верными, а также кратко обосновать, почему указанные варианты ответов верные, а остальные - нет.
  • В задании 3 (теоретическое без выбора ответа) необходимо дать максимально подробный и развёрнутый ответ.
  • В задании 4 (задача или пример) необходимо максимально подробно изложить ваши рассуждения и привести вычисления.
  • В задании 5 (задание на написание кода) старайтесь писать понятный код с интерпретируемыми обозначениями и названиями. Код пишется на листочке с комментариями. За ошибки в синтаксисе баллы НЕ снижаем.

Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1IFBMFJvSYgIBC8IaqBP4srpx6eEC36wIy5vr2utYQG8/edit?usp=sharing

Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].

Экзамен

Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, резервное время - [где, когда].

Экзамен будет состоять из 3-х частей:

  • Части A (тестовая с вариантами ответа) на 2.5 балла с 16-ю заданиями равного веса
  • Части B (задачи без вариантов ответа) на 3.5 балла с 6-ю заданиями равного веса
  • Части C (работа с набором данных) на 4 балла с заданиями индивидуального веса

Пройдет экзамен на платформе online.hse.ru, на его выполнение будет дано 80 мин. Пожалуйста, убедитесь, что вы подключены к курсу по этой ссылке: [ссылка]

Шкала перевода первичных баллов за тест в оценку за экзамен:

  • [6; 10] -> 10 баллов
  • [5.4; 6.0) - 9
  • [4.8; 5.4) - 8
  • [4.2; 4.8) - 7
  • [3.6; 4.2) - 6
  • [3; 3.6) - 5
  • [2.4; 3) - 4
  • [0; 2.4) - неуд.

По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам


Обращаем ваше внимание на то, что в тесте могут быть вопросы, не изучавшиеся в рамках курса. Это компенсируется тем, что для получения максимальной оценки можно выполнить далеко не все задания (таким образом, если вы не можете решить что-то по программе настоящего курса, у вас есть возможность "отыграться" за счёт внепрограммных вопросов).

Во время написания экзамена можно пользоваться всеми материалами курса, а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).

Задания 1-4 (1.75 первичных балла суммарно) внутри части C будут целиком на pandas, для выполнения заданий 5-6 необходимо будет воспользоваться библиотекой scikit-learn.

Лекции

Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции

Лекция 1 (5 сентября, онлайн) Введение в машинное обучение. | слайды

Семинары

Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары

Семинар 0. Математика для машинного обучения (самостоятельное изучение) | материалы

Семинар 1. Основы регрессии. Градиентный спуск.

Домашние задания

На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.

Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в Anytask.

Полезные материалы

Книги

  • Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.r, 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