http://wiki.cs.hse.ru/api.php?action=feedcontributions&user=Murrcha&feedformat=atomWiki - Факультет компьютерных наук - Вклад участника [ru]2024-03-28T16:48:21ZВклад участникаMediaWiki 1.23.2http://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-05-16T11:55:18Z<p>Murrcha: /* Экзамен */</p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях. В курсе 16 лекций и 16 семинаров.<br />
<br />
* Оценка за курс считается по формуле: '''0.4 * Домашнее задание + 0.2 * Коллоквиум + 0.15 * Работа на семинаре + 0.25 * Экзамен<br />
'''<br />
* Топ-20% студентов с наибольшим накопленным баллом могут получить накопленный балл (переведенный в 10-балльную шкалу домножением на 4/3) автоматом.<br />
<br />
* В курсе планируется 6 домашних заданий и 1 бонусное (командный проект). <br />
<br />
<br />
<br />
'''Лектор:''' [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' Некрашевич Максим Викторович<br />
<br />
Лекции проходят '''онлайн по средам в 13:00''' в [https://us06web.zoom.us/j/81871234523?pwd=VThKYWNEOHB4NHlFdVR0Vi9aWHA3QT09 zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
[https://github.com/Murcha1990/ML_math_2022 Репозиторий с материалами на GitHub]<br />
<br />
[https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq Записи занятий]<br />
<br />
[https://t.me/+8UCIRw_TnTIxMjky Канал в telegram для объявлений]<br />
<br />
[https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing Таблица с оценками]<br />
<br />
[https://anytask.org/course/1002 Anytask для сдачи домашних заданий]<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт 24 мая в 13:00. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день организуем резервное время.<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
<br />
Части A (тестовая с вариантами ответа) на 2.5 балла с 16-ю заданиями равного веса<br />
<br />
Части B (задачи без вариантов ответа) на 3.5 балла с 6-ю заданиями равного веса<br />
<br />
Части C (работа с набором данных) на 4 балла с заданиями индивидуального веса<br />
<br />
<br />
Пройдет экзамен на платформе online.hse.ru, на его выполнение будет дано 100 мин. <br />
<br />
<br />
Шкала перевода первичных баллов за тест в оценку за экзамен:<br />
<br />
<br />
[6; 10] -> 10 баллов<br />
<br />
[5.4; 6.0) - 9<br />
<br />
[4.8; 5.4) - 8<br />
<br />
[4.2; 4.8) - 7<br />
<br />
[3.6; 4.2) - 6<br />
<br />
[3; 3.6) - 5<br />
<br />
[2.4; 3) - 4<br />
<br />
[0; 2.4) - неуд.<br />
<br />
По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам<br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена можно пользоваться всеми материалами курса, а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
==Полезные материалы==<br />
<br />
* [https://stepik.org/a/125501 Курс на Stepik "Практический ML" (за промокодом обращайтесь к преподавателям)]<br />
* [https://hastie.su.domains/Papers/ESLII.pdf Hastie, Tibshirani "The elements of statistical learning"]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-05-16T11:54:44Z<p>Murrcha: /* Экзамен */</p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях. В курсе 16 лекций и 16 семинаров.<br />
<br />
* Оценка за курс считается по формуле: '''0.4 * Домашнее задание + 0.2 * Коллоквиум + 0.15 * Работа на семинаре + 0.25 * Экзамен<br />
'''<br />
* Топ-20% студентов с наибольшим накопленным баллом могут получить накопленный балл (переведенный в 10-балльную шкалу домножением на 4/3) автоматом.<br />
<br />
* В курсе планируется 6 домашних заданий и 1 бонусное (командный проект). <br />
<br />
<br />
<br />
'''Лектор:''' [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' Некрашевич Максим Викторович<br />
<br />
Лекции проходят '''онлайн по средам в 13:00''' в [https://us06web.zoom.us/j/81871234523?pwd=VThKYWNEOHB4NHlFdVR0Vi9aWHA3QT09 zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
[https://github.com/Murcha1990/ML_math_2022 Репозиторий с материалами на GitHub]<br />
<br />
[https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq Записи занятий]<br />
<br />
[https://t.me/+8UCIRw_TnTIxMjky Канал в telegram для объявлений]<br />
<br />
[https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing Таблица с оценками]<br />
<br />
[https://anytask.org/course/1002 Anytask для сдачи домашних заданий]<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт 24 мая в 13:00. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день организуем резервное время.<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
<br />
Части A (тестовая с вариантами ответа) на 2.5 балла с 16-ю заданиями равного веса<br />
<br />
Части B (задачи без вариантов ответа) на 3.5 балла с 6-ю заданиями равного веса<br />
<br />
Части C (работа с набором данных) на 4 балла с заданиями индивидуального веса<br />
<br />
<br />
Пройдет экзамен на платформе online.hse.ru, на его выполнение будет дано 100 мин. <br />
<br />
<br />
Шкала перевода первичных баллов за тест в оценку за экзамен:<br />
<br />
[6; 10] -> 10 баллов<br />
[5.4; 6.0) - 9<br />
[4.8; 5.4) - 8<br />
[4.2; 4.8) - 7<br />
[3.6; 4.2) - 6<br />
[3; 3.6) - 5<br />
[2.4; 3) - 4<br />
[0; 2.4) - неуд.<br />
По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам<br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена можно пользоваться всеми материалами курса, а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
==Полезные материалы==<br />
<br />
* [https://stepik.org/a/125501 Курс на Stepik "Практический ML" (за промокодом обращайтесь к преподавателям)]<br />
* [https://hastie.su.domains/Papers/ESLII.pdf Hastie, Tibshirani "The elements of statistical learning"]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-05-16T11:54:22Z<p>Murrcha: /* Экзамен */</p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях. В курсе 16 лекций и 16 семинаров.<br />
<br />
* Оценка за курс считается по формуле: '''0.4 * Домашнее задание + 0.2 * Коллоквиум + 0.15 * Работа на семинаре + 0.25 * Экзамен<br />
'''<br />
* Топ-20% студентов с наибольшим накопленным баллом могут получить накопленный балл (переведенный в 10-балльную шкалу домножением на 4/3) автоматом.<br />
<br />
* В курсе планируется 6 домашних заданий и 1 бонусное (командный проект). <br />
<br />
<br />
<br />
'''Лектор:''' [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' Некрашевич Максим Викторович<br />
<br />
Лекции проходят '''онлайн по средам в 13:00''' в [https://us06web.zoom.us/j/81871234523?pwd=VThKYWNEOHB4NHlFdVR0Vi9aWHA3QT09 zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
[https://github.com/Murcha1990/ML_math_2022 Репозиторий с материалами на GitHub]<br />
<br />
[https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq Записи занятий]<br />
<br />
[https://t.me/+8UCIRw_TnTIxMjky Канал в telegram для объявлений]<br />
<br />
[https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing Таблица с оценками]<br />
<br />
[https://anytask.org/course/1002 Anytask для сдачи домашних заданий]<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт 24 мая в 13:00. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день организуем резервное время.<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
<br />
Части A (тестовая с вариантами ответа) на 2.5 балла с 16-ю заданиями равного веса<br />
Части B (задачи без вариантов ответа) на 3.5 балла с 6-ю заданиями равного веса<br />
Части C (работа с набором данных) на 4 балла с заданиями индивидуального веса<br />
Пройдет экзамен на платформе online.hse.ru, на его выполнение будет дано 100 мин. <br />
<br />
Шкала перевода первичных баллов за тест в оценку за экзамен:<br />
<br />
[6; 10] -> 10 баллов<br />
[5.4; 6.0) - 9<br />
[4.8; 5.4) - 8<br />
[4.2; 4.8) - 7<br />
[3.6; 4.2) - 6<br />
[3; 3.6) - 5<br />
[2.4; 3) - 4<br />
[0; 2.4) - неуд.<br />
По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам<br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена можно пользоваться всеми материалами курса, а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
==Полезные материалы==<br />
<br />
* [https://stepik.org/a/125501 Курс на Stepik "Практический ML" (за промокодом обращайтесь к преподавателям)]<br />
* [https://hastie.su.domains/Papers/ESLII.pdf Hastie, Tibshirani "The elements of statistical learning"]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T12:07:29Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях. В курсе 16 лекций и 16 семинаров.<br />
<br />
* Оценка за курс считается по формуле: '''0.4 * Домашнее задание + 0.2 * Коллоквиум + 0.15 * Работа на семинаре + 0.25 * Экзамен<br />
'''<br />
* Топ-20% студентов с наибольшим накопленным баллом могут получить накопленный балл (переведенный в 10-балльную шкалу домножением на 4/3) автоматом.<br />
<br />
* В курсе планируется 6 домашних заданий и 1 бонусное (командный проект). <br />
<br />
<br />
<br />
'''Лектор:''' [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' Некрашевич Максим Викторович<br />
<br />
Лекции проходят '''онлайн по средам в 13:00''' в [https://us06web.zoom.us/j/81871234523?pwd=VThKYWNEOHB4NHlFdVR0Vi9aWHA3QT09 zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
[https://github.com/Murcha1990/ML_math_2022 Репозиторий с материалами на GitHub]<br />
<br />
[https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq Записи занятий]<br />
<br />
[https://t.me/+8UCIRw_TnTIxMjky Канал в telegram для объявлений]<br />
<br />
[https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing Таблица с оценками]<br />
<br />
[https://anytask.org/course/1002 Anytask для сдачи домашних заданий]<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен будет проходить в конце семестра. Он состоит из письменной и необязательной устной части. За письменную часть можно получить не больше 7 баллов. Если студент хочет больше баллов, то он идет на устную часть.<br />
<br />
Дату и время, а также другие подробности экзамена опубликуем позже.<br />
<br />
==Полезные материалы==<br />
<br />
* [https://stepik.org/a/125501 Курс на Stepik "Практический ML" (за промокодом обращайтесь к преподавателям)]<br />
* [https://hastie.su.domains/Papers/ESLII.pdf Hastie, Tibshirani "The elements of statistical learning"]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:51:08Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях. В курсе 16 лекций и 16 семинаров.<br />
<br />
* Оценка за курс считается по формуле: '''0.4 * Домашнее задание + 0.2 * Коллоквиум + 0.15 * Работа на семинаре + 0.25 * Экзамен<br />
'''<br />
* Топ-20% студентов с наибольшим накопленным баллом могут получить накопленный балл (переведенный в 10-балльную шкалу домножением на 4/3) автоматом.<br />
<br />
* В курсе планируется 6 домашних заданий и 1 бонусное (командный проект). <br />
<br />
<br />
<br />
'''Лектор:''' [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' Некрашевич Максим Викторович<br />
<br />
Лекции проходят '''онлайн по средам в 13:00''' в [https://us06web.zoom.us/j/81871234523?pwd=VThKYWNEOHB4NHlFdVR0Vi9aWHA3QT09 zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
[https://github.com/Murcha1990/ML_math_2022 Репозиторий с материалами на GitHub]<br />
<br />
[https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq Записи занятий]<br />
<br />
[https://t.me/+8UCIRw_TnTIxMjky Канал в telegram для объявлений]<br />
<br />
[https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing Таблица с оценками]<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен будет проходить в конце семестра. Он состоит из письменной и необязательной устной части. За письменную часть можно получить не больше 7 баллов. Если студент хочет больше баллов, то он идет на устную часть.<br />
<br />
Дату и время, а также другие подробности экзамена опубликуем позже.<br />
<br />
==Полезные материалы==<br />
<br />
* [https://stepik.org/a/125501 Курс на Stepik "Практический ML" (за промокодом обращайтесь к преподавателям)]<br />
* [https://hastie.su.domains/Papers/ESLII.pdf Hastie, Tibshirani "The elements of statistical learning"]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:47:22Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях. В курсе 16 лекций и 16 семинаров.<br />
<br />
* Оценка за курс считается по формуле: '''0.4 * Домашнее задание + 0.2 * Коллоквиум + 0.15 * Работа на семинаре + 0.25 * Экзамен<br />
'''<br />
* Топ-20% студентов с наибольшим накопленным баллом могут получить накопленный балл (переведенный в 10-балльную шкалу домножением на 4/3) автоматом.<br />
<br />
* В курсе планируется 6 домашних заданий и 1 бонусное (командный проект). <br />
<br />
<br />
<br />
'''Лектор:''' [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' Некрашевич Максим Викторович<br />
<br />
Лекции проходят '''онлайн по средам в 13:00''' в [https://us06web.zoom.us/j/81871234523?pwd=VThKYWNEOHB4NHlFdVR0Vi9aWHA3QT09 zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
[https://github.com/Murcha1990/ML_math_2022 Репозиторий с материалами на GitHub]<br />
<br />
[https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq Записи занятий]<br />
<br />
[https://t.me/+8UCIRw_TnTIxMjky Канал в telegram для объявлений]<br />
<br />
[https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing Таблица с оценками]<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен будет проходить в конце семестра. Он состоит из письменной и необязательной устной части. За письменную часть можно получить не больше 7 баллов. Если студент хочет больше баллов, то он идет на устную часть.<br />
<br />
Дату и время, а также другие подробности экзамена опубликуем позже.<br />
<br />
==Полезные материалы==<br />
<br />
* Курс на Stepik "Практический ML": https://stepik.org/a/125501 (за промокодом обращайтесь к преподавателям)<br />
* Hastie, Tibshirani "The elements of statistical learning": https://hastie.su.domains/Papers/ESLII.pdf</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:47:02Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях. В курсе 16 лекций и 16 семинаров.<br />
<br />
* Оценка за курс считается по формуле: 0.4 * Домашнее задание + 0.2 * Коллоквиум + 0.15 * Работа на семинаре + 0.25 * Экзамен<br />
<br />
* Топ-20% студентов с наибольшим накопленным баллом могут получить накопленный балл (переведенный в 10-балльную шкалу домножением на 4/3) автоматом.<br />
<br />
* В курсе планируется 6 домашних заданий и 1 бонусное (командный проект). <br />
<br />
<br />
<br />
'''Лектор:''' [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' Некрашевич Максим Викторович<br />
<br />
Лекции проходят '''онлайн по средам в 13:00''' в [https://us06web.zoom.us/j/81871234523?pwd=VThKYWNEOHB4NHlFdVR0Vi9aWHA3QT09 zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
[https://github.com/Murcha1990/ML_math_2022 Репозиторий с материалами на GitHub]<br />
<br />
[https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq Записи занятий]<br />
<br />
[https://t.me/+8UCIRw_TnTIxMjky Канал в telegram для объявлений]<br />
<br />
[https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing Таблица с оценками]<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен будет проходить в конце семестра. Он состоит из письменной и необязательной устной части. За письменную часть можно получить не больше 7 баллов. Если студент хочет больше баллов, то он идет на устную часть.<br />
<br />
Дату и время, а также другие подробности экзамена опубликуем позже.<br />
<br />
==Полезные материалы==<br />
<br />
* Курс на Stepik "Практический ML": https://stepik.org/a/125501 (за промокодом обращайтесь к преподавателям)<br />
* Hastie, Tibshirani "The elements of statistical learning": https://hastie.su.domains/Papers/ESLII.pdf</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:46:52Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях. В курсе 16 лекций и 16 семинаров.<br />
<br />
* Оценка за курс считается по формуле: 0.4 * Домашнее задание + 0.2 * Коллоквиум + 0.15 * Работа на семинаре + 0.25 * Экзамен<br />
<br />
* Топ-20% студентов с наибольшим накопленным баллом могут получить накопленный балл (переведенный в 10-балльную шкалу домножением на 4/3) автоматом.<br />
<br />
* В курсе планируется 6 домашних заданий и 1 бонусное (командный проект). <br />
<br />
'''Лектор:''' [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' Некрашевич Максим Викторович<br />
<br />
Лекции проходят '''онлайн по средам в 13:00''' в [https://us06web.zoom.us/j/81871234523?pwd=VThKYWNEOHB4NHlFdVR0Vi9aWHA3QT09 zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
[https://github.com/Murcha1990/ML_math_2022 Репозиторий с материалами на GitHub]<br />
<br />
[https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq Записи занятий]<br />
<br />
[https://t.me/+8UCIRw_TnTIxMjky Канал в telegram для объявлений]<br />
<br />
[https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing Таблица с оценками]<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен будет проходить в конце семестра. Он состоит из письменной и необязательной устной части. За письменную часть можно получить не больше 7 баллов. Если студент хочет больше баллов, то он идет на устную часть.<br />
<br />
Дату и время, а также другие подробности экзамена опубликуем позже.<br />
<br />
==Полезные материалы==<br />
<br />
* Курс на Stepik "Практический ML": https://stepik.org/a/125501 (за промокодом обращайтесь к преподавателям)<br />
* Hastie, Tibshirani "The elements of statistical learning": https://hastie.su.domains/Papers/ESLII.pdf</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:45:23Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях. В курсе 16 лекций и 16 семинаров.<br />
<br />
Оценка за курс считается по формуле: 0.4 * Домашнее задание + 0.2 * Коллоквиум + 0.15 * Работа на семинаре + 0.25 * Экзамен<br />
<br />
Топ-20% студентов с наибольшим накопленным баллом могут получить накопленный балл (переведенный в 10-балльную шкалу домножением на 4/3) автоматом.<br />
<br />
В курсе планируется 6 домашних заданий и 1 бонусное (командный проект). <br />
<br />
'''Лектор:''' [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' Некрашевич Максим Викторович<br />
<br />
Лекции проходят '''онлайн по средам в 13:00''' в [https://us06web.zoom.us/j/81871234523?pwd=VThKYWNEOHB4NHlFdVR0Vi9aWHA3QT09 zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
[https://github.com/Murcha1990/ML_math_2022 Репозиторий с материалами на GitHub]<br />
<br />
[https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq Записи занятий]<br />
<br />
[https://t.me/+8UCIRw_TnTIxMjky Канал в telegram для объявлений]<br />
<br />
[https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing Таблица с оценками]<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен будет проходить в конце семестра. Он состоит из письменной и необязательной устной части. За письменную часть можно получить не больше 7 баллов. Если студент хочет больше баллов, то он идет на устную часть.<br />
<br />
Дату и время, а также другие подробности экзамена опубликуем позже.<br />
<br />
==Полезные материалы==<br />
<br />
* Курс на Stepik "Практический ML": https://stepik.org/a/125501 (за промокодом обращайтесь к преподавателям)<br />
* Hastie, Tibshirani "The elements of statistical learning": https://hastie.su.domains/Papers/ESLII.pdf</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:41:23Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях.<br />
<br />
'''Лектор:''' [https://www.hse.ru/org/persons/211268525 Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' Некрашевич Максим Викторович<br />
<br />
Лекции проходят '''онлайн по средам в 13:00''' в [https://us06web.zoom.us/j/81871234523?pwd=VThKYWNEOHB4NHlFdVR0Vi9aWHA3QT09 zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
[https://github.com/Murcha1990/ML_math_2022 Репозиторий с материалами на GitHub]<br />
<br />
[https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq Записи занятий]<br />
<br />
[https://t.me/+8UCIRw_TnTIxMjky Канал в telegram для объявлений]<br />
<br />
[https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing Таблица с оценками]<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен будет проходить в конце семестра. Он состоит из письменной и необязательной устной части. За письменную часть можно получить не больше 7 баллов. Если студент хочет больше баллов, то он идет на устную часть.<br />
<br />
Дату и время, а также другие подробности экзамена опубликуем позже.<br />
<br />
==Полезные материалы==<br />
<br />
* Курс на Stepik "Практический ML": https://stepik.org/a/125501 (за промокодом обращайтесь к преподавателям)<br />
* Hastie, Tibshirani "The elements of statistical learning": https://hastie.su.domains/Papers/ESLII.pdf</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:40:21Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях.<br />
<br />
'''Лектор:''' [Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' [Некрашевич Максим Викторович]<br />
<br />
Лекции проходят онлайн по в в [zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
[https://github.com/Murcha1990/ML_math_2022 Репозиторий с материалами на GitHub]<br />
<br />
[https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq Записи занятий]<br />
<br />
[https://t.me/+8UCIRw_TnTIxMjky Канал в telegram для объявлений]<br />
<br />
[https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing Таблица с оценками]<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен будет проходить в конце семестра. Он состоит из письменной и необязательной устной части. За письменную часть можно получить не больше 7 баллов. Если студент хочет больше баллов, то он идет на устную часть.<br />
<br />
Дату и время, а также другие подробности экзамена опубликуем позже.<br />
<br />
==Полезные материалы==<br />
<br />
* Курс на Stepik "Практический ML": https://stepik.org/a/125501 (за промокодом обращайтесь к преподавателям)<br />
* Hastie, Tibshirani "The elements of statistical learning": https://hastie.su.domains/Papers/ESLII.pdf</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:40:09Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях.<br />
<br />
'''Лектор:''' [Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' [Некрашевич Максим Викторович]<br />
<br />
Лекции проходят онлайн по в в [zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
[https://github.com/Murcha1990/ML_math_2022 Репозиторий с материалами на GitHub]<br />
<br />
[https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq Записи занятий]<br />
<br />
[https://t.me/+8UCIRw_TnTIxMjky Канал в telegram для объявлений]<br />
<br />
[https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing<br />
Таблица с оценками]<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен будет проходить в конце семестра. Он состоит из письменной и необязательной устной части. За письменную часть можно получить не больше 7 баллов. Если студент хочет больше баллов, то он идет на устную часть.<br />
<br />
Дату и время, а также другие подробности экзамена опубликуем позже.<br />
<br />
==Полезные материалы==<br />
<br />
* Курс на Stepik "Практический ML": https://stepik.org/a/125501 (за промокодом обращайтесь к преподавателям)<br />
* Hastie, Tibshirani "The elements of statistical learning": https://hastie.su.domains/Papers/ESLII.pdf</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:39:22Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях.<br />
<br />
'''Лектор:''' [Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' [Некрашевич Максим Викторович]<br />
<br />
Лекции проходят онлайн по в в [zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
[https://github.com/Murcha1990/ML_math_2022 Репозиторий с материалами на GitHub]<br />
<br />
[Записи занятий: https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq]<br />
<br />
[Канал в telegram для объявлений: https://t.me/+8UCIRw_TnTIxMjky]<br />
<br />
Таблица с оценками: https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен будет проходить в конце семестра. Он состоит из письменной и необязательной устной части. За письменную часть можно получить не больше 7 баллов. Если студент хочет больше баллов, то он идет на устную часть.<br />
<br />
Дату и время, а также другие подробности экзамена опубликуем позже.<br />
<br />
==Полезные материалы==<br />
<br />
* Курс на Stepik "Практический ML": https://stepik.org/a/125501 (за промокодом обращайтесь к преподавателям)<br />
* Hastie, Tibshirani "The elements of statistical learning": https://hastie.su.domains/Papers/ESLII.pdf</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:39:02Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях.<br />
<br />
'''Лектор:''' [Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' [Некрашевич Максим Викторович]<br />
<br />
Лекции проходят онлайн по в в [zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
[Репозиторий с материалами на GitHub: https://github.com/Murcha1990/ML_math_2022]<br />
<br />
[Записи занятий: https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq]<br />
<br />
[Канал в telegram для объявлений: https://t.me/+8UCIRw_TnTIxMjky]<br />
<br />
Таблица с оценками: https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен будет проходить в конце семестра. Он состоит из письменной и необязательной устной части. За письменную часть можно получить не больше 7 баллов. Если студент хочет больше баллов, то он идет на устную часть.<br />
<br />
Дату и время, а также другие подробности экзамена опубликуем позже.<br />
<br />
==Полезные материалы==<br />
<br />
* Курс на Stepik "Практический ML": https://stepik.org/a/125501 (за промокодом обращайтесь к преподавателям)<br />
* Hastie, Tibshirani "The elements of statistical learning": https://hastie.su.domains/Papers/ESLII.pdf</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:37:36Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях.<br />
<br />
'''Лектор:''' [Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' [Некрашевич Максим Викторович]<br />
<br />
Лекции проходят онлайн по в в [zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
Репозиторий с материалами на GitHub: https://github.com/Murcha1990/ML_math_2022<br />
<br />
Записи занятий: https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq<br />
<br />
Канал в telegram для объявлений: https://t.me/+8UCIRw_TnTIxMjky<br />
<br />
Таблица с оценками: https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен будет проходить в конце семестра. Он состоит из письменной и необязательной устной части. За письменную часть можно получить не больше 7 баллов. Если студент хочет больше баллов, то он идет на устную часть.<br />
<br />
Дату и время, а также другие подробности экзамена опубликуем позже.<br />
<br />
==Полезные материалы==<br />
<br />
* Курс на Stepik "Практический ML": https://stepik.org/a/125501 (за промокодом обращайтесь к преподавателям)<br />
* Hastie, Tibshirani "The elements of statistical learning": https://hastie.su.domains/Papers/ESLII.pdf</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:36:57Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях.<br />
<br />
'''Лектор:''' [Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' [Некрашевич Максим Викторович]<br />
<br />
Лекции проходят онлайн по в в [zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
Репозиторий с материалами на GitHub: https://github.com/Murcha1990/ML_math_2022<br />
<br />
Записи занятий: https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq<br />
<br />
Канал в telegram для объявлений: https://t.me/+8UCIRw_TnTIxMjky<br />
<br />
Таблица с оценками: https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Коллоквиум ==<br />
<br />
Коллоквиум будет проходить в сессию 3 модуля, в письменной форме. О подробностях сообщим позже.<br />
<br />
== Контрольная работа ==<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен будет проходить в конце семестра. Он состоит из письменной и необязательной устной части. За письменную часть можно получить не больше 7 баллов. Если студент хочет больше баллов, то он идет на устную часть.<br />
<br />
Дату и время, а также другие подробности экзамена опубликуем позже.<br />
<br />
==Полезные материалы==<br />
<br />
* Курс на Stepik "Практический ML": https://stepik.org/a/125501 (за промокодом обращайтесь к преподавателям)<br />
* Hastie, Tibshirani "The elements of statistical learning": https://hastie.su.domains/Papers/ESLII.pdf</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:34:39Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях.<br />
<br />
'''Лектор:''' [Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' [Некрашевич Максим Викторович]<br />
<br />
Лекции проходят онлайн по в в [zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
Репозиторий с материалами на GitHub: https://github.com/Murcha1990/ML_math_2022<br />
<br />
Записи занятий: https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq<br />
<br />
Канал в telegram для объявлений: https://t.me/+8UCIRw_TnTIxMjky<br />
<br />
Таблица с оценками: https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Консультации ==<br />
<br />
<br />
== Контрольная работа ==<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен будет проходить в конце семестра. Он состоит из письменной и необязательной устной части. За письменную часть можно получить не больше 7 баллов. Если студент хочет больше баллов, то он идет на устную часть.<br />
<br />
Дату и время, а также другие подробности экзамена опубликуем позже.<br />
<br />
==Полезные материалы==<br />
<br />
* Курс на Stepik "Практический ML": https://stepik.org/a/125501 (за промокодом обращайтесь к преподавателям)<br />
* Hastie, Tibshirani "The elements of statistical learning": https://hastie.su.domains/Papers/ESLII.pdf</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:32:46Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях.<br />
<br />
'''Лектор:''' [Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' [Некрашевич Максим Викторович]<br />
<br />
Лекции проходят онлайн по в в [zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
Репозиторий с материалами на GitHub: https://github.com/Murcha1990/ML_math_2022<br />
<br />
Записи занятий: https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq<br />
<br />
Канал в telegram для объявлений: https://t.me/+8UCIRw_TnTIxMjky<br />
<br />
Таблица с оценками: https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Консультации ==<br />
<br />
<br />
== Контрольная работа ==<br />
<br />
<br />
== Экзамен ==<br />
<br />
Экзамен будет проходить в конце семестра. Он состоит из письменной и необязательной устной части. За письменную часть можно получить не больше 7 баллов. Если студент хочет больше баллов, то он идет на устную часть.<br />
<br />
Дату и время, а также другие подробности экзамена опубликуем позже.<br />
<br />
==Полезные материалы==</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:30:21Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях.<br />
<br />
'''Лектор:''' [Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' [Некрашевич Максим Викторович]<br />
<br />
Лекции проходят онлайн по в в [zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
Репозиторий с материалами на GitHub: https://github.com/Murcha1990/ML_math_2022<br />
<br />
Записи занятий: https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq<br />
<br />
Канал в telegram для объявлений: https://t.me/+8UCIRw_TnTIxMjky<br />
<br />
Таблица с оценками: https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing<br />
<br />
== Лекции ==<br />
<br />
1. Введение в машинное обучение.<br />
<br />
2. Задача регрессии. Линейная регрессия.<br />
<br />
3. Градиентный спуск и его модификации. Метрики качества регрессии.<br />
<br />
== Семинары ==<br />
<br />
<br />
== Консультации ==<br />
<br />
<br />
== Контрольная работа ==<br />
<br />
<br />
== Экзамен ==<br />
<br />
<br />
==Полезные материалы==</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:29:43Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях.<br />
<br />
'''Лектор:''' [Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' [Некрашевич Максим Викторович]<br />
<br />
Лекции проходят онлайн по в в [zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
Репозиторий с материалами на GitHub: https://github.com/Murcha1990/ML_math_2022<br />
<br />
Записи занятий: https://www.youtube.com/playlist?list=PLEwK9wdS5g0pq6FkCQ5P4VhHd3u1_PIKq<br />
<br />
Канал в telegram для объявлений: https://t.me/+8UCIRw_TnTIxMjky<br />
<br />
Таблица с оценками: https://docs.google.com/spreadsheets/d/1s9_Q4lcQVorvYeyDGr7bgXDH45qPikWD1RMbDYrFtPs/edit?usp=sharing<br />
<br />
== Лекции ==<br />
<br />
<br />
== Семинары ==<br />
<br />
<br />
== Консультации ==<br />
<br />
<br />
== Контрольная работа ==<br />
<br />
<br />
== Экзамен ==<br />
<br />
<br />
==Полезные материалы==</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_22/23_%D0%9C%D0%B0%D1%82%D1%84%D0%B0%D0%BAМашинное обучение 22/23 Матфак2023-01-23T10:18:12Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
Курс читается для студентов матфака в 3-4 модулях.<br />
<br />
'''Лектор:''' [Кантонистова Елена Олеговна]<br />
<br />
'''Семинарист:''' [Некрашевич Максим Викторович]<br />
<br />
Лекции проходят онлайн по в в [zoom].<br />
<br />
=== Полезные ссылки ===<br />
<br />
[Репозиторий с материалами на GitHub]<br />
<br />
[Записи занятий]<br />
<br />
Канал в telegram для объявлений: https://t.me/+8UCIRw_TnTIxMjky<br />
<br />
Чат в telegram: <br />
<br />
Ссылка на курс в Anytask: <br />
<br />
Таблица с оценками:<br />
<br />
== Лекции ==<br />
<br />
<br />
== Семинары ==<br />
<br />
<br />
== Консультации ==<br />
<br />
<br />
== Контрольная работа ==<br />
<br />
<br />
== Экзамен ==<br />
<br />
<br />
==Полезные материалы==</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-10-15T07:03:16Z<p>Murrcha: /* Коллоквиум */</p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
<br />
В курсе планируется 12 лекций и 10 семинаров.<br />
<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся по понедельникам в 11:10 (вторая пара) в аудитории R305 на Покровском бульваре.<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [https://t.me/murr4a Елена Кантонистова] || [https://t.me/nihaoalena Алёна Цветкова] || pCEcAEJ || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [https://t.me/anastasiyamaxx Анастасия Максимовская] || [https://t.me/krsafonov Кирилл Сафонов] || Hpjg3Da || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [https://t.me/ko_iulia Юлия Конюшенко] || [https://t.me/onehspal Ксения Лапшина] || qVzCPK9 || [https://t.me/+jpIGToIsOhQyZjli Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1IFBMFJvSYgIBC8IaqBP4srpx6eEC36wIy5vr2utYQG8/edit?usp=sharing<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (5 сентября, онлайн)''' Введение в машинное обучение. | [https://github.com/Murcha1990/ML_econom_2022-2023/blob/main/Лекции/Lection_1_2022.pdf слайды]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 0.''' Математика для машинного обучения (самостоятельное изучение) | [https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Семинары/Семинар%200 материалы]<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск.<br />
<br />
== Домашние задания ==<br />
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/course/939 Anytask].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9D%D0%98%D0%A1_%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D1%8B%D0%B5_%D0%B7%D0%B0%D0%B4%D0%B0%D1%87%D0%B8_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_(%D0%9C%D0%9E%D0%B8%D0%92%D0%A1,_2022)НИС Прикладные задачи анализа данных (МОиВС, 2022)2022-09-23T13:54:14Z<p>Murrcha: </p>
<hr />
<div>==О курсе==<br />
Курс посвящен расширению кругозора обучающихся в области машинного и глубинного обучения. На курсе изучаются различные приложения анализа данных, которые, как правило, не входят в программы других дисциплин цикла. Среди изучаемых на курсе тем: поиск аномалий в данных, обзор алгоритмов построения рекомендаций, EM-алгоритм, нормализационные потоки и другие довольно важные приложения.<br />
<br />
Большинство занятий проводятся на [https://events.webinar.ru/54933491/1441462596 Webinar.ru] '''по субботам с 12:00 до 13:20'''<br />
<br />
==Контакты==<br />
<br />
Канал курса в TG: [https://t.me/+t-kFVhkL5Uo3Y2E6 channel link]<br />
<br />
Чат курса в TG: [https://t.me/+Hz3D9pCadFAxN2Vi chat link]<br />
<br />
{| class="wikitable"<br />
|-<br />
! Ассистенты !! Контакты <br />
|-<br />
| style="background:#eaecf0;" | Червяков Артем ||[https://t.me/arorlov @arorlov]<br />
|-<br />
| style="background:#eaecf0;" | Прохоров Савелий ||[https://t.me/Savely_Prokhorov @Savely_Prokhorov]<br />
|}<br />
<br />
==Материалы курса==<br />
Ссылка на плейлист курса на YouTube: https://www.youtube.com/playlist?list=PLmA-1xX7IuzDT8M0NfFg6r5IXLoFx7xsI<br />
<br />
Ссылка на GitHub с материалами курса: [https://github.com/Murcha1990/MLDS_AppliedDS_autumn2021.git Github]<br />
<br />
{| class="wikitable"<br />
|-<br />
! Занятие !! Тема !! Дата !! Преподаватель !! Материалы для самоподготовки к семинарам !! Дополнительные материалы<br />
|-<br />
| style="background:#eaecf0;" | '''1''' || Рекомендательные системы || 17.09.22 || Цвигун Аким || ||<br />
|-<br />
| style="background:#eaecf0;" | '''2''' || Поиск аномалий || 24.09.22 || Кантонистова Елена || || <br />
|-<br />
| style="background:#eaecf0;" | '''3''' || Нормализационные потоки || 01.10.22 || Гущин Михаил|| ||<br />
|-<br />
| style="background:#eaecf0;" | '''4''' || Быстрый поиск ближайших соседей || 08.10.22 || Бокатенко Данил || ||<br />
|-<br />
| style="background:#eaecf0;" | '''5''' || Графовый подход в задаче кластеризации || 15.10.22 || Бокатенко Данил || ||<br />
|-<br />
| style="background:#eaecf0;" | '''6''' || AutoML || 18.10.22 || Садртдинов Ильдус || ||<br />
|-<br />
| style="background:#eaecf0;" | '''7''' || EM-алгоритм || 22.10.22 || Максим Рябинин || ||<br />
|-<br />
|}<br />
<br />
==Формула оценивания==<br />
<br />
Оценка = 0.3*тесты + 0.7*ДЗ<br />
<br />
В начале занятия - тест (4-5 несложных вопросов) по теме предыдущего занятия.<br />
<br />
== Домашние задания ==<br />
<br />
По курсу предусмотрено 2 домашних задания<br />
<br />
# По семейству генеративных моделей (на сравнение GAN'ов, автоэнкодеров и нормализационных потоков)<br />
# По AutoML<br />
<br />
== Литература ==</div>Murrchahttp://wiki.cs.hse.ru/%D0%9D%D0%98%D0%A1_%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D1%8B%D0%B5_%D0%B7%D0%B0%D0%B4%D0%B0%D1%87%D0%B8_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_(%D0%9C%D0%9E%D0%B8%D0%92%D0%A1,_2022)НИС Прикладные задачи анализа данных (МОиВС, 2022)2022-09-23T13:54:04Z<p>Murrcha: </p>
<hr />
<div>==О курсе==<br />
Курс посвящен расширению кругозора обучающихся в области машинного и глубинного обучения. На курсе изучаются различные приложения анализа данных, которые, как правило, не входят в программы других дисциплин цикла. Среди изучаемых на курсе тем: поиск аномалий в данных, обзор алгоритмов построения рекомендаций, EM-алгоритм, нормализационные потоки и другие довольно важные приложения.<br />
<br />
Большинство занятий проводятся на [https://events.webinar.ru/54933491/1441462596 Webinar.ru] '''по субботам с 12:00 до 13:20'''<br />
<br />
==Контакты==<br />
<br />
Канал курса в TG: [https://t.me/+t-kFVhkL5Uo3Y2E6 channel link]<br />
<br />
Чат курса в TG: [https://t.me/+Hz3D9pCadFAxN2Vi chat link]<br />
<br />
{| class="wikitable"<br />
|-<br />
! Ассистенты !! Контакты <br />
|-<br />
| style="background:#eaecf0;" | Червяков Артем ||[https://t.me/arorlov @arorlov]<br />
|-<br />
| style="background:#eaecf0;" | Прохоров Савелий ||[https://t.me/Savely_Prokhorov @Savely_Prokhorov]<br />
|}<br />
<br />
==Материалы курса==<br />
Ссылка на плейлист курса на YouTube: https://www.youtube.com/playlist?list=PLmA-1xX7IuzDT8M0NfFg6r5IXLoFx7xsI<br />
<br />
Ссылка на GitHub с материалами курса: [[https://github.com/Murcha1990/MLDS_AppliedDS_autumn2021.git Github]]<br />
<br />
{| class="wikitable"<br />
|-<br />
! Занятие !! Тема !! Дата !! Преподаватель !! Материалы для самоподготовки к семинарам !! Дополнительные материалы<br />
|-<br />
| style="background:#eaecf0;" | '''1''' || Рекомендательные системы || 17.09.22 || Цвигун Аким || ||<br />
|-<br />
| style="background:#eaecf0;" | '''2''' || Поиск аномалий || 24.09.22 || Кантонистова Елена || || <br />
|-<br />
| style="background:#eaecf0;" | '''3''' || Нормализационные потоки || 01.10.22 || Гущин Михаил|| ||<br />
|-<br />
| style="background:#eaecf0;" | '''4''' || Быстрый поиск ближайших соседей || 08.10.22 || Бокатенко Данил || ||<br />
|-<br />
| style="background:#eaecf0;" | '''5''' || Графовый подход в задаче кластеризации || 15.10.22 || Бокатенко Данил || ||<br />
|-<br />
| style="background:#eaecf0;" | '''6''' || AutoML || 18.10.22 || Садртдинов Ильдус || ||<br />
|-<br />
| style="background:#eaecf0;" | '''7''' || EM-алгоритм || 22.10.22 || Максим Рябинин || ||<br />
|-<br />
|}<br />
<br />
==Формула оценивания==<br />
<br />
Оценка = 0.3*тесты + 0.7*ДЗ<br />
<br />
В начале занятия - тест (4-5 несложных вопросов) по теме предыдущего занятия.<br />
<br />
== Домашние задания ==<br />
<br />
По курсу предусмотрено 2 домашних задания<br />
<br />
# По семейству генеративных моделей (на сравнение GAN'ов, автоэнкодеров и нормализационных потоков)<br />
# По AutoML<br />
<br />
== Литература ==</div>Murrchahttp://wiki.cs.hse.ru/%D0%9D%D0%98%D0%A1_%D0%9F%D1%80%D0%B8%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D1%8B%D0%B5_%D0%B7%D0%B0%D0%B4%D0%B0%D1%87%D0%B8_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85_(%D0%9C%D0%9E%D0%B8%D0%92%D0%A1,_2022)НИС Прикладные задачи анализа данных (МОиВС, 2022)2022-09-23T13:53:41Z<p>Murrcha: </p>
<hr />
<div>==О курсе==<br />
Курс посвящен расширению кругозора обучающихся в области машинного и глубинного обучения. На курсе изучаются различные приложения анализа данных, которые, как правило, не входят в программы других дисциплин цикла. Среди изучаемых на курсе тем: поиск аномалий в данных, обзор алгоритмов построения рекомендаций, EM-алгоритм, нормализационные потоки и другие довольно важные приложения.<br />
<br />
Большинство занятий проводятся на [https://events.webinar.ru/54933491/1441462596 Webinar.ru] '''по субботам с 12:00 до 13:20'''<br />
<br />
==Контакты==<br />
<br />
Канал курса в TG: [https://t.me/+t-kFVhkL5Uo3Y2E6 channel link]<br />
<br />
Чат курса в TG: [https://t.me/+Hz3D9pCadFAxN2Vi chat link]<br />
<br />
{| class="wikitable"<br />
|-<br />
! Ассистенты !! Контакты <br />
|-<br />
| style="background:#eaecf0;" | Червяков Артем ||[https://t.me/arorlov @arorlov]<br />
|-<br />
| style="background:#eaecf0;" | Прохоров Савелий ||[https://t.me/Savely_Prokhorov @Savely_Prokhorov]<br />
|}<br />
<br />
==Материалы курса==<br />
Ссылка на плейлист курса на YouTube: https://www.youtube.com/playlist?list=PLmA-1xX7IuzDT8M0NfFg6r5IXLoFx7xsI<br />
<br />
Ссылка на GitHub с материалами курса: [[GitHub https://github.com/Murcha1990/MLDS_AppliedDS_autumn2021.git]]<br />
<br />
{| class="wikitable"<br />
|-<br />
! Занятие !! Тема !! Дата !! Преподаватель !! Материалы для самоподготовки к семинарам !! Дополнительные материалы<br />
|-<br />
| style="background:#eaecf0;" | '''1''' || Рекомендательные системы || 17.09.22 || Цвигун Аким || ||<br />
|-<br />
| style="background:#eaecf0;" | '''2''' || Поиск аномалий || 24.09.22 || Кантонистова Елена || || <br />
|-<br />
| style="background:#eaecf0;" | '''3''' || Нормализационные потоки || 01.10.22 || Гущин Михаил|| ||<br />
|-<br />
| style="background:#eaecf0;" | '''4''' || Быстрый поиск ближайших соседей || 08.10.22 || Бокатенко Данил || ||<br />
|-<br />
| style="background:#eaecf0;" | '''5''' || Графовый подход в задаче кластеризации || 15.10.22 || Бокатенко Данил || ||<br />
|-<br />
| style="background:#eaecf0;" | '''6''' || AutoML || 18.10.22 || Садртдинов Ильдус || ||<br />
|-<br />
| style="background:#eaecf0;" | '''7''' || EM-алгоритм || 22.10.22 || Максим Рябинин || ||<br />
|-<br />
|}<br />
<br />
==Формула оценивания==<br />
<br />
Оценка = 0.3*тесты + 0.7*ДЗ<br />
<br />
В начале занятия - тест (4-5 несложных вопросов) по теме предыдущего занятия.<br />
<br />
== Домашние задания ==<br />
<br />
По курсу предусмотрено 2 домашних задания<br />
<br />
# По семейству генеративных моделей (на сравнение GAN'ов, автоэнкодеров и нормализационных потоков)<br />
# По AutoML<br />
<br />
== Литература ==</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-09-16T07:10:39Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
<br />
В курсе планируется 12 лекций и 10 семинаров.<br />
<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся по понедельникам в 11:10 (вторая пара) в аудитории R305 на Покровском бульваре.<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [https://t.me/murr4a Елена Кантонистова] || [https://t.me/nihaoalena Алёна Цветкова] || pCEcAEJ || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [https://t.me/anastasiyamaxx Анастасия Максимовская] || [https://t.me/krsafonov Кирилл Сафонов] || Hpjg3Da || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [https://t.me/ko_iulia Юлия Конюшенко] || [https://t.me/onehspal Ксения Лапшина] || qVzCPK9 || [https://t.me/+jpIGToIsOhQyZjli Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (5 сентября, онлайн)''' Введение в машинное обучение. | [https://github.com/Murcha1990/ML_econom_2022-2023/blob/main/Лекции/Lection_1_2022.pdf слайды]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 0.''' Математика для машинного обучения (самостоятельное изучение) | [https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Семинары/Семинар%200 материалы]<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск.<br />
<br />
== Домашние задания ==<br />
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/course/939 Anytask].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9B%D0%B8%D0%BA%D0%B1%D0%B5%D0%B7_%D1%80%D0%B0%D0%B7%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D1%87%D0%B8%D0%BA%D0%B0_(2022)Ликбез разработчика (2022)2022-09-06T16:47:28Z<p>Murrcha: </p>
<hr />
<div>==О курсе==<br />
<br />
Занятия проводятся в [ Zoom] по ... в ...<br />
<br />
==Контакты==<br />
<br />
Канал курса в TG: [channel link]<br />
<br />
Чат курса в TG: [chat link]<br />
<br />
'''Преподаватели''': Кантонистова Елена, Бардуков Анатолий, Ахтямов Павел<br />
<br />
{| class="wikitable"<br />
|-<br />
! Ассистент !! Контакты <br />
|-<br />
| style="background:#eaecf0;" | Иван Лущ ||[https://t.me/Ch0p1k @Ch0p1k]<br />
|}<br />
<br />
==Материалы курса==<br />
Ссылка на плейлист курса на YouTube: <br />
<br />
Ссылка на GitHub с материалами курса: [[ GitHub]]<br />
<br />
{| class="wikitable"<br />
|-<br />
! Занятие !! Тема !! Дата !! Преподаватель !! Материалы для самоподготовки к семинарам !! Дополнительные материалы<br />
|-<br />
| style="background:#eaecf0;" | '''1''' || Введение в МО: типы и примеры задач, какие бывают данные, пайплайн ML-проекта<br />
|| || Кантонистова Елена Олеговна || || [https://disk.yandex.ru/d/SFQyezcDnQP_xQ Презентация]<br />
|-<br />
| style="background:#eaecf0;" | '''2''' || Введение в высоконагруженные системы || || Бардуков Анатолий Андреевич || ||<br />
|-<br />
| style="background:#eaecf0;" | '''3''' || Обзор Linux: история и дистрибутивы, терминал, пользователи, процессы и конфиги || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''4''' || Git: базовые команды, ветки, конфликты и pull-реквесты || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''5''' || Архитектура современных веб-приложений: монолитная vs микросервисная, REST, FastAPI || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''6''' || Docker: установка, базовые команды, остановка и удаление контейнеров, логирование; разработка, тестирование и деплой || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''7''' || SQL: CREATE, INSERT, UPDATE и SELECT запросы, подзапросы, оконные функции || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''8''' || NoSQL: документоориентированные БД (MongoDB), key-value storage (Redis), поисковые движки (стек ELK: ElasticSearch + Logstash + Kibana) || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
|}<br />
<br />
==Формула оценивания==<br />
<br />
== Домашние задания ==<br />
<br />
== Литература ==</div>Murrchahttp://wiki.cs.hse.ru/%D0%9B%D0%B8%D0%BA%D0%B1%D0%B5%D0%B7_%D1%80%D0%B0%D0%B7%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D1%87%D0%B8%D0%BA%D0%B0_(2022)Ликбез разработчика (2022)2022-09-06T16:47:10Z<p>Murrcha: </p>
<hr />
<div>==О курсе==<br />
<br />
Занятия проводятся в [ Zoom] по ... в ...<br />
<br />
==Контакты==<br />
<br />
Канал курса в TG: [channel link]<br />
<br />
Чат курса в TG: [chat link]<br />
<br />
'''Преподаватели''': Кантонистова Елена, Бардуков Анатолий, Ахтямов Павел<br />
<br />
{| class="wikitable"<br />
|-<br />
! Ассистент !! Контакты <br />
|-<br />
| style="background:#eaecf0;" | Иван Лущ ||[https://t.me/Ch0p1k @Ch0p1k]<br />
|}<br />
<br />
==Материалы курса==<br />
Ссылка на плейлист курса на YouTube: <br />
<br />
Ссылка на GitHub с материалами курса: [[ GitHub]]<br />
<br />
{| class="wikitable"<br />
|-<br />
! Занятие !! Тема !! Дата !! Преподаватель !! Материалы для самоподготовки к семинарам !! Дополнительные материалы<br />
|-<br />
| style="background:#eaecf0;" | '''1''' || Введение в МО: типы и примеры задач, какие бывают данные, пайплайн ML-проекта<br />
|| || Кантонистова Елена Олеговна || || [Презентация https://disk.yandex.ru/d/SFQyezcDnQP_xQ]<br />
|-<br />
| style="background:#eaecf0;" | '''2''' || Введение в высоконагруженные системы || || Бардуков Анатолий Андреевич || ||<br />
|-<br />
| style="background:#eaecf0;" | '''3''' || Обзор Linux: история и дистрибутивы, терминал, пользователи, процессы и конфиги || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''4''' || Git: базовые команды, ветки, конфликты и pull-реквесты || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''5''' || Архитектура современных веб-приложений: монолитная vs микросервисная, REST, FastAPI || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''6''' || Docker: установка, базовые команды, остановка и удаление контейнеров, логирование; разработка, тестирование и деплой || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''7''' || SQL: CREATE, INSERT, UPDATE и SELECT запросы, подзапросы, оконные функции || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''8''' || NoSQL: документоориентированные БД (MongoDB), key-value storage (Redis), поисковые движки (стек ELK: ElasticSearch + Logstash + Kibana) || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
|}<br />
<br />
==Формула оценивания==<br />
<br />
== Домашние задания ==<br />
<br />
== Литература ==</div>Murrchahttp://wiki.cs.hse.ru/%D0%9B%D0%B8%D0%BA%D0%B1%D0%B5%D0%B7_%D1%80%D0%B0%D0%B7%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D1%87%D0%B8%D0%BA%D0%B0_(2022)Ликбез разработчика (2022)2022-09-06T08:50:01Z<p>Murrcha: </p>
<hr />
<div>==О курсе==<br />
<br />
Занятия проводятся в [ Zoom] по ... в ...<br />
<br />
==Контакты==<br />
<br />
Канал курса в TG: [channel link]<br />
<br />
Чат курса в TG: [chat link]<br />
<br />
'''Преподаватели''': Кантонистова Елена, Бардуков Анатолий, Ахтямов Павел<br />
<br />
{| class="wikitable"<br />
|-<br />
! Ассистент !! Контакты <br />
|-<br />
| style="background:#eaecf0;" | Иван Лущ ||[https://t.me/Ch0p1k @Ch0p1k]<br />
|}<br />
<br />
==Материалы курса==<br />
Ссылка на плейлист курса на YouTube: <br />
<br />
Ссылка на GitHub с материалами курса: [[ GitHub]]<br />
<br />
{| class="wikitable"<br />
|-<br />
! Занятие !! Тема !! Дата !! Преподаватель !! Материалы для самоподготовки к семинарам !! Дополнительные материалы<br />
|-<br />
| style="background:#eaecf0;" | '''1''' || Введение в МО: типы и примеры задач, какие бывают данные, пайплайн ML-проекта<br />
|| || Кантонистова Елена Олеговна || || <br />
|-<br />
| style="background:#eaecf0;" | '''2''' || Введение в высоконагруженные системы || || Бардуков Анатолий Андреевич || ||<br />
|-<br />
| style="background:#eaecf0;" | '''3''' || Обзор Linux: история и дистрибутивы, терминал, пользователи, процессы и конфиги || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''4''' || Git: базовые команды, ветки, конфликты и pull-реквесты || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''5''' || Архитектура современных веб-приложений: монолитная vs микросервисная, REST, FastAPI || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''6''' || Docker: установка, базовые команды, остановка и удаление контейнеров, логирование; разработка, тестирование и деплой || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''7''' || SQL: CREATE, INSERT, UPDATE и SELECT запросы, подзапросы, оконные функции || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''8''' || NoSQL: документоориентированные БД (MongoDB), key-value storage (Redis), поисковые движки (стек ELK: ElasticSearch + Logstash + Kibana) || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
|}<br />
<br />
==Формула оценивания==<br />
<br />
== Домашние задания ==<br />
<br />
== Литература ==</div>Murrchahttp://wiki.cs.hse.ru/%D0%9B%D0%B8%D0%BA%D0%B1%D0%B5%D0%B7_%D1%80%D0%B0%D0%B7%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D1%87%D0%B8%D0%BA%D0%B0_(2022)Ликбез разработчика (2022)2022-09-06T08:44:41Z<p>Murrcha: </p>
<hr />
<div>==О курсе==<br />
<br />
Занятия проводятся в [ Zoom] по ... в ...<br />
<br />
==Контакты==<br />
<br />
Канал курса в TG: [channel link]<br />
<br />
Чат курса в TG: [chat link]<br />
<br />
'''Преподаватели''': Кантонистова Елена, Ахтямов Павел<br />
<br />
{| class="wikitable"<br />
|-<br />
! Ассистент !! Контакты <br />
|-<br />
| style="background:#eaecf0;" | Иван Лущ ||[https://t.me/Ch0p1k @Ch0p1k]<br />
|}<br />
<br />
==Материалы курса==<br />
Ссылка на плейлист курса на YouTube: <br />
<br />
Ссылка на GitHub с материалами курса: [[ GitHub]]<br />
<br />
{| class="wikitable"<br />
|-<br />
! Занятие !! Тема !! Дата !! Преподаватель !! Материалы для самоподготовки к семинарам !! Дополнительные материалы<br />
|-<br />
| style="background:#eaecf0;" | '''1''' || Введение в МО: типы и примеры задач, какие бывают данные, пайплайн ML-проекта<br />
|| || Кантонистова Елена Олеговна || || <br />
|-<br />
| style="background:#eaecf0;" | '''2''' || Введение в высоконагруженные системы || || Бардуков Анатолий Андреевич || ||<br />
|-<br />
| style="background:#eaecf0;" | '''3''' || Обзор Linux: история и дистрибутивы, терминал, пользователи, процессы и конфиги || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''4''' || Git: базовые команды, ветки, конфликты и pull-реквесты || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''5''' || Архитектура современных веб-приложений: монолитная vs микросервисная, REST, FastAPI || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''6''' || Docker: установка, базовые команды, остановка и удаление контейнеров, логирование; разработка, тестирование и деплой || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''7''' || SQL: CREATE, INSERT, UPDATE и SELECT запросы, подзапросы, оконные функции || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''8''' || NoSQL: документоориентированные БД (MongoDB), key-value storage (Redis), поисковые движки (стек ELK: ElasticSearch + Logstash + Kibana) || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
|}<br />
<br />
==Формула оценивания==<br />
<br />
== Домашние задания ==<br />
<br />
== Литература ==</div>Murrchahttp://wiki.cs.hse.ru/%D0%9B%D0%B8%D0%BA%D0%B1%D0%B5%D0%B7_%D1%80%D0%B0%D0%B7%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D1%87%D0%B8%D0%BA%D0%B0_(2022)Ликбез разработчика (2022)2022-09-06T08:43:56Z<p>Murrcha: </p>
<hr />
<div>==О курсе==<br />
<br />
Занятия проводятся в [ Zoom] по ... в ...<br />
<br />
==Контакты==<br />
<br />
Канал курса в TG: [channel link]<br />
<br />
Чат курса в TG: [chat link]<br />
<br />
'''Преподаватели''': Кантонистова Елена, Ахтямов Павел<br />
<br />
{| class="wikitable"<br />
|-<br />
! Ассистент !! Контакты <br />
|-<br />
| style="background:#eaecf0;" | Иван Лущ ||[https://t.me/Ch0p1k @Ch0p1k]<br />
|}<br />
<br />
==Материалы курса==<br />
Ссылка на плейлист курса на YouTube: <br />
<br />
Ссылка на GitHub с материалами курса: [[ GitHub]]<br />
<br />
{| class="wikitable"<br />
|-<br />
! Занятие !! Тема !! Дата !! Преподаватель !! Материалы для самоподготовки к семинарам !! Дополнительные материалы<br />
|-<br />
| style="background:#eaecf0;" | '''1''' || Введение в МО: типы и примеры задач, какие бывают данные, пайплайн ML-проекта<br />
|| || Кантонистова Елена Олеговна || || <br />
|-<br />
| style="background:#eaecf0;" | '''2''' || Введение в высоконагруженные системы || || Бардуков Анатолий || ||<br />
|-<br />
| style="background:#eaecf0;" | '''3''' || Обзор Linux: история и дистрибутивы, терминал, пользователи, процессы и конфиги || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''4''' || Git: базовые команды, ветки, конфликты и pull-реквесты || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''5''' || Архитектура современных веб-приложений: монолитная vs микросервисная, REST, FastAPI || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''6''' || Docker: установка, базовые команды, остановка и удаление контейнеров, логирование; разработка, тестирование и деплой || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''7''' || SQL: CREATE, INSERT, UPDATE и SELECT запросы, подзапросы, оконные функции || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
| style="background:#eaecf0;" | '''8''' || NoSQL: документоориентированные БД (MongoDB), key-value storage (Redis), поисковые движки (стек ELK: ElasticSearch + Logstash + Kibana) || || Ахтямов Павел Ибрагимович || ||<br />
|-<br />
|}<br />
<br />
==Формула оценивания==<br />
<br />
== Домашние задания ==<br />
<br />
== Литература ==</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-31T11:08:36Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
<br />
В курсе планируется 12 лекций и 10 семинаров.<br />
<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся по понедельникам в 11:10 (вторая пара) в аудитории R305 на Покровском бульваре.<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [https://t.me/murr4a Елена Кантонистова] || [https://t.me/nihaoalena Алёна Цветкова] || [инвайт] || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (5 сентября, онлайн)''' Введение в машинное обучение. | [https://github.com/Murcha1990/ML_econom_2022-2023/blob/main/Лекции/Lection_1_2022.pdf слайды]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 0.''' Математика для машинного обучения (самостоятельное изучение) | [https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Семинары/Семинар%200 материалы]<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск.<br />
<br />
== Домашние задания ==<br />
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/course/939 Anytask].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-30T15:32:22Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
<br />
В курсе планируется 12 лекций и 10 семинаров.<br />
<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся по понедельникам в 11:10 (вторая пара) в аудитории R305 на Покровском бульваре.<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [https://t.me/murr4a Елена Кантонистова] || [https://t.me/nihaoalena Алёна Цветкова] || [инвайт] || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (5 сентября, онлайн)''' Введение в машинное обучение. | [https://github.com/Murcha1990/ML_econom_2022-2023/blob/main/Лекции/Lection_1_2022.pdf слайды]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 0.''' Математика для машинного обучения (самостоятельное изучение) | [https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Семинары/Семинар%200 материалы]<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск.<br />
<br />
== Домашние задания ==<br />
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://t.me/c/1708109040/139 Anytask].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-30T15:31:54Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся '''по понедельникам в 11:10 (вторая пара) в аудитории R305 на Покровском бульваре'''.<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [https://t.me/murr4a Елена Кантонистова] || [https://t.me/nihaoalena Алёна Цветкова] || [инвайт] || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (5 сентября, онлайн)''' Введение в машинное обучение. | [https://github.com/Murcha1990/ML_econom_2022-2023/blob/main/Лекции/Lection_1_2022.pdf слайды]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 0.''' Математика для машинного обучения (самостоятельное изучение) | [https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Семинары/Семинар%200 материалы]<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск.<br />
<br />
== Домашние задания ==<br />
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://t.me/c/1708109040/139 Anytask].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-30T15:30:32Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [https://t.me/murr4a Елена Кантонистова] || [https://t.me/nihaoalena Алёна Цветкова] || [инвайт] || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (5 сентября, онлайн)''' Введение в машинное обучение. | [https://github.com/Murcha1990/ML_econom_2022-2023/blob/main/Лекции/Lection_1_2022.pdf слайды]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 0.''' Математика для машинного обучения (самостоятельное изучение) | [https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Семинары/Семинар%200 материалы]<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск.<br />
<br />
== Домашние задания ==<br />
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://t.me/c/1708109040/139 Anytask].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-30T15:29:51Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [https://t.me/murr4a Елена Кантонистова] || [https://t.me/nihaoalena Алёна Цветкова] || [инвайт] || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (5 сентября, онлайн)''' Введение в машинное обучение. | [https://github.com/Murcha1990/ML_econom_2022-2023/blob/main/Лекции/Lection_1_2022.pdf слайды]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 0.''' Математика для машинного обучения (самостоятельное изучение).<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск.<br />
<br />
== Домашние задания ==<br />
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://t.me/c/1708109040/139 Anytask].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-30T15:29:06Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [https://t.me/murr4a Елена Кантонистова] || [https://t.me/nihaoalena Алёна Цветкова] || [инвайт] || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (5 сентября, онлайн)''' Введение в машинное обучение. | [https://github.com/Murcha1990/ML_econom_2022-2023/blob/main/Лекции/Lection_1_2022.pdf слайды]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск | [ссылка на семинар]<br />
<br />
== Домашние задания ==<br />
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://t.me/c/1708109040/139 Anytask].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-30T15:28:18Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [https://t.me/murr4a Елена Кантонистова] || [https://t.me/nihaoalena Алёна Цветкова] || [инвайт] || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (5 сентября, онлайн)''' Введение в машинное обучение. | [слайды https://github.com/Murcha1990/ML_econom_2022-2023/blob/main/Лекции/Lection_1_2022.pdf]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск | [ссылка на семинар]<br />
<br />
== Домашние задания ==<br />
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://t.me/c/1708109040/139 Anytask].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-30T15:27:55Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [https://t.me/murr4a Елена Кантонистова] || [https://t.me/nihaoalena Алёна Цветкова] || [инвайт] || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (когда)''' Введение в машинное обучение. | [слайды https://github.com/Murcha1990/ML_econom_2022-2023/blob/main/Лекции/Lection_1_2022.pdf]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск | [ссылка на семинар]<br />
<br />
== Домашние задания ==<br />
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://t.me/c/1708109040/139 Anytask].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-29T11:48:33Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [https://t.me/murr4a Елена Кантонистова] || [https://t.me/nihaoalena Алёна Цветкова] || [инвайт] || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (когда)''' Введение в машинное обучение. | [ссылка на материалы на гитхабе]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск | [ссылка на семинар]<br />
<br />
== Домашние задания ==<br />
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://t.me/c/1708109040/139 Anytask].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-29T07:34:41Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [https://t.me/murr4a Елена Кантонистова] || [телеграм Алена] || [инвайт] || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (когда)''' Введение в машинное обучение. | [ссылка на материалы на гитхабе]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск | [ссылка на семинар]<br />
<br />
== Домашние задания ==<br />
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [ссылка на энитаск].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-29T07:34:12Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [@murr4a Елена Кантонистова] || [телеграм Алена] || [инвайт] || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (когда)''' Введение в машинное обучение. | [ссылка на материалы на гитхабе]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск | [ссылка на семинар]<br />
<br />
== Домашние задания ==<br />
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [ссылка на энитаск].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-29T07:33:34Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [телеграм Елена Кантонистова] || [телеграм Алена] || [инвайт] || [https://t.me/+mqyl4PMgmbUxMGU6 Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (когда)''' Введение в машинное обучение. | [ссылка на материалы на гитхабе]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск | [ссылка на семинар]<br />
<br />
== Домашние задания ==<br />
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [ссылка на энитаск].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-29T07:28:29Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [телеграм Елена Кантонистова] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (когда)''' Введение в машинное обучение. | [ссылка на материалы на гитхабе]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск | [ссылка на семинар]<br />
<br />
== Домашние задания ==<br />
На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [ссылка на энитаск].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-29T07:28:12Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [телеграм Елена Кантонистова] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (когда)''' Введение в машинное обучение. | [ссылка на материалы на гитхабе]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск | [ссылка на семинар]<br />
<br />
== Домашние задания ==<br />
На курсе <s>планируется 5 домашних заданий</s>. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [ссылка на энитаск].<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-29T07:26:21Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [телеграм Елена Кантонистова] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (когда)''' Введение в машинное обучение. | [ссылка на материалы на гитхабе]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары<br />
<br />
'''Семинар 1.''' Основы регрессии. Градиентный спуск | [ссылка на семинар]<br />
<br />
== Домашние задания ==<br />
На курсе <s>планируется 7 домашних заданий</s>, а будет 6. Формула вычисления итоговой оценки: взвешенное среднее из <s>6</s> 5 домашних заданий с максимальными баллами.<br />
<br />
Каждое домашнее задание имеет индивидуальный вес, который будет появляться одновременно с появлением очередного домашнего задания.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/ Anytask]. <br />
<br />
'''Домашняя работа 1.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/%D0%94%D0%BE%D0%BC%D0%B0%D1%88%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B4%D0%B0%D0%BD%D0%B8%D1%8F/Homework_1.ipynb Линейная регрессия и векторное дифференцирование] | Дедлайн - ''29 сентября в 23:59''<br />
<br />
'''Домашняя работа 2.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Домашние%20задания/HW2/homework2.ipynb ML Pipeline] | Дедлайн - ''13 октября в 23:59''<br />
<br />
'''Домашняя работа 3.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW3 Модели классификации и оценка их качества] | Дедлайн - ''<s>31 октября в 23:59</s>'' ''7 ноября в 23:59''<br />
<br />
'''Домашняя работа 4.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW4 kNN, DecisionTree, RandomForest, SGD classifier] | Дедлайн - ''25 ноября в 23:59''<br />
<br />
'''Домашняя работа 5.''' [https://www.kaggle.com/c/hse-2021-fraud-detection/overview/description Kaggle InClass - Fraud Detection] | Дедлайн - ''13 декабря в 23:59''<br />
<br />
'''Домашняя работа 6.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW6 Бустинг. Снижение размерности] | Дедлайн - ''11 декабря в 23:59''<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-29T07:25:07Z<p>Murrcha: </p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [телеграм Елена Кантонистова] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (когда)''' Введение в машинное обучение. | [ссылка на материалы на гитхабе]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары<br />
<br />
Общий плейлист видео с семинаров и лекций: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db YouTube]<br />
<br />
<br />
'''Семинар 1.''' Основы линейной алгебры и матричного дифференцирования | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%201 GitHub]<br />
* [https://youtu.be/u39ejhACAZ4?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 07.09.2021)]<br />
* [https://youtu.be/p1SMO3CvZVY?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 08.09.2021)]<br />
<br />
'''Семинар 2.''' Линейная регрессия. Обучения и валидация качества модели | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%202 GitHub]<br />
* [https://youtu.be/nGAQ0EpYehg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 13.09.2021)]<br />
* [https://youtu.be/S_fT6bFqqlg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 14.09.2021)]<br />
* [https://youtu.be/LXoZIWqpHlI?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 15.09.2021)]<br />
<br />
'''Семинар 3.''' Вывод оптимальных констант некоторых функций потерь. Обсуждение предобработки данных | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Семинары/Семинар%203/Seminar_3.ipynb GitHub]<br />
* [https://youtu.be/99eArGD_dsA?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 20.09.2021)]<br />
* [https://youtu.be/IVD1m1o7Nqc?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 21.09.2021)]<br />
* [https://youtu.be/lMv5Ge3yiO8?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 22.09.2021)]<br />
<br />
'''Семинар 4.''' Задача бинарной классификации, Подготовка данных. | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%204 GitHub]<br />
* [https://youtu.be/C1eGH3VYKRA?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 27.09.2021)]<br />
* [https://youtu.be/QUidNWC4e9U?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 28.09.2021)]<br />
* [https://youtu.be/-1TC5mjn7uk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 29.09.2021)]<br />
<br />
'''Семинар 5.''' Решение задач классификации. Подбор гиперпараметров | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%205 GitHub]<br />
* [https://youtu.be/W8d-h2yco4E?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 04.10.2021)]<br />
* [https://youtu.be/QlyJUvEtslg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 05.10.2021)]<br />
* [https://youtu.be/KwLCh6tM9XI?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Пт, 08.10.2021)]<br />
<br />
'''Семинар 6.''' Логистическая регрессия. SVM. AUC-ROC | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%206 GitHub]<br />
* [https://youtu.be/y_44m-JoWQ0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 11.10.2021)]<br />
* [https://youtu.be/X7_Cegs_5x0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 12.10.2021)]<br />
* [https://youtu.be/8WV9TYO-5HU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 13.10.2021)]<br />
<br />
'''Семинар 7.''' Обсуждение feature extraction и feature selection | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%207 GitHub]<br />
* [https://youtu.be/kVUmTAAHFpE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 25.10.2021)]<br />
* [https://youtu.be/84HwYIJ8aDU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 26.10.2021)]<br />
* [https://youtu.be/PnOBx0xABS0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 27.10.2021)]<br />
<br />
'''Семинар 8.''' Решающие деревья | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Семинары/Семинар%208/Seminar8.ipynb GitHub]<br />
* [https://youtu.be/JPv1IVmJlNk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 01.11.2021)]<br />
* [https://youtu.be/OyJcXAyoz6k?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 02.11.2021)]<br />
* [https://youtu.be/y6SwYYKFlrg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 03.11.2021)]<br />
<br />
'''Семинар 9.''' Случайный лес и компромисс между смещением и разбросом | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Семинары/Семинар%209/Seminar9.ipynb GitHub]<br />
* [https://youtu.be/F1riceCh8iw?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 08.11.2021)]<br />
* [https://youtu.be/AuB1pXtslaU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 09.11.2021)]<br />
* [https://youtu.be/Q4MNUWxS064?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 10.11.2021)]<br />
<br />
'''Семинар 10.''' Градиентный бустинг. Часть 1 | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2010 GitHub]<br />
* [https://youtu.be/2rrZwakmFwM?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 15.11.2021)]<br />
* [https://youtu.be/NfWxdBIh9Qc?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 16.11.2021)]<br />
* [https://youtu.be/r_U-7L8H6qk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 17.11.2021)]<br />
<br />
'''Семинар 11.''' Градиентный бустинг. Часть 2 | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2011 GitHub]<br />
* [https://youtu.be/cH71Ofc4NG4?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 22.11.2021)]<br />
* [https://youtu.be/iLAdTx96CGw?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 23.11.2021)]<br />
* [https://youtu.be/Ab3s4PvHnFE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 24.11.2021)]<br />
<br />
'''Семинар 12.''' Кластеризация | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2012 GitHub]<br />
* [https://youtu.be/AbN9i3cG7C8?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 29.11.2021)]<br />
* [https://youtu.be/oUxs_u8Ac2c?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 30.11.2021)]<br />
* [https://youtu.be/Aa1gM4qxcLE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 01.12.2021)]<br />
<br />
'''Семинар 13.''' Временные ряды. Поиск выбросов и аномалий | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2013 GitHub]<br />
* [https://youtu.be/M_YSgos2KQo?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 06.12.2021)]<br />
* [https://youtu.be/ainHrzkIwOU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 07.12.2021)]<br />
* [https://youtu.be/gTVwISqjYF0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 08.12.2021)]<br />
<br />
== Домашние задания ==<br />
На курсе <s>планируется 7 домашних заданий</s>, а будет 6. Формула вычисления итоговой оценки: взвешенное среднее из <s>6</s> 5 домашних заданий с максимальными баллами.<br />
<br />
Каждое домашнее задание имеет индивидуальный вес, который будет появляться одновременно с появлением очередного домашнего задания.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/ Anytask]. <br />
<br />
'''Домашняя работа 1.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/%D0%94%D0%BE%D0%BC%D0%B0%D1%88%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B4%D0%B0%D0%BD%D0%B8%D1%8F/Homework_1.ipynb Линейная регрессия и векторное дифференцирование] | Дедлайн - ''29 сентября в 23:59''<br />
<br />
'''Домашняя работа 2.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Домашние%20задания/HW2/homework2.ipynb ML Pipeline] | Дедлайн - ''13 октября в 23:59''<br />
<br />
'''Домашняя работа 3.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW3 Модели классификации и оценка их качества] | Дедлайн - ''<s>31 октября в 23:59</s>'' ''7 ноября в 23:59''<br />
<br />
'''Домашняя работа 4.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW4 kNN, DecisionTree, RandomForest, SGD classifier] | Дедлайн - ''25 ноября в 23:59''<br />
<br />
'''Домашняя работа 5.''' [https://www.kaggle.com/c/hse-2021-fraud-detection/overview/description Kaggle InClass - Fraud Detection] | Дедлайн - ''13 декабря в 23:59''<br />
<br />
'''Домашняя работа 6.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW6 Бустинг. Снижение размерности] | Дедлайн - ''11 декабря в 23:59''<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-29T07:24:52Z<p>Murrcha: /* Лекции */</p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [телеграм Елена Кантонистова] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции<br />
<br />
'''Лекция 1 (когда)'' Введение в машинное обучение. | [ссылка на материалы на гитхабе]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары<br />
<br />
Общий плейлист видео с семинаров и лекций: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db YouTube]<br />
<br />
<br />
'''Семинар 1.''' Основы линейной алгебры и матричного дифференцирования | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%201 GitHub]<br />
* [https://youtu.be/u39ejhACAZ4?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 07.09.2021)]<br />
* [https://youtu.be/p1SMO3CvZVY?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 08.09.2021)]<br />
<br />
'''Семинар 2.''' Линейная регрессия. Обучения и валидация качества модели | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%202 GitHub]<br />
* [https://youtu.be/nGAQ0EpYehg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 13.09.2021)]<br />
* [https://youtu.be/S_fT6bFqqlg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 14.09.2021)]<br />
* [https://youtu.be/LXoZIWqpHlI?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 15.09.2021)]<br />
<br />
'''Семинар 3.''' Вывод оптимальных констант некоторых функций потерь. Обсуждение предобработки данных | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Семинары/Семинар%203/Seminar_3.ipynb GitHub]<br />
* [https://youtu.be/99eArGD_dsA?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 20.09.2021)]<br />
* [https://youtu.be/IVD1m1o7Nqc?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 21.09.2021)]<br />
* [https://youtu.be/lMv5Ge3yiO8?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 22.09.2021)]<br />
<br />
'''Семинар 4.''' Задача бинарной классификации, Подготовка данных. | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%204 GitHub]<br />
* [https://youtu.be/C1eGH3VYKRA?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 27.09.2021)]<br />
* [https://youtu.be/QUidNWC4e9U?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 28.09.2021)]<br />
* [https://youtu.be/-1TC5mjn7uk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 29.09.2021)]<br />
<br />
'''Семинар 5.''' Решение задач классификации. Подбор гиперпараметров | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%205 GitHub]<br />
* [https://youtu.be/W8d-h2yco4E?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 04.10.2021)]<br />
* [https://youtu.be/QlyJUvEtslg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 05.10.2021)]<br />
* [https://youtu.be/KwLCh6tM9XI?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Пт, 08.10.2021)]<br />
<br />
'''Семинар 6.''' Логистическая регрессия. SVM. AUC-ROC | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%206 GitHub]<br />
* [https://youtu.be/y_44m-JoWQ0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 11.10.2021)]<br />
* [https://youtu.be/X7_Cegs_5x0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 12.10.2021)]<br />
* [https://youtu.be/8WV9TYO-5HU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 13.10.2021)]<br />
<br />
'''Семинар 7.''' Обсуждение feature extraction и feature selection | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%207 GitHub]<br />
* [https://youtu.be/kVUmTAAHFpE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 25.10.2021)]<br />
* [https://youtu.be/84HwYIJ8aDU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 26.10.2021)]<br />
* [https://youtu.be/PnOBx0xABS0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 27.10.2021)]<br />
<br />
'''Семинар 8.''' Решающие деревья | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Семинары/Семинар%208/Seminar8.ipynb GitHub]<br />
* [https://youtu.be/JPv1IVmJlNk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 01.11.2021)]<br />
* [https://youtu.be/OyJcXAyoz6k?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 02.11.2021)]<br />
* [https://youtu.be/y6SwYYKFlrg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 03.11.2021)]<br />
<br />
'''Семинар 9.''' Случайный лес и компромисс между смещением и разбросом | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Семинары/Семинар%209/Seminar9.ipynb GitHub]<br />
* [https://youtu.be/F1riceCh8iw?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 08.11.2021)]<br />
* [https://youtu.be/AuB1pXtslaU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 09.11.2021)]<br />
* [https://youtu.be/Q4MNUWxS064?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 10.11.2021)]<br />
<br />
'''Семинар 10.''' Градиентный бустинг. Часть 1 | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2010 GitHub]<br />
* [https://youtu.be/2rrZwakmFwM?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 15.11.2021)]<br />
* [https://youtu.be/NfWxdBIh9Qc?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 16.11.2021)]<br />
* [https://youtu.be/r_U-7L8H6qk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 17.11.2021)]<br />
<br />
'''Семинар 11.''' Градиентный бустинг. Часть 2 | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2011 GitHub]<br />
* [https://youtu.be/cH71Ofc4NG4?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 22.11.2021)]<br />
* [https://youtu.be/iLAdTx96CGw?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 23.11.2021)]<br />
* [https://youtu.be/Ab3s4PvHnFE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 24.11.2021)]<br />
<br />
'''Семинар 12.''' Кластеризация | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2012 GitHub]<br />
* [https://youtu.be/AbN9i3cG7C8?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 29.11.2021)]<br />
* [https://youtu.be/oUxs_u8Ac2c?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 30.11.2021)]<br />
* [https://youtu.be/Aa1gM4qxcLE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 01.12.2021)]<br />
<br />
'''Семинар 13.''' Временные ряды. Поиск выбросов и аномалий | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2013 GitHub]<br />
* [https://youtu.be/M_YSgos2KQo?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 06.12.2021)]<br />
* [https://youtu.be/ainHrzkIwOU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 07.12.2021)]<br />
* [https://youtu.be/gTVwISqjYF0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 08.12.2021)]<br />
<br />
== Домашние задания ==<br />
На курсе <s>планируется 7 домашних заданий</s>, а будет 6. Формула вычисления итоговой оценки: взвешенное среднее из <s>6</s> 5 домашних заданий с максимальными баллами.<br />
<br />
Каждое домашнее задание имеет индивидуальный вес, который будет появляться одновременно с появлением очередного домашнего задания.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/ Anytask]. <br />
<br />
'''Домашняя работа 1.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/%D0%94%D0%BE%D0%BC%D0%B0%D1%88%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B4%D0%B0%D0%BD%D0%B8%D1%8F/Homework_1.ipynb Линейная регрессия и векторное дифференцирование] | Дедлайн - ''29 сентября в 23:59''<br />
<br />
'''Домашняя работа 2.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Домашние%20задания/HW2/homework2.ipynb ML Pipeline] | Дедлайн - ''13 октября в 23:59''<br />
<br />
'''Домашняя работа 3.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW3 Модели классификации и оценка их качества] | Дедлайн - ''<s>31 октября в 23:59</s>'' ''7 ноября в 23:59''<br />
<br />
'''Домашняя работа 4.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW4 kNN, DecisionTree, RandomForest, SGD classifier] | Дедлайн - ''25 ноября в 23:59''<br />
<br />
'''Домашняя работа 5.''' [https://www.kaggle.com/c/hse-2021-fraud-detection/overview/description Kaggle InClass - Fraud Detection] | Дедлайн - ''13 декабря в 23:59''<br />
<br />
'''Домашняя работа 6.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW6 Бустинг. Снижение размерности] | Дедлайн - ''11 декабря в 23:59''<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-29T07:22:31Z<p>Murrcha: /* Экзамен */</p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [телеграм Елена Кантонистова] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - [где, когда].<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
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]<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Лекции<br />
<br />
Плейлист с лекциями и семинарами: https://youtube.com/playlist?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db<br />
<br />
<br />
<br />
'''[https://youtu.be/Q8erA797Cj4?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 1].''' ''(03.09.2021)'' Введение в машинное обучение. | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_1.pdf Lecture1.pdf]<br />
<br />
'''[https://youtu.be/gOV84c2xJ54?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 2].''' ''(07.09.2021)'' Линейная регрессия, градиентный спуск. | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_2.pdf Lecture2.pdf] <br />
<br />
'''[https://youtu.be/mc-Kx2BpZ9A?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 3].''' ''(14.09.2021)'' Метрики качества регрессии. | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_3.pdf Lecture3.pdf]<br />
<br />
'''[https://youtu.be/awIum_AOtss?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 4].''' ''(21.09.2021)'' Линейные классификаторы (1). | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_4.pdf Lecture4.pdf]<br />
<br />
'''[https://youtu.be/hM64I2xcirM?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 5].''' ''(28.09.2021)'' Линейные классификаторы (2). | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_5.pdf Lecture5.pdf]<br />
<br />
'''[https://youtu.be/dznJjpgJk1M?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 6].''' ''(05.10.2021)'' Многоклассовая классификация. Нелинейные модели. Калибровка вероятностей. | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_6.pdf Lecture6.pdf]<br />
<br />
'''[https://youtu.be/Amm-LR9OkL0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 7].''' ''(12.10.2021)'' Снижение размерности | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_7.pdf Lecture7.pdf]<br />
<br />
'''[https://youtu.be/vyIdAjcOFrE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 8].''' ''(26.10.2021)'' kNN, Решающие деревья | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_8.pdf Lecture8.pdf]<br />
<br />
'''[https://youtu.be/X4arg_OLxUk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 9].''' ''(02.11.2021)'' Композиции моделей. Разложение ошибки. Бэггинг. Случайный лес | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_9.pdf Lecture9.pdf]<br />
<br />
'''[https://youtu.be/i7i70FkWUL8?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 10]''' ''(09.11.2021)'' Бустинг | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_10.pdf Lecture10.pdf]<br />
<br />
'''[https://youtu.be/FjD8p8IZdhA?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 11].''' ''(16.11.2021)'' Кластеризация и визуализация данных | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_11.pdf Lecture11.pdf]<br />
<br />
'''[https://youtu.be/l5kW9eS5rEI?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 12].''' ''(23.11.2021)'' Работа с текстами. Поиск аномалий | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_12.pdf Lecture12.pdf]<br />
<br />
'''[https://youtu.be/BzxyEEO6pNU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 13].''' ''(30.11.2021)'' Временные ряды | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_13.pdf Lecture13.pdf]<br />
<br />
'''[https://youtu.be/WsyunHHl1Nw?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 14].''' ''(07.12.2021)'' Введение в нейронные сети | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_14.pdf Lecture14.pdf]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары<br />
<br />
Общий плейлист видео с семинаров и лекций: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db YouTube]<br />
<br />
<br />
'''Семинар 1.''' Основы линейной алгебры и матричного дифференцирования | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%201 GitHub]<br />
* [https://youtu.be/u39ejhACAZ4?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 07.09.2021)]<br />
* [https://youtu.be/p1SMO3CvZVY?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 08.09.2021)]<br />
<br />
'''Семинар 2.''' Линейная регрессия. Обучения и валидация качества модели | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%202 GitHub]<br />
* [https://youtu.be/nGAQ0EpYehg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 13.09.2021)]<br />
* [https://youtu.be/S_fT6bFqqlg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 14.09.2021)]<br />
* [https://youtu.be/LXoZIWqpHlI?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 15.09.2021)]<br />
<br />
'''Семинар 3.''' Вывод оптимальных констант некоторых функций потерь. Обсуждение предобработки данных | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Семинары/Семинар%203/Seminar_3.ipynb GitHub]<br />
* [https://youtu.be/99eArGD_dsA?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 20.09.2021)]<br />
* [https://youtu.be/IVD1m1o7Nqc?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 21.09.2021)]<br />
* [https://youtu.be/lMv5Ge3yiO8?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 22.09.2021)]<br />
<br />
'''Семинар 4.''' Задача бинарной классификации, Подготовка данных. | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%204 GitHub]<br />
* [https://youtu.be/C1eGH3VYKRA?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 27.09.2021)]<br />
* [https://youtu.be/QUidNWC4e9U?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 28.09.2021)]<br />
* [https://youtu.be/-1TC5mjn7uk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 29.09.2021)]<br />
<br />
'''Семинар 5.''' Решение задач классификации. Подбор гиперпараметров | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%205 GitHub]<br />
* [https://youtu.be/W8d-h2yco4E?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 04.10.2021)]<br />
* [https://youtu.be/QlyJUvEtslg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 05.10.2021)]<br />
* [https://youtu.be/KwLCh6tM9XI?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Пт, 08.10.2021)]<br />
<br />
'''Семинар 6.''' Логистическая регрессия. SVM. AUC-ROC | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%206 GitHub]<br />
* [https://youtu.be/y_44m-JoWQ0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 11.10.2021)]<br />
* [https://youtu.be/X7_Cegs_5x0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 12.10.2021)]<br />
* [https://youtu.be/8WV9TYO-5HU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 13.10.2021)]<br />
<br />
'''Семинар 7.''' Обсуждение feature extraction и feature selection | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%207 GitHub]<br />
* [https://youtu.be/kVUmTAAHFpE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 25.10.2021)]<br />
* [https://youtu.be/84HwYIJ8aDU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 26.10.2021)]<br />
* [https://youtu.be/PnOBx0xABS0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 27.10.2021)]<br />
<br />
'''Семинар 8.''' Решающие деревья | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Семинары/Семинар%208/Seminar8.ipynb GitHub]<br />
* [https://youtu.be/JPv1IVmJlNk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 01.11.2021)]<br />
* [https://youtu.be/OyJcXAyoz6k?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 02.11.2021)]<br />
* [https://youtu.be/y6SwYYKFlrg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 03.11.2021)]<br />
<br />
'''Семинар 9.''' Случайный лес и компромисс между смещением и разбросом | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Семинары/Семинар%209/Seminar9.ipynb GitHub]<br />
* [https://youtu.be/F1riceCh8iw?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 08.11.2021)]<br />
* [https://youtu.be/AuB1pXtslaU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 09.11.2021)]<br />
* [https://youtu.be/Q4MNUWxS064?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 10.11.2021)]<br />
<br />
'''Семинар 10.''' Градиентный бустинг. Часть 1 | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2010 GitHub]<br />
* [https://youtu.be/2rrZwakmFwM?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 15.11.2021)]<br />
* [https://youtu.be/NfWxdBIh9Qc?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 16.11.2021)]<br />
* [https://youtu.be/r_U-7L8H6qk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 17.11.2021)]<br />
<br />
'''Семинар 11.''' Градиентный бустинг. Часть 2 | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2011 GitHub]<br />
* [https://youtu.be/cH71Ofc4NG4?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 22.11.2021)]<br />
* [https://youtu.be/iLAdTx96CGw?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 23.11.2021)]<br />
* [https://youtu.be/Ab3s4PvHnFE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 24.11.2021)]<br />
<br />
'''Семинар 12.''' Кластеризация | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2012 GitHub]<br />
* [https://youtu.be/AbN9i3cG7C8?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 29.11.2021)]<br />
* [https://youtu.be/oUxs_u8Ac2c?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 30.11.2021)]<br />
* [https://youtu.be/Aa1gM4qxcLE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 01.12.2021)]<br />
<br />
'''Семинар 13.''' Временные ряды. Поиск выбросов и аномалий | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2013 GitHub]<br />
* [https://youtu.be/M_YSgos2KQo?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 06.12.2021)]<br />
* [https://youtu.be/ainHrzkIwOU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 07.12.2021)]<br />
* [https://youtu.be/gTVwISqjYF0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 08.12.2021)]<br />
<br />
== Домашние задания ==<br />
На курсе <s>планируется 7 домашних заданий</s>, а будет 6. Формула вычисления итоговой оценки: взвешенное среднее из <s>6</s> 5 домашних заданий с максимальными баллами.<br />
<br />
Каждое домашнее задание имеет индивидуальный вес, который будет появляться одновременно с появлением очередного домашнего задания.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/ Anytask]. <br />
<br />
'''Домашняя работа 1.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/%D0%94%D0%BE%D0%BC%D0%B0%D1%88%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B4%D0%B0%D0%BD%D0%B8%D1%8F/Homework_1.ipynb Линейная регрессия и векторное дифференцирование] | Дедлайн - ''29 сентября в 23:59''<br />
<br />
'''Домашняя работа 2.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Домашние%20задания/HW2/homework2.ipynb ML Pipeline] | Дедлайн - ''13 октября в 23:59''<br />
<br />
'''Домашняя работа 3.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW3 Модели классификации и оценка их качества] | Дедлайн - ''<s>31 октября в 23:59</s>'' ''7 ноября в 23:59''<br />
<br />
'''Домашняя работа 4.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW4 kNN, DecisionTree, RandomForest, SGD classifier] | Дедлайн - ''25 ноября в 23:59''<br />
<br />
'''Домашняя работа 5.''' [https://www.kaggle.com/c/hse-2021-fraud-detection/overview/description Kaggle InClass - Fraud Detection] | Дедлайн - ''13 декабря в 23:59''<br />
<br />
'''Домашняя работа 6.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW6 Бустинг. Снижение размерности] | Дедлайн - ''11 декабря в 23:59''<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrchahttp://wiki.cs.hse.ru/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%A4%D0%AD%D0%9D)_-_2022-2023Машинное обучение (ФЭН) - 2022-20232022-08-29T07:21:28Z<p>Murrcha: /* Коллоквиум */</p>
<hr />
<div>== О курсе ==<br />
<br />
'''Преподаватели:'''<br />
<br />
Лекции - Кантонистова Елена Олеговна<br />
<br />
Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия<br />
<br />
=== Лекции и семинары ===<br />
Канал курса: https://t.me/https://t.me/ml_econom_22<br />
<br />
Лекции проводятся [где, когда]<br />
<br />
Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023<br />
<br />
=== Как связаться с преподавателями и куда сдавать домашки ===<br />
{| class="wikitable"<br />
|-<br />
| Группа || Ссылка || Преподаватель || Учебный ассистент || Инвайт в anytask || Чат в telegram <br />
|-<br />
| [когда] || [где] || [телеграм Елена Кантонистова] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН1]<br />
|-<br />
| [когда] || [где] || [телеграм Анастасия Максимовская] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН2]<br />
|-<br />
| [когда] || [где] || [телеграм Юлия Конюшенко] || [телеграм Алена] || [инвайт] || [ссылка Чат МО ФЭН3]<br />
|}<br />
<br />
=== Правила выставления оценок ===<br />
<br />
В курсе предусмотрено несколько форм контроля знания:<br />
<br />
* самостоятельные работы на семинарах (пятиминутки);<br />
<br />
* коллоквиум в сессию первого модуля (письменный);<br />
<br />
* домашние задания (в том числе соревнование на Kaggle);<br />
<br />
* экзамен в сессию второго модуля (письменный).<br />
<br />
Все работы оцениваются в 10 баллов. <br />
<br />
<br />
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:<br />
<br />
'''0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * Экзамен'''<br />
<br />
<br />
* Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).<br />
<br />
* 20% слушателей с наибольшим накопленным баллом получают накопленный балл автоматом.<br />
<br />
== Коллоквиум ==<br />
Коллоквиум будет проходить в сессию первого модуля [дата, время]<br /><br />
В письменной форме (на листочке). <br />
<br />
Общая информация:<br />
* Коллоквиум рассчитан на 75 минут ('''1 час 15 мин'''), еще 5 минут у вас будет на проверку написанного и сдачу листочков. <br />
* Коллоквиум оценивается в 10 баллов и '''весит 20%''' от итоговой оценки за курс. <br />
* 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.<br />
<br />
Описание заданий:<br />
* 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. <br />
* В задании 3 (''теоретическое без выбора ответа'') необходимо дать максимально подробный и развёрнутый ответ.<br />
* В задании 4 (''задача или пример'') необходимо максимально подробно изложить ваши рассуждения и привести вычисления.<br />
* 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.<br />
<br />
Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit<br />
<br />
Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].<br />
<br />
== Экзамен ==<br />
<br />
Экзамен пройдёт '''14 декабря (Вт)''' на первой паре '''в 9:30'''. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, '''резервное время''' - 18 декабря (Сб) в 9:30.<br />
<br />
Экзамен будет состоять из 3-х частей:<br />
* Части A (тестовая ''с вариантами ответа'') на 2.5 балла с 16-ю заданиями равного веса<br />
* Части B (задачи ''без вариантов ответа'') на 3.5 балла с 6-ю заданиями равного веса<br />
* Части C (''работа с набором данных'') на 4 балла с заданиями индивидуального веса<br />
<br />
Пройдет экзамен '''на платформе online.hse.ru''', на его выполнение будет дано '''80 мин'''. Пожалуйста, убедитесь, что вы подключены к курсу по этой ссылке: https://online.hse.ru/course/view.php?id=4861<br />
<br />
'''Шкала перевода первичных баллов''' за тест в оценку за экзамен:<br />
* [6; 10] -> 10 баллов<br />
* [5.4; 6.0) - 9<br />
* [4.8; 5.4) - 8<br />
* [4.2; 4.8) - 7<br />
* [3.6; 4.2) - 6<br />
* [3; 3.6) - 5<br />
* [2.4; 3) - 4<br />
* [0; 2.4) - неуд.<br />
<i>По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам</i><br />
<br />
<br />
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).<br />
<br />
Во время написания экзамена '''можно пользоваться всеми материалами курса''', а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).<br />
<br />
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.<br />
<br />
== Лекции ==<br />
Материалы лекций: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Лекции<br />
<br />
Плейлист с лекциями и семинарами: https://youtube.com/playlist?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db<br />
<br />
<br />
<br />
'''[https://youtu.be/Q8erA797Cj4?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 1].''' ''(03.09.2021)'' Введение в машинное обучение. | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_1.pdf Lecture1.pdf]<br />
<br />
'''[https://youtu.be/gOV84c2xJ54?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 2].''' ''(07.09.2021)'' Линейная регрессия, градиентный спуск. | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_2.pdf Lecture2.pdf] <br />
<br />
'''[https://youtu.be/mc-Kx2BpZ9A?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 3].''' ''(14.09.2021)'' Метрики качества регрессии. | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_3.pdf Lecture3.pdf]<br />
<br />
'''[https://youtu.be/awIum_AOtss?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 4].''' ''(21.09.2021)'' Линейные классификаторы (1). | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_4.pdf Lecture4.pdf]<br />
<br />
'''[https://youtu.be/hM64I2xcirM?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 5].''' ''(28.09.2021)'' Линейные классификаторы (2). | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_5.pdf Lecture5.pdf]<br />
<br />
'''[https://youtu.be/dznJjpgJk1M?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 6].''' ''(05.10.2021)'' Многоклассовая классификация. Нелинейные модели. Калибровка вероятностей. | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_6.pdf Lecture6.pdf]<br />
<br />
'''[https://youtu.be/Amm-LR9OkL0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 7].''' ''(12.10.2021)'' Снижение размерности | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_7.pdf Lecture7.pdf]<br />
<br />
'''[https://youtu.be/vyIdAjcOFrE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 8].''' ''(26.10.2021)'' kNN, Решающие деревья | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_8.pdf Lecture8.pdf]<br />
<br />
'''[https://youtu.be/X4arg_OLxUk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 9].''' ''(02.11.2021)'' Композиции моделей. Разложение ошибки. Бэггинг. Случайный лес | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_9.pdf Lecture9.pdf]<br />
<br />
'''[https://youtu.be/i7i70FkWUL8?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 10]''' ''(09.11.2021)'' Бустинг | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_10.pdf Lecture10.pdf]<br />
<br />
'''[https://youtu.be/FjD8p8IZdhA?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 11].''' ''(16.11.2021)'' Кластеризация и визуализация данных | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_11.pdf Lecture11.pdf]<br />
<br />
'''[https://youtu.be/l5kW9eS5rEI?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 12].''' ''(23.11.2021)'' Работа с текстами. Поиск аномалий | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_12.pdf Lecture12.pdf]<br />
<br />
'''[https://youtu.be/BzxyEEO6pNU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 13].''' ''(30.11.2021)'' Временные ряды | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_13.pdf Lecture13.pdf]<br />
<br />
'''[https://youtu.be/WsyunHHl1Nw?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Лекция 14].''' ''(07.12.2021)'' Введение в нейронные сети | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Лекции/Lection_14.pdf Lecture14.pdf]<br />
<br />
== Семинары ==<br />
Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары<br />
<br />
Общий плейлист видео с семинаров и лекций: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db YouTube]<br />
<br />
<br />
'''Семинар 1.''' Основы линейной алгебры и матричного дифференцирования | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%201 GitHub]<br />
* [https://youtu.be/u39ejhACAZ4?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 07.09.2021)]<br />
* [https://youtu.be/p1SMO3CvZVY?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 08.09.2021)]<br />
<br />
'''Семинар 2.''' Линейная регрессия. Обучения и валидация качества модели | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%202 GitHub]<br />
* [https://youtu.be/nGAQ0EpYehg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 13.09.2021)]<br />
* [https://youtu.be/S_fT6bFqqlg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 14.09.2021)]<br />
* [https://youtu.be/LXoZIWqpHlI?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 15.09.2021)]<br />
<br />
'''Семинар 3.''' Вывод оптимальных констант некоторых функций потерь. Обсуждение предобработки данных | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Семинары/Семинар%203/Seminar_3.ipynb GitHub]<br />
* [https://youtu.be/99eArGD_dsA?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 20.09.2021)]<br />
* [https://youtu.be/IVD1m1o7Nqc?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 21.09.2021)]<br />
* [https://youtu.be/lMv5Ge3yiO8?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 22.09.2021)]<br />
<br />
'''Семинар 4.''' Задача бинарной классификации, Подготовка данных. | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%204 GitHub]<br />
* [https://youtu.be/C1eGH3VYKRA?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 27.09.2021)]<br />
* [https://youtu.be/QUidNWC4e9U?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 28.09.2021)]<br />
* [https://youtu.be/-1TC5mjn7uk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 29.09.2021)]<br />
<br />
'''Семинар 5.''' Решение задач классификации. Подбор гиперпараметров | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%205 GitHub]<br />
* [https://youtu.be/W8d-h2yco4E?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 04.10.2021)]<br />
* [https://youtu.be/QlyJUvEtslg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 05.10.2021)]<br />
* [https://youtu.be/KwLCh6tM9XI?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Пт, 08.10.2021)]<br />
<br />
'''Семинар 6.''' Логистическая регрессия. SVM. AUC-ROC | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%206 GitHub]<br />
* [https://youtu.be/y_44m-JoWQ0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 11.10.2021)]<br />
* [https://youtu.be/X7_Cegs_5x0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 12.10.2021)]<br />
* [https://youtu.be/8WV9TYO-5HU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 13.10.2021)]<br />
<br />
'''Семинар 7.''' Обсуждение feature extraction и feature selection | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%207 GitHub]<br />
* [https://youtu.be/kVUmTAAHFpE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 25.10.2021)]<br />
* [https://youtu.be/84HwYIJ8aDU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 26.10.2021)]<br />
* [https://youtu.be/PnOBx0xABS0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 27.10.2021)]<br />
<br />
'''Семинар 8.''' Решающие деревья | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Семинары/Семинар%208/Seminar8.ipynb GitHub]<br />
* [https://youtu.be/JPv1IVmJlNk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 01.11.2021)]<br />
* [https://youtu.be/OyJcXAyoz6k?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 02.11.2021)]<br />
* [https://youtu.be/y6SwYYKFlrg?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 03.11.2021)]<br />
<br />
'''Семинар 9.''' Случайный лес и компромисс между смещением и разбросом | [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Семинары/Семинар%209/Seminar9.ipynb GitHub]<br />
* [https://youtu.be/F1riceCh8iw?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 08.11.2021)]<br />
* [https://youtu.be/AuB1pXtslaU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 09.11.2021)]<br />
* [https://youtu.be/Q4MNUWxS064?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 10.11.2021)]<br />
<br />
'''Семинар 10.''' Градиентный бустинг. Часть 1 | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2010 GitHub]<br />
* [https://youtu.be/2rrZwakmFwM?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 15.11.2021)]<br />
* [https://youtu.be/NfWxdBIh9Qc?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 16.11.2021)]<br />
* [https://youtu.be/r_U-7L8H6qk?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 17.11.2021)]<br />
<br />
'''Семинар 11.''' Градиентный бустинг. Часть 2 | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2011 GitHub]<br />
* [https://youtu.be/cH71Ofc4NG4?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 22.11.2021)]<br />
* [https://youtu.be/iLAdTx96CGw?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 23.11.2021)]<br />
* [https://youtu.be/Ab3s4PvHnFE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 24.11.2021)]<br />
<br />
'''Семинар 12.''' Кластеризация | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2012 GitHub]<br />
* [https://youtu.be/AbN9i3cG7C8?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 29.11.2021)]<br />
* [https://youtu.be/oUxs_u8Ac2c?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 30.11.2021)]<br />
* [https://youtu.be/Aa1gM4qxcLE?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 01.12.2021)]<br />
<br />
'''Семинар 13.''' Временные ряды. Поиск выбросов и аномалий | [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары/Семинар%2013 GitHub]<br />
* [https://youtu.be/M_YSgos2KQo?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Липатов Иван (Пн, 06.12.2021)]<br />
* [https://youtu.be/ainHrzkIwOU?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Кантонистова Елена (Вт, 07.12.2021)]<br />
* [https://youtu.be/gTVwISqjYF0?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db Ананьева Марина (Ср, 08.12.2021)]<br />
<br />
== Домашние задания ==<br />
На курсе <s>планируется 7 домашних заданий</s>, а будет 6. Формула вычисления итоговой оценки: взвешенное среднее из <s>6</s> 5 домашних заданий с максимальными баллами.<br />
<br />
Каждое домашнее задание имеет индивидуальный вес, который будет появляться одновременно с появлением очередного домашнего задания.<br />
<br />
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в [https://anytask.org/ Anytask]. <br />
<br />
'''Домашняя работа 1.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/%D0%94%D0%BE%D0%BC%D0%B0%D1%88%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%B0%D0%B4%D0%B0%D0%BD%D0%B8%D1%8F/Homework_1.ipynb Линейная регрессия и векторное дифференцирование] | Дедлайн - ''29 сентября в 23:59''<br />
<br />
'''Домашняя работа 2.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/blob/main/Домашние%20задания/HW2/homework2.ipynb ML Pipeline] | Дедлайн - ''13 октября в 23:59''<br />
<br />
'''Домашняя работа 3.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW3 Модели классификации и оценка их качества] | Дедлайн - ''<s>31 октября в 23:59</s>'' ''7 ноября в 23:59''<br />
<br />
'''Домашняя работа 4.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW4 kNN, DecisionTree, RandomForest, SGD classifier] | Дедлайн - ''25 ноября в 23:59''<br />
<br />
'''Домашняя работа 5.''' [https://www.kaggle.com/c/hse-2021-fraud-detection/overview/description Kaggle InClass - Fraud Detection] | Дедлайн - ''13 декабря в 23:59''<br />
<br />
'''Домашняя работа 6.''' [https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Домашние%20задания/HW6 Бустинг. Снижение размерности] | Дедлайн - ''11 декабря в 23:59''<br />
<br />
== Полезные материалы ==<br />
===Книги===<br />
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.<br />
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006.<br />
* Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.<br />
* Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.<br />
* Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.<br />
* Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.<br />
<br />
===Курсы по машинному обучению и анализу данных===<br />
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]<br />
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]<br />
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]<br />
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]<br />
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]</div>Murrcha