Просмотр исходного текста страницы Машинное обучение на матфаке 2018/2019

== О курсе ==
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.

Лектор: [https://www.hse.ru/staff/is Щуров Илья Валерьевич]

Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.

=== Полезные ссылки ===
* [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе)
* [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub]
* [https://www.hse.ru/data/2018/08/28/1150124248/program-2227521178-znjnnTPmmc.pdf РПУД]
=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Чат !! Расписание
|-
| 1 || Евгения Ческидова  || Константин Ваниев ||  ? || понедельник, 10:30-11:50, ауд. 318
|-
| 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев]  ||  [https://t-do.ru/svdcvt Соня Дымченко] || [https://t-do.ru/joinchat/CDE3khHyzKP1U701FQtszQ Ссылка] || суббота, 12:00-13:20, ауд. 318
|-
|}

==== Распределение по группам ====
Пока спрос на семинары в субботу гораздо меньше, чем на семинар в понедельник. Если вы в принципе можете прийти в субботу, пожалуйста, приходите в субботу.

=== Система оценок ===
==== Формула оценки ====
Результирующая оценка по дисциплине рассчитывается по формуле:

'''O<sub>итог</sub> = 0.7 * O<sub>накопл</sub> + 0.3 * O<sub>экз</sub>'''

Накопленная оценка рассчитывается по формуле:

'''O<sub>накопл</sub> = 0.2 * O<sub>самост</sub> + 0.4 * O<sub>дз</sub> + 0.4 * O<sub>КР</sub>'''

{| role="presentation" class="wikitable mw-collapsible mw-collapsed"
| <strong>Подробнее</strong>
|-
| 
==== Правила вычисления оценок ====
Оценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми. 

Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх.

==== Правила сдачи заданий ====
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. 

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

== Лекции ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы 
|-
| 1 || 4 сентября  || Введение в ml, постановки задач, виды данных || 
|-
| 2 || 11 сентября || Статистические оценки, проверка гипотез ||
|-
|}

== Семинары ==
{| class="wikitable"
|-
! № !! Дата !! Название !! Материалы 
|-
| 1 || 8/10 сентября || Введение в numpy, pandas, matplotlib || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem01_intro Тетрадка и данные] [https://github.com/ischurov/math-ml-hse-2018/blob/master/sem01_intro/sem01_stats_basics.pdf Задачи]
|-
| 2 ||  15/17 сентября || Статистические оценки, проверка гипотез || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Тетрадка и данные]
|-
|}

[https://stackoverflow.com/questions/45622602/how-to-jupyter-notebooks-from-github Как корректно скачать файл с расширением .ipynb с GitHub?]

== Новости курса ==
В этом разделе публикуется текущая информация по курсу

== Полезные материалы ==
Базовые учебники:
# Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition)]. Springer, 2009.
# Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning]. Springer, 2006.

Дополнительная литература:
# Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning,  MIT Press, 2016.
# Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
# Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
# Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.