Просмотр исходного текста страницы LSML 2023/2024

== О курсе ==

Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.

'''Лектор:''' [https://t.me/adkosm Космачев Алексей Дмитриевич]

'''Семинаристы:''' [https://t.me/art591 Алекберов Артем Темурович], [https://t.me/poly_nomial Анищенко Илья Игоревич]

'''Ассистент''' -

Лекции проходят в онлайн-режиме.

Вычислительные мощности в облаке Yandex.Cloud для курса предоставила компания Яндекс.

=== Полезные ссылки ===

Слайды лекций: [https://drive.google.com/drive/folders/1TCRaEmmkT3T8XKDMtm5KjYZ2jJCH5EfK тык]

Получение доступа к Облаку - https://forms.gle/Bo6wst4qfZ89TwPd7

Таблица с оценками: [https://docs.google.com/spreadsheets/d/1X9BL4VBlrDqu7VAaykSg19yM7JCjtFLo5Bw8QKRUWjA/edit?usp=sharing тык]

Плейлист с записями всех занятий - [https://www.youtube.com/playlist?list=PLEwK9wdS5g0pm8uTSNkHsdEi6PLlIV2RN тык]

Чат в telegram с объявлениями и топиками по курсу: -

Репозиторий с материалами семинаров: [https://github.com/art591/lsml-2024/tree/main тык]

Наше облако: https://console.cloud.yandex.ru/cloud/b1gjgaju2nhl8bbacq3f

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Самостоятельные задачи сдаются в Google forms. Для каждого задания своя отдельная ссылка на прием заданий:

{| class="wikitable"
|-
! Задание !! Ссылка для сдачи !! Ссылка на домашнее задание !! Дата выдачи !! Дедлайн
|-
| Мини домашнее задание 1. || https://forms.gle/caSVYF9ogmVsRwSn8 || [https://github.com/art591/lsml-2024/blob/main/MHW1.%20Bash%20%26%20Cloud.ipynb тык] || 11 февраля || 18 февраля 23:59
|-
| Мини домашнее задание 2. || https://forms.gle/EzXK6uAcarmuBfVm8 || [https://github.com/art591/lsml-2024/blob/main/MHW2.%20Hadoop.ipynb тык] || 21 февраля || 3 марта 23:59 
|-
| Мини домашнее задание 3. || https://forms.gle/1rzQenpfnn3RDHZf9 || [https://github.com/art591/lsml-2024/blob/main/MHW%203.%20Classical%20models.ipynb тык] || 13 марта || 24 марта 23:59
|-
| Основное домашнее задание || https://forms.gle/4XKotxy4yBk7Dwx49 || [https://github.com/art591/lsml-2024/blob/main/Main%20Homework.%20Outbrain.ipynb тык] || 4 марта || 24 марта 23:59
|-
|}

== Лекции и Семинары ==
Лекции проводит Космачев Алексей по СБ 11:10 - 12:30 по МСК - [https://us06web.zoom.us/j/86545266265?pwd=P9jbLqznmtdrdKG7cfCm8J3iV99GBF.1 ссылка]

Семинары проводят:

- Алекберов Артем по ЧТ в 11:10-12:30 по МСК - [https://us06web.zoom.us/j/81052703435?pwd=DVbi840yNaJ8XnIPpq3spTceM0BGNn.1 ссылка]

- Анищенко Илья по СБ в 14:40-16:00 по МСК - [https://us06web.zoom.us/j/84189555936?pwd=ceuvbb0ipCq1SSvOpDBakWuBY3fE4v.1 ссылка]

=== Консультации ===

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

При необходимости, можно писать на почту или в Telegram.

=== Правила выставления оценок ===

В курсе предусмотрено несколько форм контроля знания:
* Мини-домашние задания. Дедлайн на сдачу заданий - 2-3 недели (см таблицу).
* Большое домашнее задание (будет выдано ориентировочно на 3 семинаре).
* Дополнительно будет проведено мини-соревнование. За него можно заработать только дополнительные баллы (в основную формулу оценки они не входят).

Итоговая оценка вычисляется:

O<sub>итоговая</sub> = 0.5*[(O<sub>МДЗ1</sub> + O<sub>МДЗ2</sub> + O<sub>МДЗ3</sub> + O<sub>МДЗ4</sub>)/3] + 0.5*O<sub>ДЗ</sub>

=== Правила сдачи заданий ===

Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

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. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

== Полезные материалы ==
===Книги===
# Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
# Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
# Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
# Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.

===Странички прошлых лет===
http://wiki.cs.hse.ru/Машинное_обучение_на_больших_данных