Рендзю (семинар) — различия между версиями
Материал из Wiki - Факультет компьютерных наук
(→Репозитории) |
|||
Строка 26: | Строка 26: | ||
|- | |- | ||
| Умник || ... | | Умник || ... | ||
+ | |- | ||
+ | | Леша || https://github.com/gamers5a/renju | ||
|} | |} | ||
Версия 15:02, 17 ноября 2016
Описание проекта.
Содержание
Правила игры
- Ментор: Симагин Денис.
- Место: офис Яндекса (место встречи)
- Время: c 19:00, каждую среду.
Общение с ментором вне занятий приветствуется. Можно задавать вопросы, в том числе философские. Но перед тем, как написать, попробуйте спросить это у Яндекса. Также не обижайтесь, если в ответ вам пришла ссылка на документацию или какую-то статью.
Ключевые точки
Сверху нам спущены ключевые точки выполнения проекта. Для нас они скорее явлются формальными, тем не менее мы должны их соблюдать.
- 12-17 декабря - все включились в работу
- 20-25 марта - реализован объем работ, необходимый для зачета
- 30 мая - 3 июня - окончание проектной работы, вы готовы, как пионеры.
- начало июня - конкурс проектов.
Правило 2Х
У вас есть право на одну ошибку. Следующая - я отказываюсь с вами работать.
Репозитории
Ментор | https://github.com/dasimagin/renju |
Красавчик | ... |
Умник | ... |
Леша | https://github.com/gamers5a/renju |
Семинары
S02.11
- Признаки и какие они бывают. Об отборе признаков, кратко тут. Может помочь на конкурсе.
- Задача бинарной классификации.
- Градиентный спуск.
- Стохастический градиентный спуск. На английской вике больше интересной информации.
Для дополнительного чтения:
- Что полезно знать о машинном обучении.
- Английская вика про признаки
- Отбор признаков.
- Мощная теоретическая работа про стохастический градиентный спуск.
L1
Ревьюер | Разработчик |
---|---|
Богомолов | Сопов |
Сопов | Гринберг |
Гринберг | Баранов |
Баранов | Стороженко |
Стороженко | Богомолов |
Для первой лабораторной работы вам потребуется:
- Настроить себе pip для Python3
- Освоить Jupyter notebook
- Установить пакеты scipy: numpy, scipy, matplotlib
Лабораторная будет состоять из нескольких частей:
- Изучение градиентного спуска на примере линейного классификатора + несколько теоретических задачек [coming soon...].
- Небольшой контест для того, чтобы почувствовать, что такое "много данных" [coming soon...] .