Методы машинного обучения (Прикладная политология) — различия между версиями
Apnkv (обсуждение | вклад) |
|||
Строка 66: | Строка 66: | ||
'''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]] | '''Семинар 2''' (5 ноября) Pandas, работа с таблицами. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem02-pandas.ipynb Тетрадь на Гитхабе]] [[https://yadi.sk/d/28hfZnFX7eQMAA Тетрадь в одном архиве с данными]] | ||
− | '''Семинар 3''' (12 ноября) | + | '''Семинар 3''' (12 ноября) Matplotlib, приемы и ошибки визуализации. [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem03-visualization.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1FeUgbCfvvre3AsC_MGd6z2w9VU7ggwDI Колаб]]. |
+ | |||
+ | '''Семинар 4''' (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [[https://github.com/brainylyasha/ml-politology-course/blob/master/seminars/sem04-sklearn-knn.ipynb Гитхаб]], [[https://colab.research.google.com/drive/1XE_EUG5VixI2qnuQ0Nh3jx0uxQzEVejm Колаб]]. | ||
== Практические задания == | == Практические задания == |
Версия 18:09, 19 ноября 2019
Содержание
О курсе
Курс читается для студентов 1-го курса программы «Прикладная политология» в 2–3 модулях.
Лектор: Эльвира Альбертовна Зиннурова (tg)
Семинарист: Алексей Алексеевич Панков (tg)
Ассистент: Полина Ревина (tg)
Занятия проходят по вторникам, 18:10 — 21:00, ауд. 320а (ул. Мясницкая, 11).
Полезные ссылки
Репозиторий с материалами на GitHub
Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q
Вопросы по курсу можно задавать в чате по ссылке выше, а также в телеграм преподавателям и ассистенту.
Правила выставления оценок
В курсе предусмотрено несколько форм контроля знания:
- Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
- Практические домашние работы на Python
- Проект
- Коллоквиум
- Письменный экзамен
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:
Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)
ПР — средняя оценка за самостоятельные работы на семинарах
ДЗ — средняя оценка за практические домашние работы на Python
Проект — оценка за проект
Кол — оценка за коллоквиум
Э — оценка за экзамен
Округление арифметическое.
Правила сдачи заданий
При обнаружении плагиата в любом виде работ оценки за работу обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.
При наличии уважительной причины пропущенную работу можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.
Лекции
Лекция 1. (29 октября) Введение в машинное обучение, основные термины. [Слайды]
Лекция 2. (29 октября) Типы задач и признаков. Понятие вектора, матрицы. Гипотеза компактности, метод k ближайших соседей. [Слайды]
Лекция 1. (29 октября) Основные понятия линейной алгебры. Оценки обобщающей способности. Метод k ближайших соседей. [Слайды]
Семинары
Семинар 1. (29 октября) Библиотека NumPy, решение задач. [Ноутбук]
Семинар 2 (5 ноября) Pandas, работа с таблицами. [Тетрадь на Гитхабе] [Тетрадь в одном архиве с данными]
Семинар 3 (12 ноября) Matplotlib, приемы и ошибки визуализации. [Гитхаб], [Колаб].
Семинар 4 (19 ноября) Sklearn. Метрические методы. Подбор гиперпараметра KNN [Гитхаб], [Колаб].
Практические задания
Экзамен
Полезные материалы
Книги
- Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
- Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
- Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
- Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
- Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
- Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.
Курсы по машинному обучению и анализу данных
- Курс по машинному обучению К.В. Воронцова
- Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов
- Coursera: Машинное обучение и анализ данных (специализация)
- Coursera: Введение в машинное обучение, К.В. Воронцов