Машинное обучение МатФак 23/24 — различия между версиями
Материал из Wiki - Факультет компьютерных наук
(не показаны 2 промежуточные версии этого же участника) | |||
Строка 4: | Строка 4: | ||
* Оценка за курс считается по формуле: '''0.4 * Домашние задания + 0.1 * Проверочные работы + 0.2 * Контрольная работа + 0.3 * Экзамен | * Оценка за курс считается по формуле: '''0.4 * Домашние задания + 0.1 * Проверочные работы + 0.2 * Контрольная работа + 0.3 * Экзамен | ||
+ | |||
+ | * Автомат: Итоговая оценка равна накопленной, накопленная оценка считается по формуле: 10/7 * (0.4 * Домашние задания + 0.1 * Проверочные работы + 0.2 * Контрольная работа) Условия автомата: Накопленная оценка >= 5.5, оценка за контрольную работу >= 5.5, не был установлен факт плагиата ни одной работы | ||
'''Лектор:''' Нарцев Андрей Дмитриевич | '''Лектор:''' Нарцев Андрей Дмитриевич | ||
Строка 9: | Строка 11: | ||
'''Семинаристы:''' Коган Александра Сергеевна (группа 1), Рыжиков Артём Сергеевич (группа 2) | '''Семинаристы:''' Коган Александра Сергеевна (группа 1), Рыжиков Артём Сергеевич (группа 2) | ||
− | Лекции проходят '''онлайн по | + | Лекции проходят '''онлайн по вторникам на шестой паре''' в [zoom]. |
=== Полезные ссылки === | === Полезные ссылки === |
Текущая версия на 12:33, 2 февраля 2024
О курсе
Курс читается для студентов матфака в 3-4 модулях. В курсе 16 лекций и 16 семинаров.
- Оценка за курс считается по формуле: 0.4 * Домашние задания + 0.1 * Проверочные работы + 0.2 * Контрольная работа + 0.3 * Экзамен
- Автомат: Итоговая оценка равна накопленной, накопленная оценка считается по формуле: 10/7 * (0.4 * Домашние задания + 0.1 * Проверочные работы + 0.2 * Контрольная работа) Условия автомата: Накопленная оценка >= 5.5, оценка за контрольную работу >= 5.5, не был установлен факт плагиата ни одной работы
Лектор: Нарцев Андрей Дмитриевич
Семинаристы: Коган Александра Сергеевна (группа 1), Рыжиков Артём Сергеевич (группа 2)
Лекции проходят онлайн по вторникам на шестой паре в [zoom].
Полезные ссылки
Репозиторий с материалами на GitHub
Канал в telegram для объявлений
Лекции
1. Введение в машинное обучение
2. Введение в машинное обучение. Метод k ближайших соседей
3. Метод k ближайших соседей. Постановка задачи линейной регрессии.
Семинары
1. Эксполаторный анализ
2. Введение в sklearn. Метод k ближайших соседей.
3. Линейная регрессия, sklearn.