Машинное обучение 2/2023 2024 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
м (Ekononova переименовал страницу Машинное обучение 2 в Машинное обучение 2/2023 2024: Прошлогодний курс)
 
(не показано 228 промежуточных версии 19 участников)
Строка 9: Строка 9:
 
'''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]
 
'''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]
  
−
Лекции проходят по вторникам, 10:30 - 11:50, ауд. 509.
+
Лекции проходят по пятницам, 11:10 - 12:30, в [https://us06web.zoom.us/j/87309155639?pwd=SUlEQWNaRE1VdVBaeW5Zd0RVekxDdz09 zoom].
  
  
Строка 18: Строка 18:
 
=== Полезные ссылки ===
 
=== Полезные ссылки ===
  
−
[https://www.hse.ru/edu/courses/184771518 Карточка курса и программа]
+
[https://www.hse.ru/edu/courses/646485502 Карточка курса и программа]
  
 
[https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]
 
[https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]
  
−
Почта для сдачи домашних заданий: hse.cs.ml+<номер группы>@gmail.com (например, hse.cs.ml+141@gmail.com)
+
Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.cs.ml+<номер группы>@gmail.com (например, hse.cs.ml+161@gmail.com)
  
−
Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_2_course
+
Канал в telegram для объявлений: https://t.me/+wqFgR0wndUszNGIy
  
−
[https://docs.google.com/spreadsheets/d/1BhzeronD6_DUcH1l0W2ohN4wU97DobLj0tp9-nELNSY/edit?usp=sharing Таблица с оценками]
+
Чат в telegram для обсуждений (предназначение чата до конца не ясно, вопросы может быть правильнее задавать в чатах групп): https://t.me/+uALHcjfF6mw1NDJi
 +
 
 +
Ссылка на курс в Anytask:
 +
 
 +
[https://docs.google.com/spreadsheets/d/1SXEMnqS2aKEeZsAEKPk6Lxxmxm1DHONWmofufe0jvmg/edit?usp=sharing Таблица с оценками]
 +
 
 +
Плейлист с записями занятий: https://youtube.com/playlist?list=PLEwK9wdS5g0rILWZFPEnw0a1VZgo2e5ax&si=Ctg7z6mZII8_TBeA
  
 
Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]
 
Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]
Строка 37: Строка 43:
 
{| class="wikitable"
 
{| class="wikitable"
 
|-
 
|-
−
! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание
+
! Группа                                   !! Преподаватель                                                                                                                             !! Учебный ассистент
 
|-
 
|-
−
| 141 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || Козловская Наталия || || вторник, 12:10 - 13:30, ауд. 501
+
| 211 (МОП)                               || [Морозов Никита Витальевич] || [https://t.me/zhan2pac Жуматаев Жанту], [https://t.me/pauchara0 Петров Олег]
 
|-
 
|-
−
| 142 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || Егоров Евгений || || вторник, 12:10 - 13:30, ауд. 503
+
| 212 (МОП)                              || [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич] || [https://t.me/kemmeritocracy Кеммер Анастасия], [https://t.me/neyudin Юдин Николай], [https://t.me/tgritsaev Грицаев Тимофей]
 +
|-
 +
| 213 (МОП)                              || [Баранов Михаил] ||  [https://t.me/kvdmitrieva Дмитриева Екатерина], [https://t.me/aiziks Максутова Айза]
 +
|-
 +
| Курс по выбору (онлайн) || [https://www.hse.ru/org/persons/218009880 Ульянкин Филипп] [https://t.me/ppilif @ppilif] || [https://t.me/dogfew Перепелкин Владимир], [https://t.me/mdeil007 Иванов Данил], [https://t.me/lneyronl Трофименко Илья]
 +
|-
 +
| Курс по выбору (очно) || [https://t.me/fdrose Абрахам Максим] || [https://t.me/TheDullestPageOnTelegram Петренко Максим], [https://t.me/Dangerio7 Аксенов Антон]
 
|-
 
|-
 
|}
 
|}
−
 
−
=== 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.
 
  
 
=== Правила выставления оценок ===
 
=== Правила выставления оценок ===
  
 
В курсе предусмотрено несколько форм контроля знания:
 
В курсе предусмотрено несколько форм контроля знания:
−
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
+
* Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
 
* Практические домашние работы на Python
 
* Практические домашние работы на Python
−
* Соревнования по анализу данных
+
* Устный коллоквиум
−
* Письменный коллоквиум в конце 3-го модуля
+
* Письменный экзамен
−
* Устный экзамен
+
  
 
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:
 
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:
  
−
O<sub>итоговая</sub> = 0.7 * O<sub>накопленная</sub> + 0.3 * О<sub>экз</sub>
+
Итог = Округление(0.4 * ДЗ + 0.2 * К + 0.1 * ПР + 0.3 * Э)
  
−
Оценка за работу в семестре вычисляется по формуле
+
ПР — средняя оценка за самостоятельные работы на семинарах
  
−
O<sub>накопленная</sub> = 0.2 * O<sub>самостоятельные</sub> + 0.6 * О<sub>дз</sub> + 0.2 * О<sub>коллоквиум</sub>
+
ДЗ — средняя оценка за практические домашние работы на Python
  
−
Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.
+
К — оценка за коллоквиум
  
−
Также за каждое практическое задание и соревнование можно получить дополнительные баллы, которые влияют на освобождение от задач на экзамене.
+
Э — оценка за экзамен
 +
 
 +
Округление арифметическое.
  
 
=== Правила сдачи заданий ===
 
=== Правила сдачи заданий ===
  
−
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работа не принимаются.
+
За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.
 +
 
 +
Два раза студент может сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.
  
 
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.
 
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.
  
−
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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.
+
При наличии уважительной причины пропущенную проверочную 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 ==
 
== Лекции ==
  
−
'''Лекция 14''' (10 января). Reproducing kernel Hilbert space. Теорема о представлении. Аппроксимация спрямляющего пространства. [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/lecture-notes/lecture14-kernels.pdf Конспект]]
+
Ко всем конспектам на GitHub есть исходники. Исправления и дополнения всячески приветствуются!
  
−
'''Лекция 15''' (17 января). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/lecture-notes/lecture15-em.pdf Конспект]]
+
'''Лекция 1''' (12 января). Ядровые методы  [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/lecture-notes/lecture13-kernels.pdf Конспект]] [[https://youtu.be/LD1HFBO0MIY?si=i8vlvruXyBOSWYoy Запись лекции]]
−
 
+
−
'''Лекция 16''' (31 января). Ядровой метод главных компонент. Двойственные задачи и условия Куна-Таккера. Двойственный SVM. [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/lecture-notes/lecture16-kernels.pdf Конспект]]
+
−
 
+
−
'''Лекция 17''' (7 февраля). Лапласианы графов. Спектральная кластеризация. Методы частичного обучения (semi-supervised learning).
+
−
 
+
−
'''Лекция 18''' (14 февраля). Работа с несбалансированными выборками. Одноклассовые методы и обнаружение аномалий: статистический и метрический подходы. Одноклассовый SVM. Метод главных компонент в обнаружении аномалий. [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/lecture-notes/lecture18-anomaly.pdf Конспект]]
+
−
 
+
−
'''Лекция 19''' (21 февраля). Рекомендательные системы. Коллаборативная фильтрация: memory-based и model-based. Матричные разложения, ALS. Учёт неявной информации и модель iALS. Factorization machines. [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/lecture-notes/lecture19-recommender.pdf Конспект]]
+
−
 
+
−
'''Лекция 20''' (28 февраля). Рекомендательные системы. Холодный старт. Метрики качества рекомендаций. [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/lecture-notes/lecture20-recommender.pdf Конспект]]
+
  
 
== Семинары ==
 
== Семинары ==
  
−
'''Семинар 14''' (10 января). Решение задач на ядра. Ядра на строках. [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/seminars/sem14-kernels.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/homeworks-theory/homework-theory-12-kernels.pdf Домашнее задание]]
+
== Теоретические задания ==
−
 
+
−
'''Семинар 15''' (17 января). Решение задач на EM-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/seminars/sem15-EM.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/homeworks-theory/homework-theory-13-em.pdf Домашнее задание]]
+
−
 
+
−
'''Семинар 16''' (31 января). Решение задач на SVM. [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/seminars/sem16-svm.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/homeworks-theory/homework-theory-14-svm.pdf Домашнее задание]]
+
−
 
+
−
'''Семинар 17''' (7 февраля). Лапласианы графов и спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/seminars/sem17-spectral-clustering.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/homeworks-theory/homework-theory-15-unsupervised.pdf Домашнее задание]]
+
−
 
+
−
'''Семинар 18''' (14 февраля). Параметрические оценки плотности. Байесовская классификация, наивный байесовский подход к восстановлению плотности. [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/seminars/sem18-bayes.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/homeworks-theory/homework-theory-16-density.pdf Домашнее задание]]
+
−
 
+
−
'''Семинар 19''' (28 февраля). Рекомендательные системы. Факторизационные машины и методы их обучения. [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/seminars/sem19-FM.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/homeworks-theory/homework-theory-17-factorizations.pdf Домашнее задание]]
+
−
 
+
−
'''Семинар 20''' (14 марта). Метод k ближайших соседей, его особенности и недостатки. Способы задания расстояния на признаках. [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/seminars/sem20-knn.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/homeworks-theory/homework-theory-18-knn.pdf Домашнее задание]]
+
−
 
+
−
'''Семинар 21''' (21 марта). Применение гауссовских процессов в задачах восстановления регрессии [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/seminars/sem21-gp.pdf Конспект]] [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/homeworks-theory/homework-theory-19-norm.pdf Домашнее задание]]
+
  
−
'''Семинар 22''' (4 апреля). Анализ текстовой информации. Тематическое моделирование. [[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/seminars/sem22-texts.ipynb Конспект]]
+
[https://github.com/esokolov/ml-course-hse/tree/master/2022-spring/homeworks-theory Теоретические ДЗ] не проверяются, но задачи из них могут войти в проверочные работы на семинарах.
  
 
== Практические задания ==
 
== Практические задания ==
  
−
'''Задание 5.''' Ядровые методы.
+
== Проект ==
  
−
Дата выдачи: 26.02.2017
+
Одной из форм контроля является проект. Результатом выполнения проекта должен быть отчёт, содержащий в себе:
 +
* Описание задачи
 +
* Описание методов
 +
* Описание данных, на которых проводились эксперименты
 +
* Подробное описание экспериментов и результатов
 +
* Анализ результатов и выводы
  
−
Дедлайн: 13.03.2017 23:59MSK
+
Не нужно писать формальный текст — будет здорово, если у вас получится интересная и доступная обзорная статья.
  
−
[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/homeworks-practice/homework-practice-05-kernels.ipynb Условие]
+
За проект можно получить до 5 бонусных баллов. Если получится совсем потрясающе — то и до 10 баллов.
  
−
'''Задание 6.''' ЕМ-алгоритм.
+
Темы проектов: '''будут объявлены позже'''
  
−
Дата выдачи: 03.04.2017
+
Можно предлагать свои темы — их нужно вписать в ту же табличку. Такие темы нужно согласовать с лектором.
  
−
Дедлайн: 16.04.2017 23:59MSK
+
По умолчанию каждую тему может взять одна команда из 2-3 студентов. По согласованию с лектором одну тему может взять несколько команд.
  
−
[https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/homeworks-practice/homework-practice-06-em.ipynb Условие]
+
Дедлайн сдачи отчёта и кода: 13 июня 23:59.
−
 
+
−
== Соревнования ==
+
−
 
+
−
'''В течение недели''' после окончания соревнования на почту курса необходимо прислать:
+
−
* краткий отчёт с описанием решения (достаточно нескольких предложений с описанием использованных признаков и методов);
+
−
* код, с помощью которого можно получить ответы, отправленные в качестве решения на Kaggle.
+
−
 
+
−
Оценка за соревнование в случае преодоления всех бейзлайнов вычисляется по формуле
+
−
 
+
−
10 - 9 * (i - 1) / (n - 1),
+
−
 
+
−
где i — номер студента в таблице результатов среди своих одногруппников, n — количество студентов в группе. В противном случае студент получает за соревнование 0 баллов.
+
−
 
+
−
Также за первое, второе и третье место в пределах группы студент получет 3, 2 или 1 дополнительный балл соответственно. За лучшие места в общем рейтинге также могут быть выставлены дополнительные баллы. Напоминаем, что дополнительные баллы не влияют на накопленную оценку.
+
−
 
+
−
Если решения всех участников окажутся тривиальными или участников будет слишком мало, то преподаватели имеют право
+
−
снизить максимальную оценку или сделать шкалу более разреженной.
+
−
 
+
−
Студент, набравший менее 6 баллов (но при этом преодолевший бейзлайны), имеет право написать подробный отчёт по итогам соревнования и повысить свою оценку до 6 баллов (при выполнении всех требований к отчёту).
+
−
 
+
−
Регистрируясь на соревнование, выбирайте осмысленное имя. Рекомендованный формат: ''Иванов Иван (ПМИ ФКН ВШЭ, группа 141)''.
+
−
 
+
−
=== Соревнование 2: Разметка ресторанов по изображениям ===
+
−
 
+
−
Дата выдачи: 10.01.2017
+
−
 
+
−
Дедлайн: 05.02.2017
+
−
 
+
−
Соревнование на Kaggle InClass: https://inclass.kaggle.com/c/hse-yelp-restaurant-photo-classification-2/
+
−
 
+
−
Ссылка для участия: https://kaggle.com/join/hserestaurant
+
−
 
+
−
[https://github.com/esokolov/ml-course-hse/tree/master/2016-spring/contests Требования к отчёту по соревнованию]
+
−
 
+
−
Дедлайн по отчёту: 12.02.2017 23:59 MSK
+
  
 
== Коллоквиум ==
 
== Коллоквиум ==
  
−
Дата: 25.04.2017
+
На каждого студента отводится 20 минут. За это время он должен ответить на 3 вопроса из теоретического минимума и решить задачу. Каждый вопрос из теоретического минимума "стоит" 7/3 балла, задача — 3 балла. Время на подготовку не предусмотрено.
  
−
Коллоквиум проводится с 10:30 до 11:50 в ауд. 509.
+
[https://docs.google.com/document/d/1lpJwKyjJdFFy0dgfq3_JlK395wjLeC8lBGicCRzqwE8/edit Вопросы для подготовки]
  
−
[https://docs.google.com/document/d/1BkuJ8Fh16anRKVZRMlgjbLdQSdfF5fqBBNWegQJOXuA/edit?usp=sharing Вопросы к коллоквиуму]
+
== Экзамен ==
  
−
Коллоквиум письменный, каждый вариант будет состоять из теоретического вопроса и нескольких задач.
+
[https://docs.google.com/document/d/1f163jwJRC8sP5XFwd0BGUn2wNUTY3R8xtamEVEjqNfc/edit?usp=sharing Вопросы для подготовки]
  
 
== Полезные материалы ==
 
== Полезные материалы ==
Строка 189: Строка 146:
 
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
 
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
 
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
 
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
 +
* [https://www.coursera.org/specializations/machine-learning-from-statistics-to-neural-networks Coursera: Машинное обучение от статистики до нейросетей (специализация)]
 
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
 
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
 
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]
 
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]
 +
 +
== Страницы предыдущих лет ==
 +
 +
[[Машинное_обучение_2/2022_2023 | 2022/2023 учебный год]]
 +
 +
[[Машинное_обучение_2/2021_2022 | 2021/2022 учебный год]]
 +
 +
[[Машинное_обучение_2/2020_2021 | 2020/2021 учебный год]]
 +
 +
[[Машинное_обучение_2/2019_2020 | 2019/2020 учебный год]]
 +
 +
[[Машинное_обучение_2/2018_2019 | 2018/2019 учебный год]]
 +
 +
[[Машинное_обучение_2/2017_2018 | 2017/2018 учебный год]]
 +
 +
[[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]

Текущая версия на 15:59, 11 сентября 2024

О курсе

borderless

Курс читается для студентов 3-го курса ПМИ ФКН ВШЭ в 3-4 модулях.

Проводится с 2016 года.

Лектор: Соколов Евгений Андреевич

Лекции проходят по пятницам, 11:10 - 12:30, в zoom.




Полезные ссылки

Карточка курса и программа

Репозиторий с материалами на GitHub

Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.cs.ml+<номер группы>@gmail.com (например, hse.cs.ml+161@gmail.com)

Канал в telegram для объявлений: https://t.me/+wqFgR0wndUszNGIy

Чат в telegram для обсуждений (предназначение чата до конца не ясно, вопросы может быть правильнее задавать в чатах групп): https://t.me/+uALHcjfF6mw1NDJi

Ссылка на курс в Anytask:

Таблица с оценками

Плейлист с записями занятий: https://youtube.com/playlist?list=PLEwK9wdS5g0rILWZFPEnw0a1VZgo2e5ax&si=Ctg7z6mZII8_TBeA

Оставить отзыв на курс: форма

Вопросы по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу. Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде Issue в github-репозитории курса.

Семинары

Группа Преподаватель Учебный ассистент
211 (МОП) [Морозов Никита Витальевич] Жуматаев Жанту, Петров Олег
212 (МОП) Соколов Евгений Андреевич Кеммер Анастасия, Юдин Николай, Грицаев Тимофей
213 (МОП) [Баранов Михаил] Дмитриева Екатерина, Максутова Айза
Курс по выбору (онлайн) Ульянкин Филипп @ppilif Перепелкин Владимир, Иванов Данил, Трофименко Илья
Курс по выбору (очно) Абрахам Максим Петренко Максим, Аксенов Антон

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
  • Устный коллоквиум
  • Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Итог = Округление(0.4 * ДЗ + 0.2 * К + 0.1 * ПР + 0.3 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

К — оценка за коллоквиум

Э — оценка за экзамен

Округление арифметическое.

Правила сдачи заданий

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

Два раза студент может сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

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.

При наличии уважительной причины пропущенную проверочную 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

Ко всем конспектам на GitHub есть исходники. Исправления и дополнения всячески приветствуются!

Лекция 1 (12 января). Ядровые методы [Конспект] [Запись лекции]

Семинары

Теоретические задания

Теоретические ДЗ не проверяются, но задачи из них могут войти в проверочные работы на семинарах.

Практические задания

Проект

Одной из форм контроля является проект. Результатом выполнения проекта должен быть отчёт, содержащий в себе:

  • Описание задачи
  • Описание методов
  • Описание данных, на которых проводились эксперименты
  • Подробное описание экспериментов и результатов
  • Анализ результатов и выводы

Не нужно писать формальный текст — будет здорово, если у вас получится интересная и доступная обзорная статья.

За проект можно получить до 5 бонусных баллов. Если получится совсем потрясающе — то и до 10 баллов.

Темы проектов: будут объявлены позже

Можно предлагать свои темы — их нужно вписать в ту же табличку. Такие темы нужно согласовать с лектором.

По умолчанию каждую тему может взять одна команда из 2-3 студентов. По согласованию с лектором одну тему может взять несколько команд.

Дедлайн сдачи отчёта и кода: 13 июня 23:59.

Коллоквиум

На каждого студента отводится 20 минут. За это время он должен ответить на 3 вопроса из теоретического минимума и решить задачу. Каждый вопрос из теоретического минимума "стоит" 7/3 балла, задача — 3 балла. Время на подготовку не предусмотрено.

Вопросы для подготовки

Экзамен

Вопросы для подготовки

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

Страницы предыдущих лет

2022/2023 учебный год

2021/2022 учебный год

2020/2021 учебный год

2019/2020 учебный год

2018/2019 учебный год

2017/2018 учебный год

2016/2017 учебный год

Источник — «http://wiki.cs.hse.ru/index.php?title=Машинное_обучение_2/2023_2024&oldid=86216»