Машинное обучение на матфаке 2018/2019 — различия между версиями
(→О курсе) |
(→Семинары) |
||
Строка 16: | Строка 16: | ||
! Группа !! Преподаватель !! Учебный ассистент !! Расписание | ! Группа !! Преподаватель !! Учебный ассистент !! Расписание | ||
|- | |- | ||
− | | 1 || Евгения Ческидова || Константин Ваниев || | + | | 1 || Евгения Ческидова || Константин Ваниев || понедельник, 10:30-11:50, ауд. 318 |
|- | |- | ||
− | | 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев] || [https://t-do.ru/svdcvt Соня Дымченко] || | + | | 2 || [https://t-do.ru/blacKitten13 Евгений Ковалев] || [https://t-do.ru/svdcvt Соня Дымченко] || суббота, 12:00-13:20, ауд. 318 |
|- | |- | ||
|} | |} |
Версия 21:28, 4 сентября 2018
Содержание
О курсе
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.
Лектор: Щуров Илья Валерьевич
Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.
Полезные ссылки
- Регистрационная форма (заполните, чтобы получать уведомления о курсе)
- Репозиторий с материалами на GitHub
Семинары
Группа | Преподаватель | Учебный ассистент | Расписание |
---|---|---|---|
1 | Евгения Ческидова | Константин Ваниев | понедельник, 10:30-11:50, ауд. 318 |
2 | Евгений Ковалев | Соня Дымченко | суббота, 12:00-13:20, ауд. 318 |
Система оценок
Правила выставления оценок
Результирующая оценка по дисциплине рассчитывается по формуле:
Oитог = 0.7 * Oнакопл + 0.3 * Oэкз
Накопленная оценка рассчитывается по формуле:
Oнакопл = 0.2 * Oсамост + 0.4 * Oдз + 0.4 * OКР
Оценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми.
Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх.
Правила сдачи заданий
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.
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).
Программа курса
Полезные материалы
Базовые учебники:
- 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.
Дополнительная литература:
- Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
- 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.