Машинное обучение (ФЭН) — различия между версиями
Анастасия (обсуждение | вклад) (→О курсе) |
Анастасия (обсуждение | вклад) (→Полезные ссылки) |
||
Строка 47: | Строка 47: | ||
# [http://pythontutor.ru/] - вводный курс по Python для тех, кто не знаком с языком. | # [http://pythontutor.ru/] - вводный курс по Python для тех, кто не знаком с языком. | ||
# [https://ru.coursera.org/specializations/machine-learning-data-analysis] - специализация Яндекса и МФТИ на coursera.org. | # [https://ru.coursera.org/specializations/machine-learning-data-analysis] - специализация Яндекса и МФТИ на coursera.org. | ||
+ | # Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009. | ||
+ | # Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006. | ||
Версия 00:57, 5 сентября 2018
О курсе
Преподаватели: Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович.
Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214.
Семинары
Группа | Преподаватель | Учебный ассистент | Чат | Расписание |
---|---|---|---|---|
4 курс эконома | Борис Демешев | Анастасия Максимовская | пятница 10:30, ауд. 3316 | |
3 курс эконома-1 | Артем Филатов | Анастасия Рогачевская | пятница 10:30, ауд. 3317 | |
3 курс эконома-2 | Артур Петросян | -- | суббота 9:00, ауд. 3316 |
Правила выставления оценок
В курсе предусмотрено несколько форм контроля знания:
- Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
- Практические домашние работы на Python
- Соревнование по анализу данных
- Устный коллоквиум в конце 1-го модуля
- Устный экзамен
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:
Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз
Оценка за работу в семестре вычисляется по формуле
Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум
Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.
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.
По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.
Полезные ссылки
[ Программа курса]
- Репозиторий на GitHub с конспектами лекций Евгения Соколова
- [1] - вводный курс по Python для тех, кто не знаком с языком.
- [2] - специализация Яндекса и МФТИ на coursera.org.
- 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.
Канал в telegram для объявлений:
Чат в telegram для обсуждений: