Машинное обучение (сов. бак. ВШЭ-РЭШ 2023) — различия между версиями

Версия 14:32, 1 декабря 2023

О курсе

Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

Карточка курса и программа. (TODO: Обновить)

Репозиторий с материалами курса на GitHub.

Чат в телеграме

Анонимная форма обратной связи

Лекции

Лектор: Михаил Гущин (mhushchyn@hse.ru, @mikhail_h91)

Лекции проходят по вторникам в 16:20 (R205).

Семинары

Правила выставления оценок

В курсе предусмотрено несколько форм контроля знаний:

• Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
• Контрольная работа в середине курса
• Письменный экзамен

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

O_{итоговая} = Округление(0.5 * ДЗ + 0.2 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

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.

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

Лекция 1. Введение в машинное обучение. KNN. [Слайды]

Лекция 2. Линейная регрессия. Градиентный спуск. [Слайды]

Лекция 3. Линейная классификация. Логистическая регрессия. [Слайды]

Лекция 4. Метрики качества. [Слайды]

Лекция 5. Решающие деревья. [Слайды]

Лекция 6. Композиции алгоритмов. Случайный лес. [Слайды]

Лекция 7. Градиентный бустинг. [Слайды]

Лекция 8. Категориальные признаки. Анализ текстов. [Слайды]

Лекция 9. Отбор признаков. Уменьшение размерности. [Слайды]

Лекция 10. Кластеризация. [Слайды]

Лекция 11. Нейронные сети. [Слайды]

Семинары

Семинар 1. Введение в машинное обучение. [Тетрадка] [Colab]

Семинар 2. Линейная регрессия. Градиентный спуск. [Тетрадка] [Colab]

Семинар 3. Линейная классификация. Логистическая регрессия. [Тетрадка] [Colab]

Семинар 4. Метрики качества. [Тетрадка] [Colab]

Семинар 5. Решающие деревья. [Тетрадка] [Colab]

Семинар 6. Ансамбли деревьев. Случайный лес. [Тетрадка] [Colab]

Семинар 7. Градиентный бустинг. [Тетрадка] [Colab]

Семинар 8. Введение в анализ текстов. [Тетрадка] [Colab]

Семинар 9. Отбор признаков. Уменьшение размерности. [Тетрадка] [Colab]

Семинар 10. Кластеризация. [Тетрадка] [Colab]

Семинар 11. Нейронные сети. [Тетрадка] [Colab]

Практические задания

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

Задание 1. Введение в машинное обучение

Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob, а также написать свою линейную регрессию.

Мягкий дедлайн: 25 сентября 2023 года 23:59

Дедлайн: 28 сентября 2023 года 23:59

Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_1.ipynb

Задание 2. Линейная регрессия. Градиентный спуск.

Вам предстоит решить несколько теоретических задач по производным, линейной алгебре, градиентному спуску и линейной регрессии.

Мягкий дедлайн: 02 октября 2023 года 23:59

Дедлайн: 05 октября 2023 года 23:59

Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_2.pdf

Задание 3. Логистическая регрессия

Вам предстоит решить несколько задач на реализацию метода логистической регрессии и оценки качества классификации.

Мягкий дедлайн: 16 октября 2023 года 23:59

Дедлайн: 19 октября 2023 года 23:59

Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_3.ipynb

Задание 4. Решающие деревья

Вам предстоит реализовать разбиение элементов выборки в вершине дерева.

Мягкий дедлайн: 30 октября 2023 года 23:59

Дедлайн: 02 ноября 2023 года 23:59

Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_4.ipynb

Задание 5. Композиции алгоритмов

В этом задании вам нужно решить несколько задач по ансамблям моделей.

Мягкий дедлайн: 06 ноября 2023 года 23:59

Дедлайн: 09 ноября 2023 года 23:59

Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_5.pdf

Задание 6. Бустинг

Вам предстоит реализовать упрощенный вариант градиентного бутсинга для задачи регрессии.

Мягкий дедлайн: 20 ноября 2023 года 23:59

Дедлайн: 23 ноября 2023 года 23:59

Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_6.ipynb

Задание 7. Категориальные признаки

Вам предстоит освоить работу с категориальными признаками.

Мягкий дедлайн: 01 декабря 2023 года 23:59

Дедлайн: 04 декабря 2023 года 23:59

Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_7.ipynb

Задание 8. Отбор признаков и метод главных компонент

Вам предстоит выполнить несколько заданий по уменьшению размерности.

Мягкий дедлайн: 15 декабря 2023 года 23:59

Дедлайн: 18 декабря 2023 года 23:59

Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2023/homeworks/homework_8.ipynb

Контрольная работа

[Вопросы и задачи к контрольной работе (мидтерму) 2023)]

Дата проведения: 14 ноября 2023 г. на лекции.

Порядок проведения контрольной работы:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои ФИО.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: 8 вопросов и 2 задачи из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы: Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

Экзамен

[Вопросы к экзамену 2022]

Порядок проведения контрольной работы и экзамена:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои Ф.И.О. и группу.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию экзамена: Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

Дополнительные материалы

Курсы по машинному обучению и анализу данных

• Онлайн-учебник по машинному обучению от ШАД
• Курс по машинному обучению К.В. Воронцова
• Курс на платформе "Открытое образование"

Книги

• Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009
• Rosasco L., Introductory Machine Learning Notes, 2017
• Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006

Страницы прошлых лет

Страница курса 2022 года

Страница курса 2021 года

Страница курса 2020 года