Машинное обучение (сов. бак. ВШЭ-РЭШ 2024) — различия между версиями

Версия 21:21, 27 сентября 2024

О курсе

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

Карточка курса и программа.

Репозиторий с материалами курса на GitHub.

Чат в телеграме

Анонимная форма обратной связи

Лекции

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

Лекции проходят по вторникам в 16:20 (R406).

Семинары

Учебные ассистенты (ТУДУ)

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(0.6 * ДЗ + 0.2 * КР + 0.2 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

Правила выставления автомата

Условие выставления автомата: (ДЗ >=6 and КР >= 6)

В случае автомата итоговая оценка считается так:

O_{итоговая} = Округление((0.6 * ДЗ + 0.2 * КР) / 0.8)

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. [Слайды]

Лекция 3. Линейная регрессия. Градиентный спуск. [Слайды]

Лекция 4. Линейная классификация. Логистическая регрессия. [Слайды]

Семинары

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

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

Семинар 3. Градиентный спуск. [Тетрадка] [Colab]

Семинар 4. Линейная классификация. Логистическая регрессия. [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.

Мягкий дедлайн: 01 октября 2024 года 23:59

Дедлайн: 05 октября 2024 года 23:59

Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2024/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: 12 октября 2024 года 23:59

Дедлайн: 16 октября 2024 года 23:59

Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_2.ipynb

Контрольная работа

Экзамен

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 2023 года

Страница курса 2022 года

Страница курса 2021 года

Страница курса 2020 года