Машинное обучение (сов. бак. ВШЭ-РЭШ 2024) — различия между версиями
Mhushchyn (обсуждение | вклад) |
|||
| Строка 133: | Строка 133: | ||
'''Семинар 11.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar11/sem11_clustering.ipynb Тетрадка]] | '''Семинар 11.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar11/sem11_clustering.ipynb Тетрадка]] | ||
[[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar11/sem11_clustering.ipynb Colab]] | [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar11/sem11_clustering.ipynb Colab]] | ||
| + | |||
| + | '''Семинар 12.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar12/sem12_pytorch.ipynb Тетрадка]] | ||
| + | [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2024/seminars/seminar12/sem12_pytorch.ipynb Colab]] | ||
== Практические задания == | == Практические задания == | ||
Версия 01:24, 4 декабря 2024
Содержание
О курсе
Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.
Репозиторий с материалами курса на GitHub.
Анонимная форма обратной связи
Лекции
Лектор: Михаил Гущин (mhushchyn@hse.ru, @mhushchyn)
Лекции проходят по вторникам в 16:20 (R406).
Семинары
| Группа | Преподаватель | Ссылка на чат | Аудитория | Время |
|---|---|---|---|---|
| МО-1 | Владимир Бочарников | [ссылка Чат] | R504 | среда, 11:10 |
| МО-2 | Александра Коган | [ссылка Чат] | R407 | пятница, 09:30 |
| МО-3 | Сергей Корпачев | [ссылка Чат] | S224 | суббота, 14:40 |
Учебные ассистенты (ТУДУ)
| Учебный ассистент |
|---|
| Милана Арсентьева |
| Антон Стюхин |
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:
Oитоговая = 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:
Oитоговая = 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]
Лекция 5. Метрики качества. [Слайды]
Лекция 6. Решающие деревья. [Слайды]
Лекция 7. Композиции алгоритмов. Случайный лес. [Слайды]
Лекция 8. Градиентный бустинг. [Слайды]
Лекция 9. Категориальные признаки. Анализ текстов. [Слайды]
Лекция 10. Отбор признаков. Уменьшение размерности. [Слайды]
Лекция 11. Кластеризация. [Слайды]
Лекция 12. Нейронные сети. [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]
Семинар 5. Метрики качества. [Тетрадка] [Colab]
Семинар 6. Решающие деревья. [Тетрадка] [Colab]
Семинар 7. Случайный лес. [Тетрадка] [Colab]
Семинар 8. Градиентный бустинг. [Тетрадка] [Colab]
Семинар 9. Обработка текстовых данных. [Тетрадка] [Colab]
Семинар 10. Отбор признаков. Уменьшение размерности. [Тетрадка] [Colab]
Семинар 11. Кластеризация. [Тетрадка] [Colab]
Семинар 12. 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.
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
Задание 3. Логистическая регрессия.
Вам предстоит реализовать логистическую регрессию с оптимизацией параметров методом градиентного спуска и немного поупражняться с подсчетом метрик качества классифифкации на синтетическом наборе данных.
Мягкий дедлайн: 1 ноября 2024 года 23:59
Дедлайн: 4 ноября 2024 года 23:59
Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_3.ipynb
Задание 4. Решающие деревья
Вам предстоит освоить работу с решающими деревьями на примере задач классификации.
Мягкий дедлайн: 21 ноября 2024 года 23:59
Дедлайн: 25 ноября 2024 года 23:59
Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_4
Задание 5. Композиции алгоритмов
В этом задании вам нужно решить несколько задач по ансамблям моделей.
Мягкий дедлайн: 9 декабря 2024 года 23:59
Дедлайн: 12 декабря 2024 года 23:59
Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_5.ipynb
Контрольная работа
[Вопросы и задачи к контрольной работе (мидтерму) 2024)]
Дата проведения: 12 ноября 2024 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
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
