Основы машинного обучения/2025 — различия между версиями
Ekononova (обсуждение | вклад) |
|||
| Строка 111: | Строка 111: | ||
== Контрольная работа == | == Контрольная работа == | ||
| − | Контрольная работа состоится | + | Контрольная работа состоится 14 мая на лекции в 13:00. |
| − | Вопросы для подготовки: https://docs.google.com/document/d/ | + | Вопросы для подготовки: https://docs.google.com/document/d/1wcPYvzAE8wFi48QNoJUpedR7Hl8n1H5_zMO3YRp6vOw/edit?usp=sharing |
| − | [https://github.com/hse-ds/iad-intro-ds/blob/master/2021/kr/kr2021-var0.pdf Демо-вариант] | + | [https://github.com/hse-ds/iad-intro-ds/blob/master/2021/kr/kr2021-var0.pdf Демо-вариант прошлого года] |
На контрольной будет 4 вопроса. Два из них — по теории, где нужно будет объяснить одну из тем, разобранных на лекциях, или ответить на вопросы на понимание. Два вопроса — это задачи, примеры приведены ниже (но это просто для тренировки, список не исчерпывающий). | На контрольной будет 4 вопроса. Два из них — по теории, где нужно будет объяснить одну из тем, разобранных на лекциях, или ответить на вопросы на понимание. Два вопроса — это задачи, примеры приведены ниже (но это просто для тренировки, список не исчерпывающий). | ||
Текущая версия на 16:54, 1 апреля 2025
Содержание
[убрать]О курсе
Курс читается для студентов 2-го курса майнора ИАД в 3-4 модулях.
Проводится с 2015 года.
Лектор: Соколов Евгений Андреевич
Лекции проходят онлайн по средам в 13:00 в Zoom.
Полезные ссылки
Репозиторий с материалами на GitHub
Крутой чат (но рекомендуем cначала задавать вопросы в чате вашей группы)
Семинары
| Группа | Преподаватель | Учебные ассистенты | Zoom | Время | Чат | Папка с видео | Инвайт в anytask |
|---|---|---|---|---|---|---|---|
| ИАД-1 | Червяков Артем | Гилязов Вадим,Кокотова Алина,Кадыкова Татьяна | Zoom | 18:10 — 19:30 | Чат | Тык | dja5Zw0 |
| ИАД-2 | Баранов Михаил | Калабай Михаил, Овчинников Вячеслав,Шабуня Алексей | Zoom | 13:00 — 14:20 | Чат | Тык | wwIGJuX |
| ИАД-3 | Нарцев Андрей | Раимова Алина, Мустафина Назгуль,Грязева Ксения | Zoom | 11:10 — 12:30 | Чат | Тык | 4bvXsPw |
| ИАД-4 | Кантонистова Елена | Антонов Евгений, Аржанцев Никита,Агеев Никита | Zoom | 11:10 — 12:30 | Чат | Тык | 5K53Dqf |
| ИАД-5 | Коган Александра | Милосердов Даниил, Клычева Карина,Семенов Иван | Zoom | 14:40 — 16:00 | Чат | Тык | 6IOVbeX |
| ИАД-6 | Бурлова Альбина | Шишлянников Павел, Титова Мария,Лапшина Анастасия | Zoom | 09:30 — 10:50 | Чат | Тык | kwafrSF |
Правила выставления оценок
В курсе предусмотрено несколько форм контроля знания:
- Проверочные работы на лекциях, проверяющие знание основных фактов с лекций и семинаров
- Практические домашние работы на Python
- Контрольная где-то в середине курса
- Письменный экзамен
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:
Oитоговая = Округление(0.4 * ДЗ + 0.1 * ПР + 0.2 * КР + 0.3 * Э)
Округление арифметическое.
Автоматы
Если у вас накопленная оценка >= 5.5 баллов и за контрольную >= 5.5 баллов, то вы можете перенести эту накопленную в итоговую. Или, если хотите, можете отказаться и пойти на экзамен. Но по умолчанию всем, кто может получить автомат, мы ставим автомат.
Накопленная оценка считается по формуле: (0.4 * ДЗ + 0.1 * ПР + 0.2 * КР) / 0.7.
В критериях на автомат все оценки считаются без округления.
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.
Два раза студент может сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.
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
Все презентации с лекций лежат на гитхабе.
Записи лекций лежат на Яндекс Диске.
Семинары
Все файлы семинаров тоже лежат на гитхабе.
Записи семинаров лежат на Яндекс Дисках для всех групп:
Консультации
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.
Домашние задания выкладываются на гитхаб.
Загружать решения домашний заданий нужно в anytask.
За мягкими и жесткими дедлайнами лучше следить в калане с объявлениями.
Контрольная работа
Контрольная работа состоится 14 мая на лекции в 13:00.
Вопросы для подготовки: https://docs.google.com/document/d/1wcPYvzAE8wFi48QNoJUpedR7Hl8n1H5_zMO3YRp6vOw/edit?usp=sharing
На контрольной будет 4 вопроса. Два из них — по теории, где нужно будет объяснить одну из тем, разобранных на лекциях, или ответить на вопросы на понимание. Два вопроса — это задачи, примеры приведены ниже (но это просто для тренировки, список не исчерпывающий).
Примеры задач:
- Метрические методы, kNN [Примеры задач]
- Линейные методы [Примеры задач]
- Решающие деревья [Примеры задач]
- Метрики качества [Примеры задач]
За КР всем 10!
Экзамен
Полезные материалы
Курсы по машинному обучению и анализу данных
Максимально близко к материалам курса: Курс "Основы машинного обучения"
Для тех, кто хочет подтянуть математику: Специализация "Математика для анализа данных" (сейчас в процессе переноса на online.hse.ru)
Более сложная версия этого курса с ПМИ: Машинное обучение 1
Ещё материалы:
- Курс по машинному обучению К.В. Воронцова
- Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов
- Coursera: Machine Learning, Andrew Ng
Статьи
- An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples
- A Visual Introduction to Machine Learning
Книги
- Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
- James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.
