Машинное обучение (ФЭН)
Содержание
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 | Gitlab Username | Расписание |
|---|---|---|---|---|
| 4 курс эконома | Борис Демешев | Анастасия Максимовская | anastasiyamax | пятница 10:30, ауд. 3316 |
| 3 курс эконома-1 | Артем Филатов | Анастасия Рогачевская | arogachewskaya | пятница 10:30, ауд. 3317 |
| 3 курс эконома-2 | Артур Петросян | Алексей Иванов | 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.
Коллоквиум
После первого модуля будет проведен устный коллоквиум.
Правила
- коллоквиум будет включать в себя теоретические вопросы и задачи
- список теоретических вопросов вопросов будет опубликован позже
- задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
- на подготовку и ответ будет выделено примерно по 10 минут
- пользоваться при подготовке ничем нельзя
Экзамен
В конце курса будет проведен устный экзамен.
Лекции
Лекция 1 (7 сентября). Введение в машинное обучение. Слайды
Лекция 2 (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента). Слайды
Лекция 3 (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация). Слайды
Лекция 4 (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон). Слайды
Репозиторий на GitHub с конспектами лекций Евгения Соколова
Семинары
Семинар 1.
Полезные материалы
Книги
- Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.r, 2009.
- Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
- Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
- Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
- Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
- Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.
