Машинное обучение (факультет экономических наук)
Содержание
О курсе
Лекторы: Екатерина Лобачева, Алексей Артемов
Лекции проходят по пятницам, 10:30 - 11:50, ауд. 5215.
Полезные ссылки
[ Программа курса]
Репозиторий на GitHub с материалами курса
Репозиторий на GitHub с конспектами лекций Евгения Соколова
Почта курса: ml.econom.hse@gmail.com
Формат темы письма (обязательно соблюдайте его, так как у нас стоят автоматические фильтры):
- Вопрос - номер группы по данному курсу - Фамилия Имя — для вопросов;
- Практика {номер задания} - номер группы по данному курсу - Фамилия Имя — для сдачи практических домашних заданий.
Возможные курсы по данному курсу: 4 простая, 4 сложная, 3 простая, 3 сложная, совбак простая, совбак сложная.
Пример: Практика 1 - 4 простая - Иванов Иван
Канал в telegram для объявлений: https://t.me/joinchat/AAAAAERI0duQMnhSawsR2A
Чат в telegram для обсуждений: https://t.me/joinchat/ABAXWEIJR7rcclSWVZfFhg
Оставить анонимный отзыв на курс: форма
Семинары
3 курс, сложная группа, заполните форму: https://goo.gl/forms/GUom80x8zoiQ3ZyX2
| Группа | Преподаватель | Учебный ассистент | Чат | Расписание |
|---|---|---|---|---|
| 4 курс эконома, простая | Артем Филатов | Анастасия Рогачевская | пятница 12:10, ауд. 5215 | |
| 4 курс эконома, сложная | Борис Демешев | Никита Герман | пятница 12:10, ауд. 2205 | |
| 3 курс эконома, простая | Елена Кантонистова | Елизавета Вахрамеева | тут | суббота 16:40, ауд. 2205 |
| 3 курс эконома, сложная | Евгений Егоров | Мария Такташева | обязательно | понедельник 9:00, ауд. 3316 |
| совбак, простая | Илья Щуров | Дмитрий Пчелкин | вторник, 18:10, ауд. 3317 | |
| совбак, сложная | Артем Филатов | Ксения Вальчук | среда 13:40, ауд. 4428 |
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
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.
Правила сдачи заданий
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
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 (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок).
Коллоквиум
После первого модуля будет проведен устный коллоквиум. Вопросы к нему и правила проведения будут скоро объявлены.
Даты:
- для эконома --- 25 октября с 9:00 до 15:00, ауд. 5406 и 5407
- для совбака --- на неделе после сессии (дата пока уточняется, скорее всего это будет вечер среды/четверга/пятницы)
Общее правило по датам: на неделе после сессии коллоквиум могут сдавать только студенты совбака! Студенты эконома, посещающие занятия с группами совбака, должны прийти на коллоквиум 25 октября! Желающие студенты совбака могут также прийти 25 октября.
Лекции
Лекция 1 (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. Конспект
Лекция 2 (8 сентября). Линейная регрессия: обучение и разные функционалы ошибки. Градиентный спуск. Конспект
Лекция 3 (15 сентября). Регуляризация. Методы оценивания обобщающей способности, кросс-валидация. Конспект Слайды
Лекция 4 (22 сентября). Аппроксимация эмпирического риска. Задача оценивания вероятностей, логистическая регрессия. Идея калибровки вероятностей. Персептрон. Метрики качества в задачах классификации. Конспект Слайды
Лекция 5 (29 сентября). Метод опорных векторов, его двойственная задача (без ядер). Обобщённые линейные модели. Постановки задач multiclass- и multilabel-классификации. Конспект
Лекция 6 (6 октября). Пропущенные значения. Обработка текстов. Хеширование. Слайды
Следующая лекция:
Семинары
Семинар 1. Python, numpy, pandas, matplotlib и прочие страшные звери. Notebook.
Семинар 2. Градиентный спуск и линейная регрессия Notebook
Семинар 3. Проверка обобщающей способности, переобучение. Notebook
Семинар 4. Линейные классификаторы, персептрон, логистическая регрессия, метрики качества, задачки на семинар и дз
Семинар 5. SVD и SVM
Семинар 6. Ядра и двойственная задача
Практические задания
Задание 1. Numpy, pandas, matplotlib.
Дата выдачи: 05.09.2017
Дедлайн: 19.09.2017 23:59MSK
Задание 2. Numpy,linear regression, gradient descent.
Дата выдачи: 21.09.2017
Дедлайн: 08.10.2017 23:59MSK
Теоретические задания
Задание 1. Круг первый. Дифференцирование.
Дата выдачи: 08.09.2017
Проверочные начнутся на семинарах с 15.09.2017.
Задание 2. Лёд тронулся. Квантильная регрессия и переобучение.
Дата выдачи: 15.09.2017
Проверочные начнутся на семинарах с 22.09.2017.
Задание 3. Помоги Бандерлогу! Задачки на семинар и дз
Задание 4. SVD и SVM! Задачки на семинар и дз
Задание 5. Тексты и обработка признаков Условие Тетрадка с примерами
Дата выдачи: 06.10.2017
Проверочные начнутся на семинарах с 13.10.2017.
Полезные материалы
Книги
- Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 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.
