Основы программирования в Python 2019

О курсе

Курс читается для студентов факультета Мировой Экономики ВШЭ в 3-4 модулях.

Лектор: Кохтев Вадим Михайлович

Лекции проходят с 2019 года.

Полезные ссылки

• Канал курса в телеграме
• Репозиторий с материалами на GitHub
• Карточка курса и программа
• Ссылка на вебинар Вебинар состоялся 23 января.

Онлайн-курс

Дисциплина реализуется в формате смешанного обучения и состоит из очных занятий и on-line курса, реализованного на базе платформы Coursera для НИУ ВШЭ: https://www.coursera.org/learn/python-osnovy-programmirovaniya/

О записи на курс будет объявлено дополнительно

Семинары

Семинары проходят по вторникам и субботам. Некоторые семинары проходят на Шаболовке, некоторые — в Армянском переулке. Пожалуйста, всегда проверяйте (РУЗ), поскольку расписание может меняться.

Группа	Преподаватель	Учебный ассистент	Расписание
БМЭ171	Такташева Мария Вадимовна	Пузырев Дмитрий	(есть в РУЗе)
БМЭ172	Такташева Мария Вадимовна	Пузырев Дмитрий	(есть в РУЗе)
БМЭ173	Першин Максим Андреевич	Кошелев Антон	30.04, 14.05, 21.05, 28.05, 04.06, 11.06 4336 (Шаболовка ул., д. 26), 15:10–16:30
БМЭ174	Першин Максим Андреевич	Кошелев Антон	30.04, 14.05, 21.05, 28.05, 04.06, 11.06 4336 (Шаболовка ул., д. 26), 16:40–18:00
БМЭ175	Панков Алексей Алексеевич	Попова Наталья	(есть в РУЗе)
БМЭ176	Панков Алексей Алексеевич	Попова Наталья	(есть в РУЗе)

Система оценок

Формула оценки

Результирующая оценка по дисциплине рассчитывается по формуле:

O_итог = 0.7 * O_накопл + 0.3 * O_экз

Накопленная оценка рассчитывается по формуле:

O_накопл = 0.3 * O_{онлайн-курс} + 0.3 * O_дз + 0.4 * O_ср

Подробнее

Правила вычисления оценок

О_{онлайн-курс} — Задания онлайн-курса на базе платформы Coursera, каждое оценивается от 0 до 10 баллов; итоговая оценка рассчитывается как сумма баллов от 0 до 100 разделить на 8

О_ср — Самостоятельная работа, оценивается от 0 до 10

О_дз — Домашние задания: все оцениваются от 0 до 10, после чего находится среднее арифметическое оценок

Все промежуточные оценки могут быть не целыми. Накопленная и итоговая оценки округляются арифметически.

Правила сдачи заданий

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются. Домашнее задание выполняется самостоятельно. При попытке сдать хотя бы частично списанный код (текст), или код (текст), полученный в результате совместного решения задач, вся работа будет оценена на 0 баллов. При обнаружении плагиата оценки за домашнее задание или практику обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат.

Лекции

Лекция 1 — Типы задач и основные понятия анализа данных и машинного обучения, 18 мая

Лекция 2 — Задачи регрессии, 24 мая

Лекция 3 — Задачи классификации, 4 июня

Лекция 4 — Ансамбли алгоритмов и визуализация данных, 13 июня

Семинары

Семинар 1 — работа с таблицами в pandas. Данные. Заполненный семинар

Семинар 2 — градиентный спуск и линейная регрессия. Заполненный семинар

Семинар 3 — методы классификации. Заполненный семинар

Семинар 4 — Визуализация c matplotlib. Подбор гиперпараметров

Семинар 5 — Качественная визуализация данных

Домашние задания

Домашнее задание №1. Дедлайн: 23:59 2 июня 2019

Домашнее задание №2. Дедлайн: 23:59 11 июня 2019

Домашнее задание №3. Дедлайн: 11:59 16 июня 2019

Экзамен

Экзамен состоится 18 июня, задания будут на компьютерах.

Полезные материалы

Основная литература

1. Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
2. Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006.
3. Diez, D.M, Barr, C.D., Cetinkaya-Rundel, M., Dorazio, L. Advanced High School Statistics. —  OpenIntro, 2015.
4. Wooldridge, J. Introductory Econometrics: A Modern Approach. — Mason: South-Western Cengage Learning, 2013.
5. Lutz, Mark. Learning Python: Powerful Object-Oriented Programming. "O'Reilly Media.", 2013.

Полезные ссылки

1. Документация языка Python https://docs.python.org/3/
2. Хороший классический курс по машинному обучению https://ru.coursera.org/learn/machine-learning
3. Материалы вышкинского курса по машинному обучению https://github.com/esokolov/ml-course-hse
4. Курс майнора по анализу данных http://wiki.cs.hse.ru/Майнор_Интеллектуальный_анализ_данных/Введение_в_анализ_данных
5. Курс майнора по машинному обучению http://wiki.cs.hse.ru/Современные_методы_машинного_обучения_(курс_майнора)_2018/2019