Машинное обучение на матфаке 2020

О курсе

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

Лектор: Щуров Илья Валерьевич

Лекции проходят по четвергам в 10:30 в ? аудитории.

Полезные ссылки

• Чат курса
• [ Репозиторий с материалами на GitHub]
• [ Курс на Anytask]
• [ Таблица оценок]
• РПУД

Семинары

Группа	Преподаватель	Учебный ассистент	Расписание	Инвайт в Anytask
1	Руслан Хайдуров	Александр Каган	четверг, 12:10-13:30, ауд. 318	-
2	Соня Дымченко	Павел Балтабаев	среда, ?, ауд. 318	-

Система оценивания

Формула оценки

Результирующая оценка по дисциплине рассчитывается по формуле:

O_итог = 0.24 * О_кр + 0.25 * О_{прак дз} + 0.21 * О_{теор дз} + 0.3 * О_экз

 [развернуть]  Подробнее

Правила вычисления оценок

Оценка за практические/теоретические домашние задания вычисляется как сумма баллов по всем практическим/теоретическим домашним заданиям, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности. Все промежуточные оценки (за домашние, контрольную и экзамен) могут быть не целыми и не округляются.

Правила сдачи заданий

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются (даже если опоздание сроком на одну минуту, сдавайте вовремя!).

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также возможно подаётся докладная записка в деканат.

При наличии уважительной причины (предоставляется справка, подтверженная учебным офисом) пропущенную контрольную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (за исключением соревнований).

Лекции

№	Дата	Название	Конспект
1	16 января	Введение в ml, постановки задач, виды данных

Семинары

№	Дата	Название	Материалы
1	16/22 января	Введение в numpy, pandas, matplotlib	[ Задачи]

Как корректно скачать файл с расширением .ipynb с GitHub?

Полезные материалы

Базовые учебники

1. Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
2. Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.

Дополнительная литература

1. Шарден Б., Массарон Л., Боскетти А. Крупномасштабное машинное обучение вместе с Python, Издательство "ДМК Пресс", 2018.
2. Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
3. Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
4. Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
5. Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.

Разные хорошие ссылки

1. Об условных вероятностях.
2. Mathematics for Machine Learning — книга с математическим введением в машинное обучение. Вам могут быть особенно интересно главы про теорию вероятностей.