Машинное обучение (сов. бак. ВШЭ-РЭШ 2024)
Содержание
О курсе
Курс читается для студентов 2-4 курсов совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.
Репозиторий с материалами курса на GitHub.
Анонимная форма обратной связи
Лекции
Лектор: Михаил Гущин (mhushchyn@hse.ru, @mhushchyn)
Лекции проходят по вторникам в 16:20 (R406).
Семинары
| Группа | Преподаватель | Ссылка на чат | Аудитория | Время |
|---|---|---|---|---|
| МО-1 | Владимир Бочарников | [ссылка Чат] | R504 | среда, 11:10 |
| МО-2 | Александра Коган | [ссылка Чат] | R407 | пятница, 09:30 |
| МО-3 | Сергей Корпачев | [ссылка Чат] | S224 | суббота, 14:40 |
Учебные ассистенты (ТУДУ)
| Учебный ассистент |
|---|
| Милана Арсентьева |
| Антон Стюхин |
Правила выставления оценок
В курсе предусмотрено несколько форм контроля знаний:
- Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
- Контрольная работа в середине курса
- Письменный экзамен
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:
Oитоговая = Округление(0.6 * ДЗ + 0.2 * КР + 0.2 * Э)
ДЗ — средняя оценка за практические домашние задания
КР — оценка за контрольную работу
Э — оценка за экзамен
Округление арифметическое.
Правила выставления автомата
Условие выставления автомата: (ДЗ >=6 and КР >= 6)
В случае автомата итоговая оценка считается так:
Oитоговая = Округление((0.6 * ДЗ + 0.2 * КР) / 0.8)
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.
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
Лекция 1. Введение в машинное обучение. KNN. [Слайды]
Лекция 2. Линейная регрессия. [Слайды]
Лекция 3. Линейная регрессия. Градиентный спуск. [Слайды]
Лекция 4. Линейная классификация. Логистическая регрессия. [Слайды]
Семинары
Семинар 1. Введение в машинное обучение. [Тетрадка] [Colab]
Семинар 2. Линейная регрессия. [Тетрадка] [Colab]
Семинар 3. Градиентный спуск. [Тетрадка] [Colab]
Семинар 4. Линейная классификация. Логистическая регрессия. [Тетрадка] [Colab]
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.
Задание 1. Введение в машинное обучение
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob.
Мягкий дедлайн: 01 октября 2024 года 23:59
Дедлайн: 05 октября 2024 года 23:59
Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2024/homeworks/homework_1.ipynb
Контрольная работа
Экзамен
Дополнительные материалы
Курсы по машинному обучению и анализу данных
- Онлайн-учебник по машинному обучению от ШАД
- Курс по машинному обучению К.В. Воронцова
- Курс на платформе "Открытое образование"
Книги
- Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009
- Rosasco L., Introductory Machine Learning Notes, 2017
- Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006
