Введение в анализ данных (майнор ИАД) 2019/2020 — различия между версиями
Esokolov (обсуждение | вклад) |
Esokolov (обсуждение | вклад) |
||
| Строка 1: | Строка 1: | ||
== О курсе == | == О курсе == | ||
| + | Курс читается для студентов 2-го курса [https://electives.hse.ru/minor_intel/ майнора ИАД] в 3-4 модулях. | ||
| − | + | Проводится с 2015 года. | |
| − | + | ||
| − | Проводится с | + | |
'''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич] | '''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич] | ||
| Строка 28: | Строка 27: | ||
{| class="wikitable" | {| class="wikitable" | ||
|- | |- | ||
| − | ! Группа !! Преподаватель !! Учебный ассистент | + | ! Группа !! Преподаватель !! Учебный ассистент !! Материалы семинаров |
|- | |- | ||
| − | | | + | | ИАД-1 || || || |
|- | |- | ||
| − | | | + | | ИАД-2 || || || |
|- | |- | ||
| − | | | + | | ИАД-3 || || || |
|- | |- | ||
| − | | | + | | ИАД-4 || || || |
|- | |- | ||
| − | | | + | | ИАД-5 || || || |
|- | |- | ||
| − | | | + | | ИАД-6 || || || |
| − | + | ||
| − | + | ||
|- | |- | ||
|} | |} | ||
| − | |||
| − | |||
=== Правила выставления оценок === | === Правила выставления оценок === | ||
Версия 22:21, 14 января 2020
Содержание
О курсе
Курс читается для студентов 2-го курса майнора ИАД в 3-4 модулях.
Проводится с 2015 года.
Лектор: Соколов Евгений Андреевич
Лекции проходят по средам в 10:30, ауд. R405 (Покровский бульвар, 11).
Полезные ссылки
Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.minor.dm+<номер группы>@gmail.com (например, hse.minor.dm+3@gmail.com)
Канал в telegram для объявлений:
Чат в telegram для обсуждений:
Ссылка на курс в Anytask:
Таблица с оценками:
Семинары
| Группа | Преподаватель | Учебный ассистент | Материалы семинаров |
|---|---|---|---|
| ИАД-1 | |||
| ИАД-2 | |||
| ИАД-3 | |||
| ИАД-4 | |||
| ИАД-5 | |||
| ИАД-6 |
Правила выставления оценок
В курсе предусмотрено несколько форм контроля знания:
- Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
- Практические домашние работы на Python
- Письменная контрольная работа
- Письменный экзамен
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:
Итог = Округление(0.15 * ПР + 0.4 * ДЗ + 0.15 * КР + 0.3 * Э)
ПР — средняя оценка за самостоятельные работы на семинарах
ДЗ — средняя оценка за практические домашние работы на Python
КР — оценка за контрольную работу
Э — оценка за экзамен
Округление арифметическое.
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. Есть исключения, о них написано ниже.
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
Ко всем конспектам на GitHub есть исходники. Исправления и дополнения всячески приветствуются!
Лекция 1 (6 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [Конспект]
Семинары
Семинар 1. Области применения машинного обучения. Инструменты data scientist'а. Pandas и разведочный анализ данных. [Ноутбук]
Практические задания
За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна — в этом случае за каждый день просрочки продолжает вычитаться по одному баллу (если не оговорено иное).
Задание 1. Работа с Pandas и Matplotlib.
Мягкий дедлайн: 15.09.2019 23:59.
Жесткий дедлайн: 17.09.2019 23:59.
Теоретические домашние задания
Теоретические ДЗ не проверяются, но задачи из них могут войти в проверочные работы на семинарах.
Теоретическое домашнее задание 1: линейная регрессия и векторное дифференцирование [ссылка]
Контрольная работа
Вопросы прошлого года: https://docs.google.com/document/d/1kdeA730ItEqgC-4V_-U2gq_EbpX413XmmE9wMj7Wdh8/edit?usp=sharing
Примеры задач:
- Метрические методы, kNN [Примеры задач]
- Линейные методы [Примеры задач]
- Решающие деревья [Примеры задач]
- Метрики качества [Примеры задач]
Экзамен
Вопросы прошлого года: https://docs.google.com/document/d/1IrRO4kbzKieTWDgJ5UhfPECyU2tvq9CZi2mXgQPzf30/edit?usp=sharing
Примеры задач прошлого года (также могут войти задачи из коллоквиума)
Полезные материалы
Курсы по машинному обучению и анализу данных
- Курс по машинному обучению К.В. Воронцова
- Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов
- Coursera: Машинное обучение и анализ данных (специализация)
- Coursera: Введение в машинное обучение, К.В. Воронцов
- Coursera: Machine Learning, Andrew Ng
Статьи
- An Introduction to Machine Learning Theory and Its Applications: A Visual Tutorial with Examples
- A Visual Introduction to Machine Learning
Книги
- Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
- Boris Mirkin. Core Concepts in Data Analysis: Summarization, Correlation, Visualization. 2010.
- James, Witten, Hastie, Tibshirani. An Introduction to Statistical Learning. 2013.
