Просмотр исходного текста страницы Компьютерная лингвистика и информационные технологии

== О курсе ==

Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.

Проводится с 2017 года.

'''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])

'''Ассистенты'''  Антон Ханаев ([mailto:askhanaev@edu.hse.ru Почта], [https://t.me/neeveermoree Telegram ])


=== Правила выставления оценок ===
итоговая оценка = 0.7*накопленная + 0.3*экзамен  

накопленная оценка — средняя по всем домашним заданиям.

# При вычислении накопленной оценки округление не производится  
# Домашнее задание оценивается по 10-балльной шкале.  
# В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу.  
# Дедлайны для каждой домашней работы указываются отдельно.  
# В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов.  
# При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода.  
# При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.
# Экзамен проводится в письменной форме.

=== Рекомендуемая литература ===
# James G. An introduction to statistical learning  
# Bishop. Pattern Recognition and Machine Learning  
# Christopher Manning. Foundations of Statistical Natural Language Processing
# Goodfellow and Bengio. Deep Learning
# [https://github.com/dsgiitr/d2l-pytorch Dive Into Deep Learning]
# [https://github.com/esokolov/ml-course-hse/ курс  Евгения Соколова по машинному обучению на ФКН]


=== Программные средства ===
# jupyter notebook
# numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch

=== Правила сдачи домашних заданий ===
Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''

# Домашнее задание выполняется в jupyter notebook, если явно не указано иное.
# Не стоит выкладывать в репозиторий запакованные файлы.  
# Опоздание считается по последнему сданному заданию в домашней работе

=== Оценки за домашние задания ===
[https://docs.google.com/spreadsheets/d/1PRTNt9VjTIydmXKHq-qd2v9nPG7EPooH-FIR1Zh4sTU/edit?usp=sharing оценки]

=== Экзамен ===
Экзамен проходит в письменной форме и сотоит из 3 частей
# Решение задачи машинного обучения на ноутбуке 
## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.
## Задачи по мотивам домашних работ + обработка текстовых данных.
# Вопрос по теории. 
## Написать формулы где они есть.
# вопрос по применению теории к решению практических задач
## По мотивам теоретических вопросов
## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?

== Семинары ==

{| class="wikitable"
|-
! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн
|-
| 1 || Алгоритмы для обработки текста || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 seminar] ||  [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_1 assignment]  ||  7.10.2019 10:00 am
|-
| 2 || Избранные главы математики для машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_2 seminar]  ||   || 
|-
| 3 || Базовые понятия машинного обучения || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 seminar]   || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_3 assignment]   || 21.10.2019 10:00 am 
|-
| 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_4 seminar] ||   || 
|-
| 5 || Линейный модели классификации||  [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_5 assignment]   || 18.11.2019 23:59 
|-
| 6 || Решающие деревья и ансамбли. ||   [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_6 assignment]   || 2.12.2019 23:59 
|-
| 7 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_7 seminar]  ||   || 
|-
| 8 || Distributed representations. CNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_8 seminar]  || [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_8/assignment_5.ipynb assignment]  ||  29.12.2019 23:59
|-
| 9 || RNN || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_9 seminar]  ||   [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_9 assignment] || 02.02.2020 23:59
|-
| 10 || Seq2seq|| [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_10 seminar]  ||   [https://github.com/thedenaas/hse_seminars/blob/master/2019/seminar_10 assignment] || 23.02.2020 23:59
|- 
|-
| 11 || Transfer learning || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_11 seminar]  ||   || 
|-
| 12 || Information retrieval || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_12 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_12 assignment]  || 13.03.2020 23:59
|-
| 13 || Topic Modeling || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_13 seminar] || [https://github.com/thedenaas/hse_seminars/tree/master/2019/seminar_13 assignment]  || 22.03.2020 23:59
|-

|}