ММО Политология 201810 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Оценка за курс)
(Семинары)
(не показаны 34 промежуточные версии этого же участника)
Строка 3: Строка 3:
 
'''[https://docs.google.com/spreadsheets/d/1AtkHcA1BhyVYUAHgFwoi-u955oCpKx8bPJgMXv0u1wA/edit?usp=sharing Оценки]''' <br />
 
'''[https://docs.google.com/spreadsheets/d/1AtkHcA1BhyVYUAHgFwoi-u955oCpKx8bPJgMXv0u1wA/edit?usp=sharing Оценки]''' <br />
 
'''[https://github.com/shestakoff/hse-ml-poly Course repo]<br />
 
'''[https://github.com/shestakoff/hse-ml-poly Course repo]<br />
'''[https://t.me/joinchat/Bw-OoxE5ev-GyHnYzvn-Fw Telegram Group]
+
'''[https://t.me/joinchat/Bw-OoxE5ev-GyHnYzvn-Fw Telegram Group]<br />
 +
'''[https://cloud.mail.ru/public/DgSH/2uUd58zwg Коллоквиум]
  
 
<br />
 
<br />
Строка 27: Строка 28:
 
'''Лекция 1. Введение ''' <br/>
 
'''Лекция 1. Введение ''' <br/>
 
[https://shestakoff.github.io/hse-ml-poly/2018-10/l1-intro/lecture-intro.slides.html#/ Slides] <br/>
 
[https://shestakoff.github.io/hse-ml-poly/2018-10/l1-intro/lecture-intro.slides.html#/ Slides] <br/>
 +
 +
'''Лекция 2. Метрические методы и метрики качества классификации ''' <br/>
 +
[https://shestakoff.github.io/hse-ml-poly/2018-10/l2-knn/lecture-knn.slides.html#/ Slides] <br/>
 +
FYI: [https://sebastianraschka.com/blog/2018/model-evaluation-selection-part4.html Статистические тесты для сравнения качества моделей] <br/>
 +
 +
'''Лекция 3. Деревья принятия решений. Случайный лес ''' <br/>
 +
[https://shestakoff.github.io/hse-ml-poly/2018-10/l3-trees/lecture-trees.slides#/ Slides] <br/>
 +
FYI: [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ beautiful trees intro] <br/>
 +
FYI: [http://blog.datadive.net/interpreting-random-forests/ trees and random forest interpretation] <br/>
 +
 +
'''Лекция 4. Линейные модели. Линейная регрессия ''' <br/>
 +
[https://shestakoff.github.io/hse-ml-poly/2018-10/l4-linear/lecture-linear.slides#/ Slides] <br/>
 +
FYI: [http://www.cazaar.com/ta/econ113/interpreting-beta Интерпретация коэффициентов линейной модели] <br/>
 +
FYI: [https://www.youtube.com/watch?v=UcwI7tY7bss&list=PLu5flfwrnSD5d02G9YJcDv30Fp5_70-sI Курс по эконометрике от Демешева Б.Б.] <br/>
 +
 +
'''Лекция 5. Логистическая регрессия. Методы отбора признаков ''' <br/>
 +
[https://shestakoff.github.io/hse-ml-poly/2018-10/l5-linclass-dimred/lecture-linclass-dimred.slides#/ Slides] <br/>
 +
 +
'''Лекция 6. Методы сжатия признаков. Введение в NLP ''' <br/>
 +
[https://shestakoff.github.io/hse-ml-poly/2018-10/l6-pca-nlp/lecture-pca-nlp-intro.slides#/ Slides] <br/>
 +
 +
'''Лекция 7. NLP. Токенизация, лемматизация, LSA ''' <br/>
 +
[https://shestakoff.github.io/hse-ml-poly/2018-10/l7-nlp/lecture-nlp-intro-v01.slides#/ Slides] <br/>
 +
 +
'''Лекция 8. Методы кластеризации 1 ''' <br/>
 +
[https://shestakoff.github.io/hse-ml-poly/2018-10/l8-clustering/lecture-clust-v01.slides.html#/ Slides] <br/>
  
 
== Семинары ==
 
== Семинары ==
Строка 35: Строка 62:
 
* [http://datacamp-community.s3.amazonaws.com/9f0f2ae1-8bd8-4302-a67b-e17f3059d9e8 Pandas Cheatsheet]
 
* [http://datacamp-community.s3.amazonaws.com/9f0f2ae1-8bd8-4302-a67b-e17f3059d9e8 Pandas Cheatsheet]
 
* [http://datacamp-community.s3.amazonaws.com/e9f83f72-a81b-42c7-af44-4e35b48b20b7 NumPy Cheatsheet]
 
* [http://datacamp-community.s3.amazonaws.com/e9f83f72-a81b-42c7-af44-4e35b48b20b7 NumPy Cheatsheet]
 +
 +
'''[https://cloud.mail.ru/public/5PBj/yxpVbQmWH  Семинар 2.] Метрические методы '''  <br/>
 +
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s2-knn/seminar-knn-proc.ipynb ноутбук]
 +
 +
'''[https://cloud.mail.ru/public/5PBj/yxpVbQmWH  Семинар 3.] Деревья принятия решений '''  <br/>
 +
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s3-trees/seminar-trees-proc.ipynb ноутбук]
 +
 +
'''[https://cloud.mail.ru/public/DjYU/95C2YZ4VG  Семинар 4.] Линейные модели, регрессия. '''  <br/>
 +
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s4-linear/seminar-linear-proc.ipynb ноутбук]
 +
 +
'''[https://cloud.mail.ru/public/CXNQ/p3nLJFQk7  Семинар 5.] Линейные модели, классификация. Методы отбора признаков '''  <br/>
 +
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s5-linclass-dimred/seminar-linclass-dimred-proc.ipynb ноутбук]
 +
 +
'''[https://cloud.mail.ru/public/Lkd4/DuoVaX1xB  Семинар 6.] Методы сжатия признаков '''  <br/>
 +
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s6-pca-nlp/seminar-dimred-nlp-proc.ipynb ноутбук]
 +
 +
'''[https://cloud.mail.ru/public/9aH4/aC9gDZxVy  Семинар 7.] NLP '''  <br/>
 +
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s7-nlp/seminar-nlp-proc.ipynb ноутбук]
 +
 +
'''[https://cloud.mail.ru/public/4AxF/B2aVDby46  Семинар 8.] Кластеризация 1 '''  <br/>
 +
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s8-clustering/seminar-clust-proc.ipynb ноутбук]
  
 
<br/>
 
<br/>
 +
 +
<br/>
 +
 +
== Домашние задания ==
 +
 +
'''[https://cloud.mail.ru/public/NHt7/S32JLe6qM Задание 1]. Дедлайн - 2 Декабря 2018, 23:59 <br/>
 +
'''[https://cloud.mail.ru/public/21Xj/SBo1qMnA6 Задание 2]. Дедлайн - 9 Декабря 2018, 23:59
  
 
== Курсовой проект ==
 
== Курсовой проект ==
  
 
В рамках курса студенты должны применить полученные знания для решения прикладной задачи. Размеры проектных групп 1-3 человека.
 
В рамках курса студенты должны применить полученные знания для решения прикладной задачи. Размеры проектных групп 1-3 человека.
 +
 +
[https://docs.google.com/spreadsheets/d/1yzepgq1jU6idIYCvQFN3a8-1QwodeMAbeVFJzpysYTU/edit?usp=sharing Файл с группами]
  
 
Отчет по проекту должен состоять из следующих частей:
 
Отчет по проекту должен состоять из следующих частей:
Строка 49: Строка 106:
  
 
Защита проекта будет проходить в виде презентации
 
Защита проекта будет проходить в виде презентации
 +
 +
Для вдохновения:
 +
# https://fivethirtyeight.com/
 +
# [https://cloud.mail.ru/public/3kgZ/A5ZcV2j3J Статьи]
  
 
== Плагиат ==
 
== Плагиат ==
Строка 64: Строка 125:
 
== Полезные Ссылки ==
 
== Полезные Ссылки ==
 
=== Machine learning ===
 
=== Machine learning ===
 +
* [https://habr.com/company/ods/blog/322626/ Открытый курс по МО]
 +
* Видео курс по анализу данных от CS Center [https://www.youtube.com/playlist?list=PLlb7e2G7aSpRb95_Wi7lZ-zA6fOjV3_l7 часть 1] и [https://www.youtube.com/playlist?list=PLlb7e2G7aSpT1ntsozWmWJ4kGUsUs141Y часть 2]
 
* [https://github.com/esokolov/ml-course-hse Курс от Евгения Соколова]
 
* [https://github.com/esokolov/ml-course-hse Курс от Евгения Соколова]
 
* [http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница machinelearning.ru]
 
* [http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница machinelearning.ru]
 
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видео лекции Воронцова К.Ю.]
 
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видео лекции Воронцова К.Ю.]
 +
* [https://www.dataoptimal.com/wp-content/uploads/Data-Science-Books-for-2018.pdf Подборка книг по ML]
 
* [http://web.stanford.edu/~hastie/local.ftp/Springer/ESLII_print10.pdf Elements of Statistical Learning (Trevor Hastie, Robert Tibshirani, Jerome Friedman)]
 
* [http://web.stanford.edu/~hastie/local.ftp/Springer/ESLII_print10.pdf Elements of Statistical Learning (Trevor Hastie, Robert Tibshirani, Jerome Friedman)]
  

Версия 13:26, 23 января 2019

Преподаватель - Шестаков Андрей
Форма обратной связи здесь
Оценки
Course repo
Telegram Group
Коллоквиум


Описание курса

Целью данного курса является изучение

  • Основных идеи и принципов машинного обучения с упором на их практическое применение
  • Методов сбора и анализа сложный структур данных

Предполагается, что слушатели прошли вводный курс по языку Python и имеют базовые знания по высшей математике (линейная алгебра, мат. анализ)

Программа курса

Курс оценивается за счет

  1. Тестов на занятиях
  2. Практических и теоретических домашних заданий
  3. Коллоквиума в конце 2го модуля
  4. Проектной работы
  5. Экзамена

Материалы лекций

Лекция 1. Введение
Slides

Лекция 2. Метрические методы и метрики качества классификации
Slides
FYI: Статистические тесты для сравнения качества моделей

Лекция 3. Деревья принятия решений. Случайный лес
Slides
FYI: beautiful trees intro
FYI: trees and random forest interpretation

Лекция 4. Линейные модели. Линейная регрессия
Slides
FYI: Интерпретация коэффициентов линейной модели
FYI: Курс по эконометрике от Демешева Б.Б.

Лекция 5. Логистическая регрессия. Методы отбора признаков
Slides

Лекция 6. Методы сжатия признаков. Введение в NLP
Slides

Лекция 7. NLP. Токенизация, лемматизация, LSA
Slides

Лекция 8. Методы кластеризации 1
Slides

Семинары

Семинар 1. Введение (повторение)
Частично проработанный ноутбук

Семинар 2. Метрические методы
Частично проработанный ноутбук

Семинар 3. Деревья принятия решений
Частично проработанный ноутбук

Семинар 4. Линейные модели, регрессия.
Частично проработанный ноутбук

Семинар 5. Линейные модели, классификация. Методы отбора признаков
Частично проработанный ноутбук

Семинар 6. Методы сжатия признаков
Частично проработанный ноутбук

Семинар 7. NLP
Частично проработанный ноутбук

Семинар 8. Кластеризация 1
Частично проработанный ноутбук



Домашние задания

Задание 1. Дедлайн - 2 Декабря 2018, 23:59
Задание 2. Дедлайн - 9 Декабря 2018, 23:59

Курсовой проект

В рамках курса студенты должны применить полученные знания для решения прикладной задачи. Размеры проектных групп 1-3 человека.

Файл с группами

Отчет по проекту должен состоять из следующих частей:

  1. Мотивация и цель проекта
  2. Формальная постановка задачи
  3. Выгрузка и описание исходных данных
  4. Описание экспериментов и их результаты

Защита проекта будет проходить в виде презентации

Для вдохновения:

  1. https://fivethirtyeight.com/
  2. Статьи

Плагиат

Карается жестоко и на месте

Дедлайны

Дедлайны по всем заданиям являются строгими (то есть после дедлайна работы приниматься не будут).
Сроки сдачи могут быть сдвинуты в индивидуальном порядке в случае существования уважительных причин.

Формат сдачи домашних заданий

Практические ДЗ должны быть выполнены в Jupyter Notebook на языке Python 3. Файл должен успешно выполняться (кроме случаев нестыковки модулей) и содержать только релевантную информацию.
Крайне желательно следовать правилам PEP8

Полезные Ссылки

Machine learning

Python