ММО Политология 201810 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Материалы лекций)
(Курсовой проект)
(не показано 45 промежуточных 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 />
  
 
<br />
 
<br />
Строка 36: Строка 36:
 
FYI: [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ beautiful trees intro] <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/>
 
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/>
 +
 +
'''Лекция 9. Методы кластеризации 2 ''' <br/>
 +
[https://shestakoff.github.io/hse-ml-poly/2018-10/l9-clustering2/lecture-clust2.slides.html#/ Slides] <br/>
 +
 +
'''Лекция 10. Введение в тематическое моделирование ''' <br/>
 +
[https://shestakoff.github.io/hse-ml-poly/2018-10/l10-topic-modelling/lecture-topics.slides.html#/ Slides] <br/>
 +
 +
'''Лекция 11. Введение в анализ сетевых структур ''' <br/>
 +
[https://shestakoff.github.io/hse-ml-poly/2018-10/l11-sna-intro/lecture-sna-intro.slides.html#/ Slides] <br/>
 +
 +
'''Лекция 12. Выявление сообществ на сети ''' <br/>
 +
[https://shestakoff.github.io/hse-ml-poly/2018-10/l12-sna-communities/lecture-sna-communities.slides.html#/ Slides] <br/>
 +
 +
'''Лекция 13. Введение в рекомендательные системы ''' <br/>
 +
[https://shestakoff.github.io/hse-ml-poly/2018-10/l13-recsys-intro/lecture-recsys.slides.html#/ Slides] <br/>
  
 
== Семинары ==
 
== Семинары ==
Строка 51: Строка 83:
 
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s3-trees/seminar-trees-proc.ipynb ноутбук]  
 
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]
 +
 +
'''[https://cloud.mail.ru/public/Aqr9/iBWB8wcRR  Семинар 9.] Кластеризация 2 '''  <br/>
 +
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s9-clustering2/seminar-clust2-proc.ipynb ноутбук]
 +
 +
'''[https://cloud.mail.ru/public/4hqt/tA1nUFq3G  Семинар 10.] Введение в тематические модели'''  <br/>
 +
Частично проработанный [https://github.com/shestakoff/hse-ml-poly/blob/master/2018-10/s10-topic-modelling/seminar-topics-proc.ipynb ноутбук]
 
<br/>
 
<br/>
 +
'''[https://cloud.mail.ru/public/DgSH/2uUd58zwg  Разбор коллоквиума.]'''  <br/>
 +
 +
'''[https://cloud.mail.ru/public/HV4k/k6Dmwim8V  Семинар 11.] Анализ сетевых структур'''  <br/>
 +
Частично проработанный [https://github.com/shestakoff/hse-ml-poly/blob/master/2018-10/s11-sna-intro/seminar-sna-intro-proc.ipynb ноутбук]
 +
 +
'''[https://cloud.mail.ru/public/9bEX/nDQ8u6XbM  Семинар 12.] Cообщества в сетях'''  <br/>
 +
Частично проработанный [https://github.com/shestakoff/hse-ml-poly/blob/master/2018-10/s12-communities/seminar-sna-communities-proc.ipynb ноутбук]
 +
 +
'''[https://cloud.mail.ru/public/AZ2X/vathduSDg  Семинар 13.] Рекомендашки'''  <br/>
 +
Частично проработанный [https://github.com/shestakoff/hse-ml-poly/blob/master/2018-10/s13-recsys-intro/seminar-recsys-proc.ipynb ноутбук]
 +
 +
 +
<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 <br/>
 +
'''[https://cloud.mail.ru/public/6dJB/DBrDFr2Ad Задание 3]. Дедлайн - 8 Февраля 2019, 23:59 <br/>
 +
'''[https://cloud.mail.ru/public/LWCE/Eb1uiQ4nN Задание 4]. Дедлайн - 19 февраля 2019, 23:59
  
 
== Курсовой проект ==
 
== Курсовой проект ==
Строка 58: Строка 129:
 
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.
  
Отчет по проекту должен состоять из следующих частей:
+
К 1 марта надо прислать ссылку на собранные данные для анализа и краткий план самого анализа и выполнения задач:  
# Мотивация и цель проекта
+
# Какие будут шаги,
# Формальная постановка задачи
+
# Какие методы использованы,
# Выгрузка и описание исходных данных
+
# Что будет получено на выходе,
# Описание экспериментов и их результаты
+
# Как будет измерен результат
 +
 
 +
[https://docs.google.com/spreadsheets/d/1yzepgq1jU6idIYCvQFN3a8-1QwodeMAbeVFJzpysYTU/edit?usp=sharing Файл с группами]
 +
 
 +
Защита проекта будет проходить в виде презентации.
 +
 
 +
Вес проектной работы = 2 домашкам
  
Защита проекта будет проходить в виде презентации
+
Для вдохновения:
 +
# https://fivethirtyeight.com/
 +
# [https://cloud.mail.ru/public/3kgZ/A5ZcV2j3J Статьи]
  
 
== Плагиат ==
 
== Плагиат ==

Версия 20:54, 21 февраля 2019

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


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

Лекция 9. Методы кластеризации 2
Slides

Лекция 10. Введение в тематическое моделирование
Slides

Лекция 11. Введение в анализ сетевых структур
Slides

Лекция 12. Выявление сообществ на сети
Slides

Лекция 13. Введение в рекомендательные системы
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

Семинар 9. Кластеризация 2
Частично проработанный ноутбук

Семинар 10. Введение в тематические модели
Частично проработанный ноутбук
Разбор коллоквиума.

Семинар 11. Анализ сетевых структур
Частично проработанный ноутбук

Семинар 12. Cообщества в сетях
Частично проработанный ноутбук

Семинар 13. Рекомендашки
Частично проработанный ноутбук



Домашние задания

Задание 1. Дедлайн - 2 Декабря 2018, 23:59
Задание 2. Дедлайн - 9 Декабря 2018, 23:59
Задание 3. Дедлайн - 8 Февраля 2019, 23:59
Задание 4. Дедлайн - 19 февраля 2019, 23:59

Курсовой проект

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

К 1 марта надо прислать ссылку на собранные данные для анализа и краткий план самого анализа и выполнения задач:

  1. Какие будут шаги,
  2. Какие методы использованы,
  3. Что будет получено на выходе,
  4. Как будет измерен результат

Файл с группами

Защита проекта будет проходить в виде презентации.

Вес проектной работы = 2 домашкам

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