ММО Политология 201810 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Курсовой проект)
(не показана одна промежуточная версия этого же участника)
Строка 129: 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.
  
[https://docs.google.com/spreadsheets/d/1yzepgq1jU6idIYCvQFN3a8-1QwodeMAbeVFJzpysYTU/edit?usp=sharing Файл с группами]
+
К 1 марта надо прислать ссылку на собранные данные для анализа и краткий план самого анализа и выполнения задач:  
 +
# Какие будут шаги,
 +
# Какие методы использованы,
 +
# Что будет получено на выходе,
 +
# Как будет измерен результат
  
Отчет по проекту должен состоять из следующих частей:
+
[https://docs.google.com/spreadsheets/d/1yzepgq1jU6idIYCvQFN3a8-1QwodeMAbeVFJzpysYTU/edit?usp=sharing Файл с группами]
# Мотивация и цель проекта
+
# Формальная постановка задачи
+
# Выгрузка и описание исходных данных
+
# Описание экспериментов и их результаты
+
  
 
Защита проекта будет проходить в виде презентации.
 
Защита проекта будет проходить в виде презентации.

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