Майнор Интеллектуальный анализ данных/Введение в анализ данных

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск

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, 10:30 - 11:50, ауд. 5215 (Шаболовка, 26).


Полезные ссылки

Карточка курса и программа

Репозиторий с материалами на GitHub

Почта для сдачи домашних заданий: hse.minor.dm+<номер группы>@gmail.com (например, hse.minor.dm+3@gmail.com)

Канал в telegram для объявлений: https://telegram.me/hse_minor_intro_dm_2018

Таблица с оценками

Оставить отзыв на курс: форма

Вопросы по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу. Вопросы по материалам лекций лучше всего оформлять в виде Issue в github-репозитории курса.

Семинары

Группа Преподаватель Учебный ассистент Страница Расписание
ИАД-1 Рысьмятова Анастасия Багиян Нерсес
Telegram, Mail
среда, 12:10 - 13:30, ауд. 4336
ИАД-2 Талгат Даулбаев, Надежда Чиркова Першин Максим
Telegram, Mail
Страница среда, 09:00 - 10:20, ауд. 4336
ИАД-3 ?? Ковалев Евгений
Telegram, VK
среда, 09:00 - 10:20, ауд.
ИАД-4 Надежда Чиркова, Талгат Даулбаев Вальчук Ксения
Telegram, Mail
Страница среда, 12:10 - 13:30, ауд. 4335
ИАД-5 Филатов Артём Рогачевская Анастасия
Telegram, Mail
Telegram среда, 12:10 - 13:30, ауд.

Правила выставления оценок

В курсе предусмотрено несколько форм контроля знания:

  • Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров
  • Практические домашние работы на Python
  • Контрольная где-то в середине курса
  • Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Оконтрольная

Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям.

Правила сдачи заданий

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 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

Файлы со слайдами очень легко скачать с GitHub с помощью кнопки Raw!

Лекция 1 (17.01.2017). Введение в машинное обучение и анализ данных. [Слайды]

Семинары

Семинар 1 (17.01.2018). Библиотека для работы с матрицами Numpy. [Необязательное домашнее задание для тренировки]

Коллоквиум

Вопросы прошлого года: https://docs.google.com/document/d/1jAiUeCYDPzeElDd5muzhVNQ4ylQFqs_iHPVseoSWlb4/edit?usp=sharing

Примеры задач прошлого года:

Экзамен

Вопросы прошлого года: https://docs.google.com/document/d/1IU2jEN5NU3tSuP_5YnFSS2GUDYxoLfSQ4dSy1B_a29M/edit?usp=sharing

Примеры задач прошлого года (также могут войти задачи из коллоквиума)

Если накопленная оценка равна 6 или выше, то можно её автоматом перенести в накопленную. Необходимое условие — хорошая оценка за контрольную работу (точный порог будет объявлен позже).

Полезные материалы

Курсы по машинному обучению и анализу данных

Статьи

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.

Страницы прошлых лет

2016/17 учебный год

2015/16 учебный год