Машинное обучение на больших данных 2020 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Новая страница: «== О курсе == Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 4 модуле. Про…»)
 
(Добавил актуальную информацию о курсе на 2020 год)
Строка 1: Строка 1:
 
== О курсе ==
 
== О курсе ==
  
−
Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 4 модуле. Проводится с 2017 года.
+
Курс читается для студентов 4-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3 модуле. Проводится с 2017 года.
  
 
'''Лектор:''' [https://www.hse.ru/org/persons/175396509 Зимовнов Андрей Вадимович]
 
'''Лектор:''' [https://www.hse.ru/org/persons/175396509 Зимовнов Андрей Вадимович]
  
−
Лекции ПМИ проходят по пятницам, 16:40 - 18:00, ауд. 205.
+
Лекции ПМИ проходят по четвергам, 10:30 - 11:50, ауд. R407.
−
 
+
−
Лекции ФТиАД (Современные методы принятия решений: Алгоритмы обработки больших данных) проходят по пятницам, 18:10 - 19:30, ауд. 311.
+
  
 
Вычислительные мощности в облаке Azure для курса предоставила компания Microsoft.
 
Вычислительные мощности в облаке Azure для курса предоставила компания Microsoft.
Строка 13: Строка 11:
 
=== Полезные ссылки ===
 
=== Полезные ссылки ===
  
−
[https://github.com/ZEMUSHKA/lsml_hse Репозиторий с материалами на GitHub]
+
[https://github.com/ZEMUSHKA/lsml_hse_lectures Репозиторий с материалами на GitHub]
  
−
Домашние задания сдаются в Dropbox.
+
Самостоятельные задачи здаются в Dropbox. Для каждого семинара своя отдельная ссылка на прием заданий:
  
−
Канал в telegram для объявлений: https://t.me/lsml18announces
+
* Семинар 1. MapReduce. - https://www.dropbox.com/request/DxQZg2jEwvTQxmUnmIdh
 +
* Семинар 2. Hadoop MapReduce. - https://www.dropbox.com/request/4zMflMWC7YogYvbXeOP4
 +
* To be continued...
  
−
Чат для ПМИ с преподавателями, где можно задавать вопросы (не флудить): https://t.me/lsml18
+
Канал в telegram для объявлений: https://t.me/joinchat/AAAAAFj8HdBYgd79RDeQpg
  
−
Чат для ФТиАД: https://t.me/joinchat/BiAzMw174T7yFKPp1UcwOA
+
Заметки с семинаров (там же указываются задачи для самостоятельного решения) - https://github.com/ADKosm/lsml-seminars-2020-public
−
 
+
−
Таблица с оценками: https://docs.google.com/spreadsheets/d/1hPlx0ad1NvpOxuJEjcsWanUjtsWgD07h0ogALucwswk/edit?usp=sharing
+
−
 
+
−
Оставить отзыв на курс: ?
+
  
 
Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.
 
Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.
Строка 33: Строка 29:
 
{| class="wikitable"
 
{| class="wikitable"
 
|-
 
|-
−
! Группа !! Преподаватель !! Учебный ассистент !! Страница !! Расписание
+
! Группа !! Преподаватель !! Время !! Аудитория
 
|-
 
|-
−
| МОП 151 || [https://www.hse.ru/org/persons/141880775 Умнов Алексей Витальевич] || ? || ? || ?
+
| МОП 161 || Бардуков Анатолий Андреевич || Четверг 12:10-13:30 || R614
 
|-
 
|-
−
| МОП 152 || Кузнецов Максим Дмитриевич || ? || ? || ?
+
| МОП 162 || Космачев Алексей Дмитриевич || Среда 10:30-11:50 || M202
 
|-
 
|-
−
| РС 155 || Кузнецов & Умнов || ? || ? || ?
 
−
|-
 
 
|}
 
|}
  
−
Ассистенты: Анвардинов Шариф Ринатович, Головнин Виктор Игоревич
+
Ассистенты: Анвардинов Шариф Ринатович
  
 
=== Консультации ===
 
=== Консультации ===
Строка 52: Строка 46:
  
 
В курсе предусмотрено несколько форм контроля знания:
 
В курсе предусмотрено несколько форм контроля знания:
−
* Практические домашние работы на Python
+
* Самостоятельные задания, выдаваемые на каждом семинаре. Дедлайн на сдачу заданий - 2 недели с момента проведения семинара. Не включая день семинара через две недели.
−
* Письменный экзамен
+
* Практическое домашнее задание (будет выдано ориентировочно на 3 семинаре).
 +
* Письменный экзамен.
  
−
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:
+
Итоговая оценка вычисляется:
  
−
O<sub>итоговая</sub> = 0.7 * O<sub>накопленная</sub> + 0.3 * О<sub>экз</sub>
+
O<sub>итоговая</sub> = 0.5* O<sub>домашка</sub> + 0.2 * O<sub>сам. раб.</sub> + 0.3 * О<sub>экзамен</sub>
  
−
Оценка за работу в семестре вычисляется по формуле
+
Автомат возможен при высоких оценках за практическое домашнее задание и решенные самостоятельные задания.
−
 
+
−
O<sub>накопленная</sub> = 0.35 * O<sub>дз1</sub> + 0.35 * О<sub>дз2</sub> + 0.3 * О<sub>работа_на_семинаре</sub>
+
−
 
+
−
Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.
+
  
 
=== Правила сдачи заданий ===
 
=== Правила сдачи заданий ===
  
−
На каждое домашнее задание каждому студенту отводится ~2 недели беспрерывной работы ресурсов в облаке Azure.  
+
На каждое домашнее задание каждому студенту отводится ~500$ для работы в облаке Azure.  
−
Лучше останавливать машины, как написано в инструкции, когда вы их не используете, так всем точно хватит ресурсов.
+
Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.
  
 
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
 
Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.
  
 
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 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 (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.
 
  
 
== Лекции ==
 
== Лекции ==
  
−
'''Лекция 1''' (6 апреля). Онлайн-обучение и линейные модели [[https://github.com/ZEMUSHKA/lsml_hse_lectures/blob/master/lecture1.pdf Слайды]]
+
'''Лекция 1.''' Введение. Hadoop MR, Spark. [https://github.com/ZEMUSHKA/lsml_hse_lectures/blob/master/lecture1.pdf Ссылка на слайды лекции]
  
−
'''Лекция 2''' (13 апреля). Введение в Apache Spark [[https://github.com/ZEMUSHKA/lsml_hse_lectures/blob/master/lecture2.pdf Слайды]]
+
To be continued...
−
 
+
−
'''Лекция 3''' (27 апреля). Рекомендательные системы [[https://github.com/ZEMUSHKA/lsml_hse_lectures/blob/master/lecture3.pdf Слайды]]
+
−
 
+
−
'''Лекция 4''' (11 мая). Градиентный бустинг [[https://github.com/ZEMUSHKA/lsml_hse_lectures/blob/master/lecture4.pdf Слайды]]
+
−
 
+
−
'''Лекция 5''' (18 мая). Введение в TensorFlow [[https://github.com/ZEMUSHKA/lsml_hse_lectures/blob/master/lecture5.pdf Слайды]]
+
−
 
+
−
'''Лекция 6''' (1 июня). Сверточные сети [[https://github.com/ZEMUSHKA/lsml_hse_lectures/blob/master/lecture6.pdf Слайды]]
+
−
 
+
−
'''Лекция 7''' (12 июня). Распараллеливание нейросетей и примеры применения [[https://github.com/ZEMUSHKA/lsml_hse_lectures/blob/master/lecture7.pdf Слайды]] [[https://www.twitch.tv/videos/272410727 Видео]] [[https://www.dropbox.com/s/jrmytfucrbw2tpt/twitch_lecture7.mp4?dl=0 Видео Dropbox]]
+
−
 
+
−
'''Лекция 8''' (18 июня). Bloom Filter, Count-Min Sketch, MinHash, LSH [[https://github.com/ZEMUSHKA/lsml_hse_lectures/blob/master/lecture8.pdf Слайды]] [[https://www.twitch.tv/videos/274758513 Видео]] [[https://www.dropbox.com/s/2lsgr4wnbgtl7rp/twitch_lecture8.mp4?dl=0 Видео Dropbox]]
+
  
 
== Практические задания ==
 
== Практические задания ==
  
−
'''Задание 1.''' Рекомендательная система на Apache Spark
+
TBD.
−
 
+
−
Дата выдачи: 08.05.2018 23:59MSK
+
−
 
+
−
Дедлайн: 24.05.2018 23:59MSK
+
−
 
+
−
Условие: https://docs.google.com/document/d/1JZ2ODuCO18tLrVPFx9k9Df_b7IbRZtgZ1MGHcLqHxFs/edit?usp=sharing
+
−
 
+
−
'''Задание 2.''' Сверточные сети в TensorFlow
+
−
 
+
−
Дата выдачи: 03.06.2018 23:59MSK
+
−
 
+
−
Дедлайн: 19.06.2018 23:59MSK
+
−
 
+
−
Условие: https://docs.google.com/document/d/1W49mchgR46gdC9UBMWurqD_eIH0LatgmXcZliaw32_0/edit
+
  
 
== Экзамен ==
 
== Экзамен ==
  
−
Дата: 23 июня 2018
+
Дата: ?
  
 
Место: ?
 
Место: ?
  
−
Вопросы к экзамену: https://docs.google.com/document/d/1xtQv7vIfo2b7ZOvnw5U7SB2gatAFHUs5Xf65a8ps7k4/edit?usp=sharing
+
Вопросы к экзамену: ?  
  
 
== Полезные материалы ==
 
== Полезные материалы ==

Версия 22:39, 31 января 2020

О курсе

Курс читается для студентов 4-го курса ПМИ ФКН ВШЭ в 3 модуле. Проводится с 2017 года.

Лектор: Зимовнов Андрей Вадимович

Лекции ПМИ проходят по четвергам, 10:30 - 11:50, ауд. R407.

Вычислительные мощности в облаке Azure для курса предоставила компания Microsoft.

Полезные ссылки

Репозиторий с материалами на GitHub

Самостоятельные задачи здаются в Dropbox. Для каждого семинара своя отдельная ссылка на прием заданий:

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAFj8HdBYgd79RDeQpg

Заметки с семинаров (там же указываются задачи для самостоятельного решения) - https://github.com/ADKosm/lsml-seminars-2020-public

Ошибки в материалах лекций/семинаров/заданий лучше всего оформлять в виде issue на github.

Семинары

Группа Преподаватель Время Аудитория
МОП 161 Бардуков Анатолий Андреевич Четверг 12:10-13:30 R614
МОП 162 Космачев Алексей Дмитриевич Среда 10:30-11:50 M202

Ассистенты: Анвардинов Шариф Ринатович

Консультации

Консультации с преподавателями и учебными ассистентами (если иное не оговорено на странице семинаров конкретной группы) по курсу проводятся по предварительной договорённости ввиду невостребованности регулярных консультаций.

Правила выставления оценок

В курсе предусмотрено несколько форм контроля знания:

  • Самостоятельные задания, выдаваемые на каждом семинаре. Дедлайн на сдачу заданий - 2 недели с момента проведения семинара. Не включая день семинара через две недели.
  • Практическое домашнее задание (будет выдано ориентировочно на 3 семинаре).
  • Письменный экзамен.

Итоговая оценка вычисляется:

Oитоговая = 0.5* Oдомашка + 0.2 * Oсам. раб. + 0.3 * Оэкзамен

Автомат возможен при высоких оценках за практическое домашнее задание и решенные самостоятельные задания.

Правила сдачи заданий

На каждое домашнее задание каждому студенту отводится ~500$ для работы в облаке Azure. Важно останавливать\удалять ресурсы, создаваемые в облаке, так как в противном случае финансов может не хватить для выполнения всех заданий. Полезно при этом овладеть навыком сохранения промежуточных данных в облачном хранилище - это позволит максимально быстро выполнять задания с минимальными финансовыми затратами.

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

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.

Лекции

Лекция 1. Введение. Hadoop MR, Spark. Ссылка на слайды лекции

To be continued...

Практические задания

TBD.

Экзамен

Дата: ?

Место: ?

Вопросы к экзамену: ?

Полезные материалы

Книги

  1. Ron Bekkerman, Mikhail Bilenko, John Langford. Scaling up Machine Learning: Parallel and Distributed Approaches, Cambridge University Press, 2011.
  2. Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets, Cambridge University Press, 2014.
  3. Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning (Adaptive Computation and Machine Learning series), The MIT Press, 2016.
  4. Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, O'Reilly Media, 2015.
Источник — «http://wiki.cs.hse.ru/index.php?title=Машинное_обучение_на_больших_данных_2020&oldid=38488»