Машинное обучение на матфаке 2018/2019 — различия между версиями
Svdcvt (обсуждение | вклад) м |
Svdcvt (обсуждение | вклад) м |
||
| Строка 9: | Строка 9: | ||
* [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе) | * [https://docs.google.com/forms/d/e/1FAIpQLSfizsuIP4OqxlJ7IYGKUfB8xYLutvVDJANoZw_I4EH7w_p03Q/viewform Регистрационная форма] (заполните, чтобы получать уведомления о курсе) | ||
* [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub] | * [https://github.com/ischurov/math-ml-hse-2018 Репозиторий с материалами на GitHub] | ||
| − | + | * [https://www.hse.ru/data/2018/08/28/1150124248/program-2227521178-znjnnTPmmc.pdf РПУД] | |
=== Семинары === | === Семинары === | ||
| Строка 51: | Строка 51: | ||
При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). | При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). | ||
|} | |} | ||
| + | |||
== Лекции == | == Лекции == | ||
{| class="wikitable" | {| class="wikitable" | ||
Версия 19:19, 10 сентября 2018
Содержание
О курсе
Курс читается для студентов факультета математики ВШЭ в 1-2 модулях.
Лектор: Щуров Илья Валерьевич
Лекции проходят по вторникам с 14:00 до 15:20 в аудитории 109.
Полезные ссылки
- Регистрационная форма (заполните, чтобы получать уведомления о курсе)
- Репозиторий с материалами на GitHub
- РПУД
Семинары
| Группа | Преподаватель | Учебный ассистент | Чат | Расписание |
|---|---|---|---|---|
| 1 | Евгения Ческидова | Константин Ваниев | ? | понедельник, 10:30-11:50, ауд. 318 |
| 2 | Евгений Ковалев | Соня Дымченко | Ссылка | суббота, 12:00-13:20, ауд. 318 |
Распределение по группам
Пока спрос на семинары в субботу гораздо меньше, чем на семинар в понедельник. Если вы в принципе можете прийти в субботу, пожалуйста, приходите в субботу.
Система оценок
Формула оценки
Результирующая оценка по дисциплине рассчитывается по формуле:
Oитог = 0.7 * Oнакопл + 0.3 * Oэкз
Накопленная оценка рассчитывается по формуле:
Oнакопл = 0.2 * Oсамост + 0.4 * Oдз + 0.4 * OКР
| Подробнее |
Правила вычисления оценокОценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности. Все промежуточные оценки (за домашние, самостоятельные и коллоквиум) могут быть не целыми. Накопленная и итоговая оценки округляются математически, оценки вида «целое + 1/2» округляются вверх. Правила сдачи заданийДедлайны 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. При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). |
Лекции
| № | Дата | Название | Материалы |
|---|---|---|---|
| 1 | 4 сентября | Введение в ml, постановки задач, виды данных | |
| 2 | 11 сентября | Статистические оценки, проверка гипотез |
Семинары
| № | Дата | Название | Материалы |
|---|---|---|---|
| 1 | 8/10 сентября | Введение в numpy, pandas, matplotlib | Тетрадка и данные |
| 2 | 15/17 сентября | Статистические оценки, проверка гипотез | Тетрадка и данные |
Как корректно скачать файл с расширением .ipynb с GitHub?
Новости курса
В этом разделе публикуется текущая информация по курсу
Полезные материалы
Базовые учебники:
- Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
- Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
Дополнительная литература:
- Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
- Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
- Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
- Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
