Машинное обучение на матфаке 2018/2019 — различия между версиями
| Строка 78: | Строка 78: | ||
| 2 || 15/17 сентября || Статистические оценки, проверка гипотез || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Тетрадка и данные] [https://drive.google.com/open?id=19C3EbCb9EObKj8Dj26ctrkMJE3TA0wpr Ссылка для семинара] | | 2 || 15/17 сентября || Статистические оценки, проверка гипотез || [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem02_stats Тетрадка и данные] [https://drive.google.com/open?id=19C3EbCb9EObKj8Dj26ctrkMJE3TA0wpr Ссылка для семинара] | ||
|- | |- | ||
| − | | 3 || 22/24 сентября || метод k ближайших соседей (k-NN), кросс-валидация || Все файлы: [https://drive.google.com/open?id=1RciXNKPgFT1RUBWJih9HtSYbUtLTJC8r Google Drive] [Github], [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem03_knn/sem03_knn.ipynb тетрадка] | + | | 3 || 22/24 сентября || метод k ближайших соседей (k-NN), кросс-валидация || Все файлы: [https://drive.google.com/open?id=1RciXNKPgFT1RUBWJih9HtSYbUtLTJC8r Google Drive] [https://github.com/ischurov/math-ml-hse-2018/tree/master/sem03_knn Github], [http://nbviewer.jupyter.org/github/ischurov/math-ml-hse-2018/blob/master/sem03_knn/sem03_knn.ipynb тетрадка] |
|- | |- | ||
|} | |} | ||
Версия 11:28, 25 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
- Чат курса в Telegram
- Форма обратной связи (можно анонимно)
- Запись на консультацию (вторники, после лекции, консультирует Илья Щуров).
Семинары
| Группа | Преподаватель | Учебный ассистент | Расписание |
|---|---|---|---|
| 1 | Евгения Ческидова | Константин Ваниев | понедельник, 10:30-11:50, ауд. 318 |
| 2 | Евгений Ковалев | Соня Дымченко | 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 = 0.58 * Oдз + 0.42 * 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 | Напоминание: теория вероятностей и статистика. Случайные величины, выборки, оценки | конспект |
| 3 | 18 сентября | Введение в статистическую теорию обучения. Функция потерь, ожидаемая ошибка, регрессионная функция | конспект |
Семинары
| № | Дата | Название | Материалы |
|---|---|---|---|
| 1 | 8/10 сентября | Введение в numpy, pandas, matplotlib | Тетрадка и данные Задачи |
| 2 | 15/17 сентября | Статистические оценки, проверка гипотез | Тетрадка и данные Ссылка для семинара |
| 3 | 22/24 сентября | метод k ближайших соседей (k-NN), кросс-валидация | Все файлы: Google Drive Github, тетрадка |
Как корректно скачать файл с расширением .ipynb с GitHub?
Домашние задания
Новости курса
24.09. Появилось ДЗ№1!
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.
