Машинное обучение на матфаке 2018/2019

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

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:

O_итог = 0.7 * O_накопл + 0.3 * O_экз

Накопленная оценка рассчитывается по формуле:

O_накопл = 0.2 * O_самост + 0.4 * O_дз + 0.4 * O_КР

Подробнее

Правила вычисления оценок

Оценка 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 заданий

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.

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 Задачи
2	15/17 сентября	Статистические оценки, проверка гипотез	Тетрадка и данные Ссылка для семинара

Как корректно скачать файл с расширением .ipynb с GitHub?

Новости курса

В этом разделе публикуется текущая информация по курсу

Полезные материалы

Базовые учебники:

1. Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
2. Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.

Дополнительная литература:

1. Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, 2016.
2. Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
3. Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
4. Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.