Машинное обучение (ФЭН) — различия между версиями
Анастасия (обсуждение | вклад) (Добавлены разделы с лекциями и семинарами) |
Анастасия (обсуждение | вклад) |
||
Строка 40: | Строка 40: | ||
По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше. | По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше. | ||
− | |||
− | |||
− | |||
− | |||
− | |||
− | |||
− | |||
− | |||
− | |||
Строка 74: | Строка 65: | ||
'''Лекция 2''' (14 сентября). Линейные методы регрессии. | '''Лекция 2''' (14 сентября). Линейные методы регрессии. | ||
+ | |||
+ | |||
+ | [https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова]<br /> | ||
== Семинары == | == Семинары == | ||
'''Семинар 1'''. | '''Семинар 1'''. | ||
+ | == Полезные материалы == | ||
+ | ===Книги=== | ||
+ | * Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009. | ||
+ | * Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006. | ||
+ | * 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. | ||
+ | * Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013. | ||
+ | |||
+ | ===Курсы по машинному обучению и анализу данных=== | ||
+ | * [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН] | ||
+ | * [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова] | ||
+ | * [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов] | ||
+ | * [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)] | ||
+ | * [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов] |
Версия 01:30, 5 сентября 2018
Содержание
О курсе
Преподаватели: Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович.
Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214.
Семинары
Группа | Преподаватель | Учебный ассистент | Чат | Расписание |
---|---|---|---|---|
4 курс эконома | Борис Демешев | Анастасия Максимовская | пятница 10:30, ауд. 3316 | |
3 курс эконома-1 | Артем Филатов | Анастасия Рогачевская | пятница 10:30, ауд. 3317 | |
3 курс эконома-2 | Артур Петросян | -- | суббота 9:00, ауд. 3316 |
Правила выставления оценок
В курсе предусмотрено несколько форм контроля знания:
- Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
- Практические домашние работы на Python
- Соревнование по анализу данных
- Устный коллоквиум в конце 1-го модуля
- Устный 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 * Околлоквиум
Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.
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.
По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.
Канал в telegram для объявлений:
Чат в telegram для обсуждений:
Коллоквиум
После первого модуля будет проведен устный коллоквиум.
Правила
- коллоквиум будет включать в себя теоретические вопросы и задачи
- список теоретических вопросов вопросов будет опубликован позже
- задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
- на подготовку и ответ будет выделено примерно по 10 минут
- пользоваться при подготовке ничем нельзя
Экзамен
В конце курса будет проведен устный экзамен.
Лекции
Лекция 1 (1 сентября). Введение в машинное обучение.
Лекция 2 (14 сентября). Линейные методы регрессии.
Репозиторий на GitHub с конспектами лекций Евгения Соколова
Семинары
Семинар 1.
Полезные материалы
Книги
- Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.r, 2009.
- Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
- 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.
- Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.