Машинное обучение (ФЭН)

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:

O_{итоговая} = 0.7 * O_{накопленная} + 0.3 * О_экз

Оценка за работу в семестре вычисляется по формуле

O_{накопленная} = 0.2 * O_{самостоятельные} + 0.6 * О_дз + 0.2 * О_{коллоквиум}

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.

Полезные ссылки

[ Программа курса]

1. Репозиторий на GitHub с конспектами лекций Евгения Соколова
   
2. [1] - вводный курс по Python для тех, кто не знаком с языком.
3. [2] - специализация Яндекса и МФТИ на coursera.org.
4. Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
5. Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.

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.

Семинары

Семинар 1.