Машинное обучение (ФЭН)

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск

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.

Таблица с оценками

Семинары

Группа Преподаватель Учебный ассистент Gitlab Username Расписание
4 курс эконома Борис Демешев Анастасия Максимовская anastasiyamax пятница 10:30, ауд. 3316
3 курс эконома-1 Артем Филатов Анастасия Рогачевская arogachewskaya пятница 10:30, ауд. 3317
3 курс эконома-2 Артур Петросян Алексей Иванов 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.

Коллоквиум

Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00. Третий курс приходит к 9:00, четвертый курс - к 10:30.

Правила

  • коллоквиум будет включать в себя теоретические вопросы и задачи
  • список теоретических вопросов: ссылка
  • 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 (7 сентября). Введение в машинное обучение. Слайды

Лекция 2 (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента). Слайды

Лекция 3 (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация). Слайды

Лекция 4 (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон). Слайды

Лекция 5 (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта). Слайды

Лекция 6 (12 октября). Многоклассовая классификация. Ядровые методы. Слайды

Лекция 7 (19 октября). Работа с признаками (методы отбора признаков, метод главных компонент и сингулярное разложение). Слайды

Лекция 8 (2 ноября). Решающие деревья. Слайды

Лекция 9 (9 ноября). Композиции алгоритмов (общая идея bias-variance decomposition, бэггинг, случайные леса). Слайды

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.

Курсы по машинному обучению и анализу данных