Машинное обучение (ФЭН) - 2021-2022
Содержание
О курсе
Преподаватели:
Лекции - Кантонистова Елена Олеговна
Семинары - Кантонистова Елена Олеговна, Ананьева Марина Евгеньевна, Липатов Иван Константинович
Лекции и семинары
Канал курса: https://t.me/ml_econom
Ссылка на youtube-канал с видеозаписями лекций и семинаров: <появится вскоре после проведения первой лекции или первого семинара>
Все материалы лекций и семинаров находятся здесь: <чуть позже здесь появится ссылка на GitHub-репозиторий этого курса>
Ссылки на занятия в ZOOM
Лекция: <появится несколько позднее>
Семинар: <чуть позже>
Как связаться с преподавателями и куда сдавать домашки
| Группа | Преподаватель | Учебный ассистент | Инвайт в anytask | Чат в telegram |
|---|
Правила выставления оценок
В курсе предусмотрено несколько форм контроля знания:
- самостоятельные работы на семинарах (пятиминутки);
- контрольная работа на семинаре;
- домашние задания (в том числе соревнование на Kaggle);
- коллоквиум;
- экзамен.
Все работы оцениваются в 10 баллов.
<В прошлом году> Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:
0.3 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.3 * Экзамен
<По прошлому году> 20% слушателей с наибольшим накопленным баллом получают автоматом 10 баллов за курс.
Коллоквиум
Коллоквиум будет проходить ближе к середине-концу октября будут известны точные дата и время. Онлайн.
На коллоквиуме вам будет предложен билет, состоящий из одного теоретического вопроса и одной задачи из задачника. Кроме того, вы должны знать ответы на вопросы из списка "Теоретический минимум". Подробности по организации коллоквиума будут объявлены позже.
Вопросы к коллоквиуму тут: <ссылка появится позже>
Ссылка для записи на коллоквиум: <аналогично позже>
Экзамен
Экзамен будет проходить: ориентировочно в середине декабря.
Билеты здесь: <позже>
Лекции
Материалы лекций: <ссылка появится вместе с созданием репозитория курса 2021-2022 учебного года>
Лекция 1. Введение в машинное обучение. Основы линейной алгебры и матричного дифференцирования
Лекция 2. Линейная регрессия, градиентный спуск
Лекция 3. Метрики качества регрессии
Лекция 4. Линейные классификаторы (1).
Лекция 5. Линейные классификаторы (2).
Лекция 6. Многоклассовая классификация. Нелинейные модели. Калибровка вероятностей.
Лекция 7. Работа с текстовыми данными. Работа с выбросами
Лекция 8. Снижение размерности
Лекция 9. Решающие деревья
Лекция 10. Бэггинг
Лекция 11. Бустинг
Лекция 12. Временные ряды.
Лекция 13. Кластеризация и визуализация данных.
Лекция 14. Введение в нейронные сети.
Семинары
Материалы семинаров: <ссылка появится немного позднее>
Семинар 1. Основы линейной алгебры и матричного дифференцирования
Семинар 2. Одномерная регрессия ручками, градиентный спуск
Семинар 3. Вывод оптимальных констант некоторых функций потерь. Обсуждение предобработки данных
Семинар 4. Решение теоретико-практических задач.
Семинар 5. Теоретические задачи на персептрон и логистическую регрессию
Семинар 6. Решение теоретико-практических задач
Семинар 7. Обсуждение feature extraction и feature selection
Семинар 8. Решение теоретико-практических задач
Семинар 9. Решение теоретико-практических задач
Семинар 10. Решение теоретико-практических задач
Семинар 11. Бустинг и его имплементации
Семинар 12. Catboost
Семинар 13. Временные ряды
Семинар 14. Кластеризация
Домашние задания
На курсе планируется около 10 домашних заданий. Формула вычисления итоговой оценки: среднее из n-2 домашних заданий с максимальными баллами, где n - это итоговое количество домашек.
Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в Anytask.
Домашняя работа 1 (10 баллов).
Домашняя работа 2.
Домашняя работа 3.
Домашняя работа 4.
Домашняя работа 5.
Домашняя работа 6.
Домашняя работа 7.
Домашняя работа 8.
Домашняя работа 9.
Домашняя работа 10.
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.
