Машинное обучение (ФЭН) - 2021-2022

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

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

Лекции проводятся в Zoom по вторникам в 13:00: Zoom

Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_Econom_2021-2022

Ссылки на видеозаписи занятий

Записи лекций и семинаров: https://www.youtube.com/playlist?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db
На данный момент, очные занятия проводятся только в учебной группе у Ивана Липатова.

Как связаться с преподавателями и куда сдавать домашки

Группа Ссылка Преподаватель Учебный ассистент Инвайт в anytask Чат в telegram
Понедельник 9:30 offline in R612 Иван Липатов Савелий Прохоров ra2bp0A Чат МО ФЭН1
Вторник 14:40 Zoom Елена Кантонистова Никита Патов, Юлия Яхина bOfb5f1 Чат МО ФЭН2
Среда 9:30 Zoom Марина Ананьева Максим Гудзикевич WssQgOY

Чат МО ФЭН3

Правила выставления оценок

В курсе предусмотрено несколько форм контроля знания:

  • самостоятельные работы на семинарах (пятиминутки);
  • коллоквиум в сессию первого модуля (письменный);
  • домашние задания (в том числе соревнование на Kaggle);
  • экзамен в сессию второго модуля (письменный).

Все работы оцениваются в 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


  • Активная работа на семинаре добавляет +3 балла к следующей пятиминутке (максимум за пятиминутку в любом случае 10 баллов).
  • 20% слушателей с наибольшим накопленным баллом получают автоматом 10 баллов за курс.

Коллоквиум

Коллоквиум будет проходить в сессию первого модуля. Коллоквиум проходит в письменном виде.

Подробности будут объявлены позже.

Экзамен

Экзамен будет проходить в сессию второго модуля. Экзамен проходит в письменном виде.

Подробности будут объявлены позже.

Лекции

Материалы лекций: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Лекции

Плейлист с лекциями и семинарами: https://youtube.com/playlist?list=PLEwK9wdS5g0qi14fXKFnFzruUDg3nl6db


Лекция 1. Введение в машинное обучение.

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: https://github.com/Murcha1990/ML_Econom_2021-2022/tree/main/Семинары

Общий плейлист видео с семинаров и лекций: YouTube


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 7 домашних заданий. Формула вычисления итоговой оценки: взвешенное среднее из 6 домашних заданий с максимальными баллами.

Каждое домашнее задание имеет индивидуальный вес, который будет появляться одновременно с появлением очередного домашнего задания.

Все домашние работы, а также пятиминутки в начале семинаров необходимо сдавать в Anytask.

Домашняя работа 1. Линейная регрессия и векторное дифференцирование | Дедлайн - 29 сентября в 23:59

Домашняя работа 2.

Домашняя работа 3.

Домашняя работа 4.

Домашняя работа 5.

Домашняя работа 6.

Домашняя работа 7.

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