Машинное обучение (ФЭН) - 2022-2023 — различия между версиями

Версия 22:02, 7 сентября 2022

О курсе

Преподаватели:

Лекции - Кантонистова Елена Олеговна

Семинары - Кантонистова Елена, Максимовская Анастасия, Конюшенко Юлия

Лекции и семинары

В курсе планируется 12 лекций и 10 семинаров.

Канал курса: https://t.me/https://t.me/ml_econom_22

Лекции проводятся по понедельникам в 11:10 (вторая пара) в аудитории R305 на Покровском бульваре.

Все материалы лекций и семинаров находятся здесь: https://github.com/Murcha1990/ML_econom_2022-2023

Как связаться с преподавателями и куда сдавать домашки

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:

0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.25 * 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 накопленный балл автоматом.

Коллоквиум

Коллоквиум будет проходить в сессию первого модуля [дата, время]
В письменной форме (на листочке).

Общая информация:

• Коллоквиум рассчитан на 75 минут (1 час 15 мин), еще 5 минут у вас будет на проверку написанного и сдачу листочков.
• Коллоквиум оценивается в 10 баллов и весит 20% от итоговой оценки за курс.
• Если мы заподозрим, что вы списали, то и вы, и человек, поделившийся решением, получаете 0 баллов. В случае, если вы не согласны с обвинениями в списывании, вы можете защитить работу устно: в этом случае мы спросим решение абсолютно любого задания из вашей работы, а также можем попросить решить похожее задание не из варианта коллоквиума.

Описание заданий:

• В заданиях 1 и 2 (с выбором вариантов ответа) необходимо указать варианты ответов, которые считаете верными, а также кратко обосновать, почему указанные варианты ответов верные, а остальные - нет.
• В задании 3 (теоретическое без выбора ответа) необходимо дать максимально подробный и развёрнутый ответ.
• В задании 4 (задача или пример) необходимо максимально подробно изложить ваши рассуждения и привести вычисления.
• В задании 5 (задание на написание кода) старайтесь писать понятный код с интерпретируемыми обозначениями и названиями. Код пишется на листочке с комментариями. За ошибки в синтаксисе баллы НЕ снижаем.

Подготовительный вариант вы можете посмотреть здесь: https://docs.google.com/document/d/1xErmREQt0z9ab5plpMO_AYSv0xZtXi7rwcwMi5rZUw4/edit

Мы проведём консультацию к коллоквиуму онлайн и запишем её, запись выложим [тут].

Экзамен

Экзамен пройдёт [где, когда]. Для студентов, которые по объективным и подтверждённым причинам не могут писать экзамен в основной день, резервное время - [где, когда].

Экзамен будет состоять из 3-х частей:

• Части A (тестовая с вариантами ответа) на 2.5 балла с 16-ю заданиями равного веса
• Части B (задачи без вариантов ответа) на 3.5 балла с 6-ю заданиями равного веса
• Части C (работа с набором данных) на 4 балла с заданиями индивидуального веса

Пройдет экзамен на платформе online.hse.ru, на его выполнение будет дано 80 мин. Пожалуйста, убедитесь, что вы подключены к курсу по этой ссылке: [ссылка]

Шкала перевода первичных баллов за тест в оценку за экзамен:

• [6; 10] -> 10 баллов
• [5.4; 6.0) - 9
• [4.8; 5.4) - 8
• [4.2; 4.8) - 7
• [3.6; 4.2) - 6
• [3; 3.6) - 5
• [2.4; 3) - 4
• [0; 2.4) - неуд.

По усмотрению преподавателей курса критерии перевода баллов могут быть смягчены после оценки общего результата по всем студентам

Обращаем ваше внимание на то, что в тесте могут быть вопросы, не изучавшиеся в рамках курса. Это компенсируется тем, что для получения максимальной оценки можно выполнить далеко не все задания (таким образом, если вы не можете решить что-то по программе настоящего курса, у вас есть возможность "отыграться" за счёт внепрограммных вопросов).

Во время написания экзамена можно пользоваться всеми материалами курса, а также средой программирования на Python (рекомендуем подготовить её перед экзаменом, чтобы не терять время).

Задания 1-4 (1.75 первичных балла суммарно) внутри части C будут целиком на pandas, для выполнения заданий 5-6 необходимо будет воспользоваться библиотекой scikit-learn.

Лекции

Материалы лекций: https://github.com/Murcha1990/ML_econom_2022-2023/tree/main/Лекции

Лекция 1 (5 сентября, онлайн) Введение в машинное обучение. | слайды

Семинары

Материалы семинаров: https://github.com/Murcha1990/ML_Econom_2022-2023/tree/main/Семинары

Семинар 0. Математика для машинного обучения (самостоятельное изучение) | материалы

Семинар 1. Основы регрессии. Градиентный спуск.

Домашние задания

На курсе планируется 5 домашних заданий. Формула вычисления итоговой оценки за домашние задания: среднее из 5 домашних заданий.

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

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

• Курс по машииному обучению Евгения Соколова на ПМИ ФКН
• Курс по машинному обучению К.В. Воронцова
• Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов
• Coursera: Машинное обучение и анализ данных (специализация)
• Coursera: Введение в машинное обучение, К.В. Воронцов