Машинное обучение (сов. бак. ВШЭ-РЭШ 2022) — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
 
(не показано 25 промежуточных версии 3 участников)
Строка 7: Строка 7:
 
'''Лектор:''' [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mikhail_h91)
 
'''Лектор:''' [https://www.hse.ru/org/persons/213369348 Михаил Гущин] (mhushchyn@hse.ru, @mikhail_h91)
  
−
'''Семинарист:''' Алексей Пономарев (@Lexolordan)
+
'''Семинаристы:''' Максим Карпов (@buntar29), Алексей Пономарев (@Lexolordan)
  
 
'''Ассистенты:''' Варвара Фурик (@grated_carrot), Кирилл Сафонов (@krsafonov)
 
'''Ассистенты:''' Варвара Фурик (@grated_carrot), Кирилл Сафонов (@krsafonov)
Строка 13: Строка 13:
 
Лекции проходят по вторникам в 16:20 (R205).
 
Лекции проходят по вторникам в 16:20 (R205).
  
−
Семинары проходят по вторникам в 18:10 (D511) и по средам в 16:20 (R307).
+
Семинары проходят по вторникам в 18:10 (D510) и по средам в 16:20 (R307).
  
 
[https://www.hse.ru/edu/courses/339942759 Карточка курса и программа.]
 
[https://www.hse.ru/edu/courses/339942759 Карточка курса и программа.]
Строка 52: Строка 52:
  
 
==Экзамен==
 
==Экзамен==
−
Содержание работы: теоретические вопросы из списка (возможны измененные формулировки) + теоретические задачи. Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.
+
 
 +
[[https://docs.google.com/document/d/1kAQxRWS07-b4qgHEhuxcM7tDjRaLkrydjFWCyBKUGXQ/edit?usp=sharing Вопросы к экзамену 2022]]
 +
 
 +
'''Дата проведения''': 20 декабря 2022 г., на лекции в 16:20, оффлайн в ауд. R205
 +
 
 +
Порядок проведения контрольной работы и экзамена:
 +
 
 +
1) При написании работы пользоваться ничем нельзя (closed-book)
 +
 
 +
2) Каждый студент должен в начале своей работы от руки написать свои Ф.И.О. и группу.
 +
 
 +
Время написания работы: 1 час 20 минут.
 +
 
 +
Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.
 +
 
 +
Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.
  
 
Рекомендации по написанию экзамена:
 
Рекомендации по написанию экзамена:
Строка 58: Строка 73:
  
 
== Контрольная работа ==
 
== Контрольная работа ==
 +
 +
[[https://drive.google.com/file/d/1XSuR3bAh9ve33KZXtrGlp7q4jyN9CxT4/view?usp=sharing Вопросы к контрольной работе (мидтерму) 2022)]]
 +
 +
'''Дата проведения''': 15 ноября 2022 г.
 +
 +
Порядок проведения контрольной работы и экзамена:
 +
 +
1) При написании работы пользоваться ничем нельзя (closed-book)
 +
 +
2) Каждый студент должен в начале своей работы от руки написать следующую фразу:
 +
"Настоящим подтверждаю, что я, Ф.И.О., внимательно изучил и понял все требования к данной контрольной работе и готов их выполнить. Подпись, расшифровка, число". Работы без данной подписи приниматься не будут.
 +
 +
Время написания работы: 1 час 20 минут.
 +
 +
Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.
 +
 +
Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.
 +
 
Рекомендации по написанию контрольной работы:
 
Рекомендации по написанию контрольной работы:
 
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.
 
Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.
Строка 66: Строка 99:
 
'''Лекция 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/lectures/lecture01-intro.pdf Слайды]]
 
'''Лекция 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/lectures/lecture01-intro.pdf Слайды]]
  
−
План курса:
+
'''Лекция 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/lectures/lecture02-linreg.pdf Слайды]] [[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture02-linregr.pdf Конспект 1 (стр. 1-10)]]
−
* Введение в машинное обучение (постановки задач, виды данных, метрики качества)
+
[[https://github.com/esokolov/ml-course-hse/blob/master/2020-fall/lecture-notes/lecture03-linregr.pdf Конспект 2 (стр. 1-5)]]
−
* Обучение с учителем (задачи регрессии и классификации, классические методы их решения: линейные модели, метрические методы, решающие деревья, композицци алгоритмов; обзор задачи построения рекомендательных систем)
+
 
−
* Обучение без учителя (задачи кластеризации, визуализации, понижения размерности, обзоры методов их решения)
+
'''Лекция 3.''' Линейная классификация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/lectures/lecture03-logreg.pdf Слайды]]
−
* Глубинное обучение (понятие вычислительного графа, основные виды слоев и архитектур нейронных сетей, приемы для обучения нейронных сетей)
+
 
 +
'''Лекция 4.''' Метрики качества классификации. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/lectures/lecture04-metrics.pdf Слайды]]
 +
 
 +
'''Лекция 5.''' Метрические методы. Мультиклассовая классификация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/lectures/lecture05-knn-multiclass.pdf Слайды]]
 +
 
 +
'''Лекция 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/lectures/lecture06-trees.pdf Слайды]]
 +
 
 +
'''Лекция 7.''' Композиции алгоритмов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/lectures/lecture07-ensembles.pdf Слайды]]
 +
 
 +
'''Лекция 8.''' Отбор признаков. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/lectures/lecture08-features.pdf Слайды]]
 +
 
 +
'''Лекция 9.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/lectures/lecture09-clustering.pdf Слайды]]
 +
 
 +
'''Лекция 10.''' Рекомендательные системы. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/lectures/lecture10-recsys.pdf Слайды]]
 +
 
 +
'''Лекция 11.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/lectures/lecture11-dl.pdf Слайды]]
 +
 
 +
'''Лекция 12.''' Свёрточные нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/lectures/lecture12-cnn.pdf Слайды]]
 +
 
 +
'''Лекция 13.''' Нейронные сети в анализе текстов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/lectures/lecture13-nlp.pdf Слайды]]
  
 
== Семинары ==
 
== Семинары ==
  
−
'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/seminar_01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/seminar_01/numpy_and_sklearn_basics.ipynb Colab]]
+
'''Семинар 1.''' Введение в машинное обучение. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar01/numpy_and_sklearn_basics.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar01/numpy_and_sklearn_basics.ipynb Colab]]
 +
 
 +
'''Семинар 2.''' Линейная регрессия. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar02/linear_regression_intro.ipynb Тетрадка 1]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar02/linear_regression_intro.ipynb Colab 1]] [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar02/seminar.ipynb Тетрадка 2]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar02/seminar.ipynb Colab 2]]
 +
 
 +
'''Семинар 3.''' Линейная классификация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar03/sem03_logreg.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar03/sem03_logreg.ipynb Colab]]
 +
 
 +
'''Семинар 4.''' Метрики качества классификации. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar04/seminar04_quality.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar04/seminar04_quality.ipynb Colab]]
 +
 
 +
'''Семинар 5.''' Метрические методы. Мультиклассовая классификация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar05/sem05_multi.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar05/sem05_multi.ipynb Colab]]
 +
 
 +
'''Семинар 6.''' Решающие деревья. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar06/sem06_trees.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar06/sem06_trees.ipynb Colab]]
 +
 
 +
'''Семинар 7.''' Композиции алгоритмов. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar07/sem07_boosting.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar07/sem07_boosting.ipynb Colab]]
 +
 
 +
'''Семинар 8.''' Отбор признаков. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar08/sem08_features.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar08/sem08_features.ipynb Colab]]
 +
 
 +
'''Семинар 9.''' Кластеризация. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar09/sem09_clustering.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar09/sem09_clustering.ipynb Colab]]
 +
 
 +
'''Семинар 10.''' Рекомендательные системы. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar10_recsys/sem10_recsys.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar10_recsys/sem10_recsys.ipynb Colab]]
 +
 
 +
'''Семинар 11.''' Нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar11_pytorch/sem11_intro_to_pytorch.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar11_pytorch/sem11_intro_to_pytorch.ipynb Colab]]
 +
 
 +
'''Семинар 12.''' Свёрточные нейронные сети. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar12_cnn/sem12_cnn.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar12_cnn/sem12_cnn.ipynb Colab]]
 +
 
 +
'''Семинар 13.''' Сети долгой краткосрочной памяти. [[https://github.com/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar13_lstm/sem13.ipynb Тетрадка]] [[https://colab.research.google.com/github/hse-ds/ml-hse-nes/blob/main/2022/seminars/seminar13_lstm/sem13.ipynb Colab]]
 +
 
 +
== Практические задания ==
 +
 
 +
За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.
 +
 
 +
===Задание 1. Введение в машинное обучение ===
 +
Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob, а также написать свою линейную регрессию.
 +
 
 +
'''Мягкий дедлайн''':  13 октября 2022 года 23:59
 +
 
 +
'''Дедлайн''':  16 октября 2022 года 23:59
 +
 
 +
'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2022/homeworks/homework_1.ipynb
 +
 
 +
===Задание 2. Логистическая регрессия ===
 +
Вам предстоит реализовать алгоритм логистической регрессии и освоить работу с категориальными признаками.
 +
 
 +
'''Мягкий дедлайн''':  10 (+3) ноября 2022 года 23:59
 +
 
 +
'''Дедлайн''':  13 ноября 2022 года 23:59
 +
 
 +
'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2022/homeworks/homework_2.ipynb
 +
 
 +
===Бонусное задание 1. Введение в решающие деревья. ===
 +
Вам предстоит реализовать разбиение элементов выборки в вершине дерева.
 +
 
 +
'''Мягкий дедлайн''':  19 ноября 2022 года 23:59
 +
 
 +
'''Дедлайн''':  19 ноября 2022 года 23:59
 +
 
 +
'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2022/homeworks/bonus_homework_1%20.ipynb
 +
 
 +
===Задание 3. Бустинг. ===
 +
Вам предстоит реализовать упрощенный вариант градиентного бутсинга для задачи регресси.
 +
 
 +
'''Мягкий дедлайн''':  11 декабря 2022 года 23:59
 +
 
 +
'''Дедлайн''':  12 декабря 2022 года 23:59
 +
 
 +
'''Ссылка''': https://github.com/hse-ds/ml-hse-nes/blob/main/2022/homeworks/homework_3.ipynb
  
−
На семинарах будут разбираться теоретические задачи, новый теоретический материал и практические задания. Практика в курсе проводится с использованием языка Python, среды Jupyter Notebook и библиотек Numpy, Pandas, Sklearn, Matplotlib, PyTorch.
+
== Дополнительные материалы ==
  
 
===Курсы по машинному обучению и анализу данных===
 
===Курсы по машинному обучению и анализу данных===

Текущая версия на 11:08, 14 декабря 2022

О курсе

Курс читается для студентов 3 курса совместного бакалавриата ВШЭ-РЭШ в 1-2 модулях.

Проводится с 2019 года.

Лектор: Михаил Гущин (mhushchyn@hse.ru, @mikhail_h91)

Семинаристы: Максим Карпов (@buntar29), Алексей Пономарев (@Lexolordan)

Ассистенты: Варвара Фурик (@grated_carrot), Кирилл Сафонов (@krsafonov)

Лекции проходят по вторникам в 16:20 (R205).

Семинары проходят по вторникам в 18:10 (D510) и по средам в 16:20 (R307).

Карточка курса и программа.

Репозиторий с материалами курса на GitHub.

Чат в телеграме


Правила выставления оценок

В курсе предусмотрено несколько форм контроля знаний:

  • Практические домашние работы на Python или с теоретическими задачами (всего 6-8 домашних работ)
  • Контрольная работа в середине курса
  • Письменный экзамен

Бонусные баллы в курсе не предусмотрены (за исключением, может быть, участия в соревновании в четвертом модуле)

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = Округление(0.4 * ДЗ + 0.3 * КР + 0.3 * Э)

ДЗ — средняя оценка за практические домашние задания

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

Правила сдачи заданий

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

Экзамен

[Вопросы к экзамену 2022]

Дата проведения: 20 декабря 2022 г., на лекции в 16:20, оффлайн в ауд. R205

Порядок проведения контрольной работы и экзамена:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать свои Ф.И.О. и группу.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию экзамена: Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.

Контрольная работа

[Вопросы к контрольной работе (мидтерму) 2022)]

Дата проведения: 15 ноября 2022 г.

Порядок проведения контрольной работы и экзамена:

1) При написании работы пользоваться ничем нельзя (closed-book)

2) Каждый студент должен в начале своей работы от руки написать следующую фразу: "Настоящим подтверждаю, что я, Ф.И.О., внимательно изучил и понял все требования к данной контрольной работе и готов их выполнить. Подпись, расшифровка, число". Работы без данной подписи приниматься не будут.

Время написания работы: 1 час 20 минут.

Если прокторы во время проведения работы замечают противоправные или странные действия, за работу снимаются баллы. В случае обнаружения любого вида списывания работа сразу оценивается в 0 баллов.

Содержание работы: теоретические вопросы из списка (возможны измененные формулировки). Контрольная работа и экзамен не включают задачи на программирование. Теоретические вопросы подразумевают развернутые ответы с формулами.

Рекомендации по написанию контрольной работы: Во всех формулах поясните обозначения. На всех графиках подпишите оси. Для всех рисунков поясните, что изображено на них. Во всех задачах оптимизации подпишите, по каким переменным она выполняется. Для всех суммирований подпишите индекс и границы суммирования.


Лекции

Лекция 1. Введение в машинное обучение. [Слайды]

Лекция 2. Линейная регрессия. [Слайды] [Конспект 1 (стр. 1-10)] [Конспект 2 (стр. 1-5)]

Лекция 3. Линейная классификация. [Слайды]

Лекция 4. Метрики качества классификации. [Слайды]

Лекция 5. Метрические методы. Мультиклассовая классификация. [Слайды]

Лекция 6. Решающие деревья. [Слайды]

Лекция 7. Композиции алгоритмов. [Слайды]

Лекция 8. Отбор признаков. [Слайды]

Лекция 9. Кластеризация. [Слайды]

Лекция 10. Рекомендательные системы. [Слайды]

Лекция 11. Нейронные сети. [Слайды]

Лекция 12. Свёрточные нейронные сети. [Слайды]

Лекция 13. Нейронные сети в анализе текстов. [Слайды]

Семинары

Семинар 1. Введение в машинное обучение. [Тетрадка] [Colab]

Семинар 2. Линейная регрессия. [Тетрадка 1] [Colab 1] [Тетрадка 2] [Colab 2]

Семинар 3. Линейная классификация. [Тетрадка] [Colab]

Семинар 4. Метрики качества классификации. [Тетрадка] [Colab]

Семинар 5. Метрические методы. Мультиклассовая классификация. [Тетрадка] [Colab]

Семинар 6. Решающие деревья. [Тетрадка] [Colab]

Семинар 7. Композиции алгоритмов. [Тетрадка] [Colab]

Семинар 8. Отбор признаков. [Тетрадка] [Colab]

Семинар 9. Кластеризация. [Тетрадка] [Colab]

Семинар 10. Рекомендательные системы. [Тетрадка] [Colab]

Семинар 11. Нейронные сети. [Тетрадка] [Colab]

Семинар 12. Свёрточные нейронные сети. [Тетрадка] [Colab]

Семинар 13. Сети долгой краткосрочной памяти. [Тетрадка] [Colab]

Практические задания

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются, но есть исключение. Студенту разрешается два раза сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов.

Задание 1. Введение в машинное обучение

Вам предстоит решить несколько задач на применение библиотек numpy и matplotlob, а также написать свою линейную регрессию.

Мягкий дедлайн: 13 октября 2022 года 23:59

Дедлайн: 16 октября 2022 года 23:59

Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2022/homeworks/homework_1.ipynb

Задание 2. Логистическая регрессия

Вам предстоит реализовать алгоритм логистической регрессии и освоить работу с категориальными признаками.

Мягкий дедлайн: 10 (+3) ноября 2022 года 23:59

Дедлайн: 13 ноября 2022 года 23:59

Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2022/homeworks/homework_2.ipynb

Бонусное задание 1. Введение в решающие деревья.

Вам предстоит реализовать разбиение элементов выборки в вершине дерева.

Мягкий дедлайн: 19 ноября 2022 года 23:59

Дедлайн: 19 ноября 2022 года 23:59

Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2022/homeworks/bonus_homework_1%20.ipynb

Задание 3. Бустинг.

Вам предстоит реализовать упрощенный вариант градиентного бутсинга для задачи регресси.

Мягкий дедлайн: 11 декабря 2022 года 23:59

Дедлайн: 12 декабря 2022 года 23:59

Ссылка: https://github.com/hse-ds/ml-hse-nes/blob/main/2022/homeworks/homework_3.ipynb

Дополнительные материалы

Курсы по машинному обучению и анализу данных

Книги

  • Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
  • Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.

Страница прошлого года

Источник — «http://wiki.cs.hse.ru/index.php?title=Машинное_обучение_(сов._бак._ВШЭ-РЭШ_2022)&oldid=74906»