Машинное обучение 1

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

О курсе

borderless

Курс читается для студентов 3-го курса ПМИ в 1-2 модулях.

Проводится с 2016 года.

Лектор: Соколов Евгений Андреевич

Лекции проходят по вторникам, 10:30 - 11:50, ауд. 317.




Полезные ссылки

Карточка курса и программа

Репозиторий с материалами на GitHub

Почта для сдачи домашних заданий: hse.cs.ml+<номер группы>@gmail.com (например, hse.cs.ml+141@gmail.com)

Таблица с оценками

Оставить отзыв на курс: форма

Семинары

Группа Преподаватель Учебный ассистент Страница Расписание
141 (МОП) Зиннурова Эльвира Альбертовна Козловская Наталия вторник, 12:10 - 13:30, ауд. 513
142 (МОП) Неклюдов Кирилл Олегович Егоров Евгений вторник, 12:10 - 13:30, ауд. 503
143 (АПР) Яшков Даниил Дмитриевич Потапенко Анна вторник, 12:10 - 13:30, ауд. 505
144 (АДИС) Чиркова Надежда Александровна Сафин Александр вторник, 13:40 - 15:00, ауд. 503
145 (РС) Умнов Алексей Витальевич Грачев Артем пятница, 12:10 - 13:30, ауд. 501

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
  • Соревнования 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 + 0.5 * Одз + 0.3 * Околлоквиум

Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.

Также за каждое практическое задание и соревнование можно получить дополнительные баллы, которые влияют на выставление оценки за курс автоматом.

Правила сдачи домашних заданий

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работа не принимаются.

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.

Лекции

Лекция 1 (6 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения.

Семинары

Семинар 1. Библиотеки для анализа данных: numpy, pandas, matplotlib.

Домашние задания

Соревнования

Полезные материалы

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.
  • 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.

Курсы по машинному обучению и анализу данных