Машинное обучение 2 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Практические задания: Добавлено 9-е задание)
(add consultations block)
(не показано 12 промежуточных версии 6 участников)
Строка 94: Строка 94:
 
Ко всем конспектам на GitHub есть исходники. Исправления и дополнения всячески приветствуются!
 
Ко всем конспектам на GitHub есть исходники. Исправления и дополнения всячески приветствуются!
  
'''Лекция 1''' (14 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/lecture-notes/lecture13-kernels.pdf Конспект]] [[https://youtu.be/EHolYsWUXNE Запись лекции]]
+
'''Лекция 1''' (14 января). Ядровые методы [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/lecture-notes/lecture13-kernels.pdf Конспект]] [[https://youtu.be/EHolYsWUXNE Запись лекции]]
  
'''Лекция 2''' (21 января). Двойственная задача SVM. Типы объектов в SVM. Kernel trick. Аппроксимации ядер. Метод случайных признаков Фурье. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/lecture-notes/lecture14-kernels.pdf Конспект]] [[https://youtu.be/rK-yypS9Soo Запись лекции]]
+
'''Лекция 2''' (21 января). Ядровой метод опорных векторов [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/lecture-notes/lecture14-kernels.pdf Конспект]] [[https://youtu.be/rK-yypS9Soo Запись лекции]]
 +
 
 +
'''Лекция 3''' (28 января). Аппроксимация ядер. ЕМ-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-spring/lecture-notes/lecture15-em.pdf Конспект]] [[https://youtu.be/3naJOfl2lpQ Запись лекции]]
 +
 
 +
'''Лекция 4''' (4 февраля). ЕМ-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-spring/lecture-notes/lecture15-em.pdf Конспект]] [[https://youtu.be/XR01YWk0ssA Запись лекции]]
 +
 
 +
'''Лекция 5''' (14 февраля). Одноклассовая классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-spring/lecture-notes/lecture16-anomaly.pdf Конспект]] [[https://youtu.be/hE3aOQhNWaE Запись лекции]]
 +
 
 +
'''Лекция 6''' (26 февраля). Одноклассовая классификация. Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-spring/lecture-notes/lecture17-clusterization.pdf Конспект]] [[https://youtu.be/N6h11I4j5hw Запись лекции]]
 +
 
 +
'''Лекция 7''' (7 марта). Спектральная кластеризация. Внешние метрики качества кластеризации. [[https://youtu.be/hyQUyGYDrfU Запись лекции]]
 +
 
 +
'''Лекция 8''' (11 марта). Метрические методы. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-spring/lecture-notes/lecture20-knn.pdf Конспект]] [[https://youtu.be/lZm69TlIGSU Запись лекции]]
 +
 
 +
'''Лекция 9''' (24 марта). Быстрый поиск ближайших соседей. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-spring/lecture-notes/lecture20-knn.pdf Конспект]] [[https://youtu.be/wGncBo-v0KQ Запись лекции]]
 +
 
 +
'''Лекция 10''' (25 марта). Быстрый поиск ближайших соседей. [[https://youtu.be/G-BNulqXJ6w Запись лекции]]
 +
 
 +
'''Лекция 11''' (11 апреля). Частичное обучение. [[https://github.com/esokolov/ml-course-hse/blob/master/2020-spring/lecture-notes/lecture19-semisupervised.pdf Конспект]] [[https://youtu.be/-kW7yytkQyU Запись лекции]]
 +
 
 +
'''Лекция 12''' (15 апреля). Ранжирование. [[ Конспект]] [[https://youtu.be/oCQSB73d2c8 Запись лекции]]
 +
 
 +
'''Лекция 13''' (22 апреля). Глиняные методы ранжирования. Рекомендации. [[ Конспект]] [[https://youtu.be/FO9WSFKSiuU Запись лекции]]
 +
 
 +
'''Лекция 14''' (29 апреля). Рекомендательные системы. [[ Конспект]] [[https://youtu.be/ppnAR_d6Kew Запись лекции]]
 +
 
 +
'''Лекция 15''' (13 мая). Нейросети для табличных данных. [[ Конспект]] [[https://youtu.be/IG131tgEVvs Запись лекции]]
 +
 
 +
'''Лекция 16''' (27 мая). Рекомендательные системы. [[ Конспект]] [[https://youtu.be/o9AlVJeD8ao Запись лекции]]
 +
 
 +
'''Лекция 17''' (03 июня). AutoML. [[ Конспект]] [[https://youtu.be/oG3dg2t2mVc Запись лекции]]
  
 
== Семинары ==
 
== Семинары ==
Строка 103: Строка 133:
  
 
'''Семинар 2'''. Задачи на построение ядер. Задачи на прямую и двойственную формулировки метода опорных векторов. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/seminars/sem14-kernels.pdf Конспект]]
 
'''Семинар 2'''. Задачи на построение ядер. Задачи на прямую и двойственную формулировки метода опорных векторов. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/seminars/sem14-kernels.pdf Конспект]]
 +
 +
'''Семинар 3'''. EM-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/seminars/sem15-em.pdf Конспект]]. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/seminars/sem15-em.ipynb Ноутбук с применением алгоритма]]
 +
 +
'''Семинар 4'''. Байесовские методы машинного обучения. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/seminars/sem16-bayes.pdf Конспект]]
 +
 +
'''Семинар 5'''. Машинное обучение на графах. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/seminars/sem17-graph.pdf Конспект]]. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/seminars/sem17-graph.ipynb Ноутбук с примерами методов]]
 +
 +
'''Семинар 6'''. Кластеризация на графах. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/seminars/sem18-graph-clustering.pdf Конспект]]
 +
 +
'''Семинар 7'''. kNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/seminars/sem19-knn.pdf Конспект]]. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/seminars/sem19-knn.ipynb Ноутбук с примерами]]
 +
 +
'''Семинар 8'''. Обучение метрик. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/seminars/sem20-metric-learning.pdf Конспект]]
 +
 +
'''Семинар 9'''. Multi-label классификация. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/seminars/sem21-multilabel.pdf Конспект]]
 +
 +
'''Семинар 10'''. Интерпретируемость моделей. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/seminars/sem22-interpreting.pdf Конспект]]
 +
 +
'''Семинар 11'''. Ранжирование. [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/seminars/sem23-ranking.pdf Конспект]]
 +
 +
== Записи консультаций ==
 +
 +
Позже здесь возможно появятся записи консультаций.
  
 
== Теоретические задания ==
 
== Теоретические задания ==
Строка 129: Строка 181:
  
 
[[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/homeworks-practice/homework-practice-09-em/homework-practice-09-em.ipynb Ноутбук с заданием]] / [[https://contest.yandex.ru/contest/35552 контест]]
 
[[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/homeworks-practice/homework-practice-09-em/homework-practice-09-em.ipynb Ноутбук с заданием]] / [[https://contest.yandex.ru/contest/35552 контест]]
 +
 +
'''Задание 10.''' Обучение без учителя
 +
 +
Мягкий дедлайн: 06.04.2022 23:59.
 +
 +
Жесткий дедлайн: 10.04.2022 23:59.
 +
 +
[[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/homeworks-practice/homework-practice-10-unsupervised.ipynb Ноутбук с заданием]]
 +
 +
'''Задание 11.''' Обучение метрик
 +
 +
Мягкий дедлайн: 24.04.2022 23:59.
 +
 +
Жесткий дедлайн: 27.04.2022 23:59.
 +
 +
[[https://github.com/esokolov/ml-course-hse/tree/master/2021-spring/homeworks-practice/homework-practice-11-metric-learning Ноутбук с заданием]]
 +
 +
'''Задание 12.''' Одноклассовая классификация
 +
 +
Мягкий дедлайн: 11.05.2022 23:59.
 +
 +
Жесткий дедлайн: 16.05.2022 23:59.
 +
 +
[[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/homeworks-practice/homework-practice-12-imbalanced.ipynb Ноутбук с заданием]]
 +
 +
'''Задание 13.''' Рекомендации
 +
 +
Мягкий дедлайн: 03.06.2022 23:59.
 +
 +
Жесткий дедлайн: 08.06.2022 23:59.
 +
 +
[[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/homeworks-practice/homework-practice-13-recommendations/homework-practice-13-recommendations.ipynb Ноутбук с заданием]]
 +
 +
'''Задание 14.''' AutoML (оптимизация гиперпараметров)
 +
 +
Мягкий дедлайн: 19.06.2022 23:59.
 +
 +
Жесткий дедлайн: 21.06.2022 23:59.
 +
 +
[[https://github.com/esokolov/ml-course-hse/tree/master/2021-spring/homeworks-practice/homework-practice-14-hyperopt Ноутбук с заданием]] [[https://contest.yandex.ru/contest/37803/enter/ Яндекс.Контест]]
  
 
== Соревнования ==
 
== Соревнования ==
Строка 158: Строка 250:
  
 
В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''. Под внешними данными понимаются размеченные данные, где разметка имеет прямое отношение к решаемой задаче. Грубо говоря, сборник текстов с википедии не считается внешними данными.
 
В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях '''запрещено'''. Под внешними данными понимаются размеченные данные, где разметка имеет прямое отношение к решаемой задаче. Грубо говоря, сборник текстов с википедии не считается внешними данными.
 +
 +
== Проект ==
 +
 +
Одной из форм контроля является проект. Результатом выполнения проекта должен быть отчёт, содержащий в себе:
 +
* Описание задачи
 +
* Описание методов
 +
* Описание данных, на которых проводились эксперименты
 +
* Подробное описание экспериментов и результатов
 +
* Анализ результатов и выводы
 +
 +
Не нужно писать формальный текст — будет здорово, если у вас получится интересная и доступная обзорная статья.
 +
 +
За проект можно получить до 5 бонусных баллов. Если получится совсем потрясающе — то и до 10 баллов.
 +
 +
Темы проектов: https://docs.google.com/spreadsheets/d/1A5VcX8qiaAoMNbKJDcYcnbB4Q60eJwzTfyXxXFd90Ic/edit?usp=sharing
 +
 +
Можно предлагать свои темы — их нужно вписать в ту же табличку. Такие темы нужно согласовать с лектором.
 +
 +
По умолчанию каждую тему может взять одна команда из 2-3 студентов. По согласованию с лектором одну тему может взять несколько команд.
 +
 +
Дедлайн сдачи отчёта и кода: 13 июня 23:59.
  
 
== Коллоквиум ==
 
== Коллоквиум ==
 +
 +
== Коллоквиум ==
 +
 +
На каждого студента отводится 20 минут. За это время он должен ответить на 3 вопроса из теоретического минимума и решить задачу. Каждый вопрос из теоретического минимума "стоит" 7/3 балла, задача — 3 балла. Время на подготовку не предусмотрено.
 +
 +
[https://docs.google.com/document/d/1hk6iCRf-FXzUHV7J2xBTDMLpB50p2QovG796NK_6p2Y/edit?usp=sharing Вопросы для подготовки]
  
 
== Экзамен ==
 
== Экзамен ==

Версия 14:31, 8 июня 2022

О курсе

borderless

Курс читается для студентов 3-го курса ПМИ ФКН ВШЭ в 3-4 модулях.

Проводится с 2016 года.

Лектор: Соколов Евгений Андреевич

Лекции проходят по пятницам, 11:10 - 12:30, в zoom.




Полезные ссылки

Карточка курса и программа

Репозиторий с материалами на GitHub

Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.cs.ml+<номер группы>@gmail.com (например, hse.cs.ml+161@gmail.com)

Канал в telegram для объявлений: https://t.me/hse_cs_ml_2

Чат в telegram для обсуждений (предназначение чата до конца не ясно, вопросы может быть правильнее задавать в чатах групп): https://t.me/+NRpKJ09prtRlMTli

Ссылка на курс в Anytask: https://anytask.org/course/905

Таблица с оценками

Плейлист с записями занятий: https://www.youtube.com/playlist?list=PLEwK9wdS5g0o_HWWtNffNsBPpNmeuSDYV

Оставить отзыв на курс: форма

Вопросы по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу. Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде Issue в github-репозитории курса.

Семинары

Группа Преподаватель Учебный ассистент
191 (МОП) Шабалин Александр Михайлович Мухамбетова Айнур
192 (МОП) Соколов Евгений Андреевич Биршерт Леша Морозов Никита
193 (МОП) Садртдинов Ильдус Рустемович Коган Саша Андреев Никита
Курс по выбору для ПМИ Каюмов Эмиль Марселевич Тамогашев Кирилл Андреев Никита
Межампус Ульянкин Филипп @ppilif Баранов Миша Тамогашев Кирилл

Правила выставления оценок

В курсе предусмотрено несколько форм контроля знания:

  • Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
  • Практические домашние работы на Python
  • Устный коллоквиум
  • Письменный экзамен

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

Итог = Округление(0.4 * ДЗ + 0.2 * К + 0.1 * ПР + 0.3 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

К — оценка за коллоквиум

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.

Два раза студент может сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов. Также разрешается в конце курса написать одну проверочную, пропущенную без уважительной причины.

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.

Лекции

Ко всем конспектам на GitHub есть исходники. Исправления и дополнения всячески приветствуются!

Лекция 1 (14 января). Ядровые методы [Конспект] [Запись лекции]

Лекция 2 (21 января). Ядровой метод опорных векторов [Конспект] [Запись лекции]

Лекция 3 (28 января). Аппроксимация ядер. ЕМ-алгоритм. [Конспект] [Запись лекции]

Лекция 4 (4 февраля). ЕМ-алгоритм. [Конспект] [Запись лекции]

Лекция 5 (14 февраля). Одноклассовая классификация. [Конспект] [Запись лекции]

Лекция 6 (26 февраля). Одноклассовая классификация. Спектральная кластеризация. [Конспект] [Запись лекции]

Лекция 7 (7 марта). Спектральная кластеризация. Внешние метрики качества кластеризации. [Запись лекции]

Лекция 8 (11 марта). Метрические методы. [Конспект] [Запись лекции]

Лекция 9 (24 марта). Быстрый поиск ближайших соседей. [Конспект] [Запись лекции]

Лекция 10 (25 марта). Быстрый поиск ближайших соседей. [Запись лекции]

Лекция 11 (11 апреля). Частичное обучение. [Конспект] [Запись лекции]

Лекция 12 (15 апреля). Ранжирование. Конспект [Запись лекции]

Лекция 13 (22 апреля). Глиняные методы ранжирования. Рекомендации. Конспект [Запись лекции]

Лекция 14 (29 апреля). Рекомендательные системы. Конспект [Запись лекции]

Лекция 15 (13 мая). Нейросети для табличных данных. Конспект [Запись лекции]

Лекция 16 (27 мая). Рекомендательные системы. Конспект [Запись лекции]

Лекция 17 (03 июня). AutoML. Конспект [Запись лекции]

Семинары

Семинар 1. Задачи условной оптимизации и теорема Куна-Таккера. [Конспект]

Семинар 2. Задачи на построение ядер. Задачи на прямую и двойственную формулировки метода опорных векторов. [Конспект]

Семинар 3. EM-алгоритм. [Конспект]. [Ноутбук с применением алгоритма]

Семинар 4. Байесовские методы машинного обучения. [Конспект]

Семинар 5. Машинное обучение на графах. [Конспект]. [Ноутбук с примерами методов]

Семинар 6. Кластеризация на графах. [Конспект]

Семинар 7. kNN. [Конспект]. [Ноутбук с примерами]

Семинар 8. Обучение метрик. [Конспект]

Семинар 9. Multi-label классификация. [Конспект]

Семинар 10. Интерпретируемость моделей. [Конспект]

Семинар 11. Ранжирование. [Конспект]

Записи консультаций

Позже здесь возможно появятся записи консультаций.

Теоретические задания

Теоретические ДЗ не проверяются, но задачи из них могут войти в проверочные работы на семинарах.

Задание 1. Ядра и условия ККТ. Условие

Задание 2. ЕМ-алгоритм. Условие

Практические задания

Задание 8. Метод опорных векторов и аппроксимация ядер

Мягкий дедлайн: 14.02.2022 23:59.

Жесткий дедлайн: 17.02.2022 23:59.

[Ноутбук с заданием]

Задание 9. EM-алгоритм

Мягкий дедлайн: 10.03.2022 23:59.

Жесткий дедлайн: 13.03.2022 23:59.

[Ноутбук с заданием] / [контест]

Задание 10. Обучение без учителя

Мягкий дедлайн: 06.04.2022 23:59.

Жесткий дедлайн: 10.04.2022 23:59.

[Ноутбук с заданием]

Задание 11. Обучение метрик

Мягкий дедлайн: 24.04.2022 23:59.

Жесткий дедлайн: 27.04.2022 23:59.

[Ноутбук с заданием]

Задание 12. Одноклассовая классификация

Мягкий дедлайн: 11.05.2022 23:59.

Жесткий дедлайн: 16.05.2022 23:59.

[Ноутбук с заданием]

Задание 13. Рекомендации

Мягкий дедлайн: 03.06.2022 23:59.

Жесткий дедлайн: 08.06.2022 23:59.

[Ноутбук с заданием]

Задание 14. AutoML (оптимизация гиперпараметров)

Мягкий дедлайн: 19.06.2022 23:59.

Жесткий дедлайн: 21.06.2022 23:59.

[Ноутбук с заданием] [Яндекс.Контест]

Соревнования

Правила участия и оценивания

В соревновании по анализу данных вам предлагается по имеющимся данным решить некоторую задачу, оптимизируя указанную метрику, и отправить ответы для заданного тестового множества. Максимальное количество посылок в сутки ограничено (как правило, разрешается сделать 2 посылки), ближе к концу соревнования вам будем необходимо выбрать 2 посылки, которые вы считаете лучшими. Тестовые данные делятся на публичные и приватные в некотором соотношении, на основе которых строятся публичный и приватный лидерборды соответственно, при этом публичный лидерборд доступен в течение всего соревнования, а приватный строится после его окончания для выбранных вами посылок.

В лидербордах каждого из соревнований присутствуют несколько базовых решений (бейзлайнов), каждое из которых соответствует определённой оценке. Например, для получения оценки не ниже 8 баллов необходимо, чтобы ваше решение на приватном лидерборде оказалось лучше соответствующего бейзлайна. Далее для студента, преодолевшего бейзлайн на N_1 баллов, но не преодолевшего бейзлайн на N_2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:

N_2 - (N_2 - N_1) * i / M,

где M — количество студентов (из всех студентов, изучающих курс), преодолевших бейзлайн на N_1 баллов, но не преодолевших бейзлайн на N_2 балла;

i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов.

Единственное исключение из формулы — студенты, преодолевшие самый сильный бейзлайн, получают прибавку 1/M к своей оценке.

Чтобы вас не пропустили при проверке решений соревнования, необходимо использовать следующий формат для имени команды (вкладка Team):

«Имя Фамилия номер_группы»

В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:

1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.

2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.

3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами.

В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях запрещено. Под внешними данными понимаются размеченные данные, где разметка имеет прямое отношение к решаемой задаче. Грубо говоря, сборник текстов с википедии не считается внешними данными.

Проект

Одной из форм контроля является проект. Результатом выполнения проекта должен быть отчёт, содержащий в себе:

  • Описание задачи
  • Описание методов
  • Описание данных, на которых проводились эксперименты
  • Подробное описание экспериментов и результатов
  • Анализ результатов и выводы

Не нужно писать формальный текст — будет здорово, если у вас получится интересная и доступная обзорная статья.

За проект можно получить до 5 бонусных баллов. Если получится совсем потрясающе — то и до 10 баллов.

Темы проектов: https://docs.google.com/spreadsheets/d/1A5VcX8qiaAoMNbKJDcYcnbB4Q60eJwzTfyXxXFd90Ic/edit?usp=sharing

Можно предлагать свои темы — их нужно вписать в ту же табличку. Такие темы нужно согласовать с лектором.

По умолчанию каждую тему может взять одна команда из 2-3 студентов. По согласованию с лектором одну тему может взять несколько команд.

Дедлайн сдачи отчёта и кода: 13 июня 23:59.

Коллоквиум

Коллоквиум

На каждого студента отводится 20 минут. За это время он должен ответить на 3 вопроса из теоретического минимума и решить задачу. Каждый вопрос из теоретического минимума "стоит" 7/3 балла, задача — 3 балла. Время на подготовку не предусмотрено.

Вопросы для подготовки

Экзамен

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.
  • Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

Курсы по машинному обучению и анализу данных

Страницы предыдущих лет

2020/2021 учебный год

2019/2020 учебный год

2018/2019 учебный год

2017/2018 учебный год

2016/2017 учебный год