Машинное обучение 2 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Лекции)
 
(не показано 150 промежуточных версии 17 участников)
Строка 9: Строка 9:
 
'''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]
 
'''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]
  
Лекции проходят по пятницам, 12:10 - 13:30, ауд. 317.
+
Лекции проходят по пятницам, 11:10 - 12:30, в [https://us06web.zoom.us/j/87309155639?pwd=SUlEQWNaRE1VdVBaeW5Zd0RVekxDdz09 zoom].
  
  
Строка 18: Строка 18:
 
=== Полезные ссылки ===
 
=== Полезные ссылки ===
  
[https://www.hse.ru/ba/ami/courses/219874286.html Карточка курса и программа]
+
[https://www.hse.ru/edu/courses/646485502 Карточка курса и программа]
  
 
[https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]
 
[https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]
Строка 24: Строка 24:
 
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)
 
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/joinchat/AAAAAFhaKwm7kIqKGeAojA
+
Канал в telegram для объявлений: https://t.me/+wqFgR0wndUszNGIy
  
Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQE2eFY0LN0AWcGH3qA
+
Чат в telegram для обсуждений (предназначение чата до конца не ясно, вопросы может быть правильнее задавать в чатах групп): https://t.me/+uALHcjfF6mw1NDJi
  
[https://docs.google.com/spreadsheets/d/1u832G7b9aRyayoncaKXr7XPD6WisDr85AYRBKSVCMq0/edit?usp=sharing Таблица с оценками]
+
Ссылка на курс в Anytask:
 +
 
 +
[https://docs.google.com/spreadsheets/d/1SXEMnqS2aKEeZsAEKPk6Lxxmxm1DHONWmofufe0jvmg/edit?usp=sharing Таблица с оценками]
 +
 
 +
Плейлист с записями занятий: https://youtube.com/playlist?list=PLEwK9wdS5g0rILWZFPEnw0a1VZgo2e5ax&si=Ctg7z6mZII8_TBeA
  
 
Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]
 
Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]
Строка 39: Строка 43:
 
{| class="wikitable"
 
{| class="wikitable"
 
|-
 
|-
! Группа !! Преподаватель !! Расписание
+
! Группа                                   !! Преподаватель                                                                                                                             !! Учебный ассистент
 
|-
 
|-
| 161 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] ||
+
| 211 (МОП)                               || [Морозов Никита Витальевич] || [https://t.me/zhan2pac Жуматаев Жанту], [https://t.me/pauchara0 Петров Олег]
 
|-
 
|-
| 162 (МОП) || [https://www.hse.ru/org/persons/137283751 Атанов Андрей Игоревич] ||  
+
| 212 (МОП)                               || [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич] || [https://t.me/kemmeritocracy Кеммер Анастасия], [https://t.me/neyudin Юдин Николай], [https://t.me/tgritsaev Грицаев Тимофей]
 
|-
 
|-
| Курс по выбору || [https://www.hse.ru/org/persons/209813459 Каюмов Эмиль Марселевич] ||  
+
| 213 (МОП)                              || [Баранов Михаил] ||  [https://t.me/kvdmitrieva Дмитриева Екатерина], [https://t.me/aiziks Максутова Айза]
 +
|-
 +
| Курс по выбору (онлайн) || [https://www.hse.ru/org/persons/218009880 Ульянкин Филипп] [https://t.me/ppilif @ppilif] || [https://t.me/dogfew Перепелкин Владимир], [https://t.me/mdeil007 Иванов Данил], [https://t.me/lneyronl Трофименко Илья]
 +
|-
 +
| Курс по выбору (очно) ||  [https://t.me/fdrose Абрахам Максим] || [https://t.me/TheDullestPageOnTelegram Петренко Максим], [https://t.me/Dangerio7 Аксенов Антон]
 
|-
 
|-
 
|}
 
|}
  
=== Консультации ===
+
=== Правила выставления оценок ===
  
Консультации с преподавателями и учебными ассистентами по курсу проводятся по предварительной договорённости.
+
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:
 
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:
  
O<sub>итоговая</sub> = 0.7 * O<sub>накопленная</sub> + 0.3 * О<sub>экз</sub>
+
Итог = Округление(0.4 * ДЗ + 0.2 * К + 0.1 * ПР + 0.3 * Э)
  
Оценка за работу в семестре вычисляется по формуле
+
ПР — средняя оценка за самостоятельные работы на семинарах
  
O<sub>накопленная</sub> = 0.2 * O<sub>самостоятельные</sub> + 0.6 * О<sub>практические дз</sub> + 0.2 * О<sub>коллоквиум</sub>
+
ДЗ — средняя оценка за практические домашние работы на Python
  
Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.
+
К — оценка за коллоквиум
  
Накопленная, экзаменационная и итоговая оценки округляются арифметически.
+
Э — оценка за экзамен
 +
 
 +
Округление арифметическое.
  
 
=== Правила сдачи заданий ===
 
=== Правила сдачи заданий ===
  
За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.
+
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.
  
 
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 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 (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.
+
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 ==
 
== Лекции ==
  
'''Лекция 13''' (18 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/2018-spring/lecture-notes/lecture13-kernels.pdf Конспект]]
+
Ко всем конспектам на GitHub есть исходники. Исправления и дополнения всячески приветствуются!
 
+
'''Лекция 14''' (1 февраля). Аппроксимация ядер, метод случайных признаков Фурье. Ядра для строк, all-subsequences kernel. Ядровой метод главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture14-kernels.pdf Конспект]]
+
 
+
'''Лекция 15''' (8 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/lecture-notes/lecture15-em.pdf Конспект]]
+
 
+
'''Лекция 16''' (15 февраля). Работа с несбалансированными выборками. Одноклассовые методы и обнаружение аномалий: статистический и метрический подходы. Одноклассовый SVM. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/lecture-notes/lecture16-anomaly.pdf Конспект]]
+
 
+
'''Лекция 17''' (1 марта). Обучение без учителя. DBSCAN. Спектральная кластеризация. Supervised-метрики кластеризации.
+
 
+
'''Лекция 18''' (15 марта). Частичное обучение. Self-training. Генеративные модели. Semi-supervised SVM. Частичное обучение и графовые методы.
+
 
+
'''Лекция 19''' (22 марта). Рекомендательные системы. Коллаборативные модели: memory-based, матричные разложения, факторизационные машины. Контентные модели. Метрики качества. Архитектура рекомендательных систем. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/lecture-notes/lecture19-recommender.pdf Конспект]]
+
 
+
'''Лекция 20''' (5 апреля). Метрические методы. Метод k ближайших соседей для классификации и регрессии, его оптимальность. Измерение расстояний между текстами с помощью их внутренних представлений. Приближенные методы поиска соседей и locality sensitive hashing. Композиции хэш-функций, LSH forest. Обучение метрик, методы NCA и LMNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/lecture-notes/lecture20-knn.pdf Конспект]]
+
 
+
'''Лекция 21''' (12 апреля). Метрические методы. Метрики качества кластеризации (unsupervised и supervised). Быстрый поиск ближайших соседей: методы NSW и HNSW.
+
  
'''Лекция 22''' (19 апреля). Обучение ранжированию. Метрики качества ранжирования. Примеры факторов в ранжировании: BM25 и PageRank. Поточечный, попарный и списочный подходы. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/lecture-notes/lecture22-ranking.pdf Конспект]]
+
'''Лекция 1''' (12 января). Ядровые методы  [[https://github.com/esokolov/ml-course-hse/blob/master/2021-spring/lecture-notes/lecture13-kernels.pdf Конспект]] [[https://youtu.be/LD1HFBO0MIY?si=i8vlvruXyBOSWYoy Запись лекции]]
  
 
== Семинары ==
 
== Семинары ==
 
'''Семинар 14'''. Решение задач условной оптимизации. Условия Куна-Таккера. Двойственная задача SVM. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem14-svm.pdf Конспект]]
 
 
'''Семинар 15'''. Решение задач на ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem15-kernels.pdf Конспект]]
 
 
'''Семинар 16'''. EM-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem16-em.pdf Конспект]]
 
 
'''Семинар 17'''. Оценки максимального правдоподобия на параметры многомерного нормального распределения. Байесовские классификаторы. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem17-bayes.pdf Конспект]]
 
 
'''Семинар 18'''. Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem18-unsupervised.pdf Конспект]]
 
 
'''Семинар 19'''. Multi-label классификация, focal loss. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem19-multilabel.pdf Конспект]]
 
 
'''Семинар 20'''. Вывод ALS и HALS для LFM. Факторизационные машины. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem20-recommendations.pdf Конспект]]
 
 
'''Семинар 21'''. Метод k ближайших соседей. Способы задания расстояния на различных типах признаков. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem21-knn.pdf Конспект]]
 
 
'''Семинар 22'''. Тематическое моделирование. [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/seminars/sem22-tm.pdf Конспект]]
 
  
 
== Теоретические задания ==
 
== Теоретические задания ==
  
'''Теоретическое домашнее задание 1''': ядровые методы [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/homeworks-theory/homework-theory-05-kernels.pdf ссылка]]
+
[https://github.com/esokolov/ml-course-hse/tree/master/2022-spring/homeworks-theory Теоретические ДЗ] не проверяются, но задачи из них могут войти в проверочные работы на семинарах.
 
+
'''Теоретическое домашнее задание 2''': обучение без учителя [[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/homeworks-theory/homework-theory-06-unsupervised.pdf ссылка]]
+
  
 
== Практические задания ==
 
== Практические задания ==
  
За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. В течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна.
+
== Проект ==
  
'''Задание 8.''' Кластеризация.
+
Одной из форм контроля является проект. Результатом выполнения проекта должен быть отчёт, содержащий в себе:
+
* Описание задачи
Мягкий дедлайн: 24.03.2019 05:59 MSK
+
* Описание методов
 +
* Описание данных, на которых проводились эксперименты
 +
* Подробное описание экспериментов и результатов
 +
* Анализ результатов и выводы
  
Жесткий дедлайн: 28.03.2019 05:59 MSK
+
Не нужно писать формальный текст — будет здорово, если у вас получится интересная и доступная обзорная статья.
  
[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/homeworks-practice/homework-practice-08.ipynb Условие]
+
За проект можно получить до 5 бонусных баллов. Если получится совсем потрясающе — то и до 10 баллов.
  
'''Задание 9.''' EM-алгоритм.
+
Темы проектов: '''будут объявлены позже'''
+
Мягкий дедлайн: 14.04.2019 07:59 MSK
+
  
Жесткий дедлайн: 16.04.2019 23:59 MSK
+
Можно предлагать свои темы — их нужно вписать в ту же табличку. Такие темы нужно согласовать с лектором.
  
[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/homeworks-practice/homework-practice-09/homework-practice-09.ipynb Условие]
+
По умолчанию каждую тему может взять одна команда из 2-3 студентов. По согласованию с лектором одну тему может взять несколько команд.
  
'''Задание 10.''' Тематическое моделирование.
+
Дедлайн сдачи отчёта и кода: 13 июня 23:59.
+
Мягкий дедлайн: 12.05.2019 08:00 MSK
+
 
+
Жесткий дедлайн: 14.05.2019 23:59 MSK
+
 
+
[https://github.com/esokolov/ml-course-hse/blob/master/2018-spring/homeworks-practice/homework-practice-10/homework-practice-10.ipynb Условие]
+
 
+
== 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'''.
+
 
+
=== Соревнование 4: Рекомендательная система ===
+
 
+
Дата выдачи: 24.04.2019
+
 
+
Срок окончания соревнования: 18.05.2019 23:59MSK
+
 
+
Срок отправки кода: 21.05.2019 23:59MSK
+
 
+
[https://www.kaggle.com/t/f2aa63ee305d45219df1ca48f242263c Ссылка на участие в соревновании]
+
  
 
== Коллоквиум ==
 
== Коллоквиум ==
  
Коллоквиум пройдёт 18 мая.
+
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/1pSRySGMbE-oTr1HAOCKeAr6OdutPV2huCEC5fBct74Y/edit?usp=sharing Вопросы] для подготовки
+
* [https://docs.google.com/document/d/1iJ_Q5hBiKpPd3MQ3OhBA6SzyIaTiLuuOKphjAi_fIlU/edit?usp=sharing Теоретический минимум]
+
  
Схема опроса на коллоквиуме:
+
[https://docs.google.com/document/d/1lpJwKyjJdFFy0dgfq3_JlK395wjLeC8lBGicCRzqwE8/edit Вопросы для подготовки]
# Разрешается принести с собой один лист А4, где от руки написано что угодно. Можно будет пользоваться этим листом в любом момент, кроме опроса по теоретическому минимуму.
+
# В начале студенту задаётся три вопроса из теоретического минимума. Отсутствие полного ответа на хотя бы один из них сразу же гарантирует нулевую оценку за коллоквиум. Если на все вопросы ответы полные и правильные, то студент получает 2 балла. Если при дальнейшем опросе студент демонстрирует ненулевые знания, то он получает ещё 2 балла за теоретический минимум.
+
# Далее студенту даётся вопрос из списка вопросов (первая ссылка выше). Ответ на него оценивается максимум в 4 балла.
+
# Далее студенту даётся ещё один вопрос из списка или задача. Ответ оценивается максимум в 4 балла.
+
# Все баллы суммируются, больше 10 баллов получить нельзя. Избыток баллов уходит в бонусы.
+
  
 
== Экзамен ==
 
== Экзамен ==
  
 +
[https://docs.google.com/document/d/1f163jwJRC8sP5XFwd0BGUn2wNUTY3R8xtamEVEjqNfc/edit?usp=sharing Вопросы для подготовки]
  
 
== Полезные материалы ==
 
== Полезные материалы ==
Строка 217: Строка 146:
 
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
 
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
 
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
 
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
 +
* [https://www.coursera.org/specializations/machine-learning-from-statistics-to-neural-networks Coursera: Машинное обучение от статистики до нейросетей (специализация)]
 
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
 
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
 
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]
 
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]
  
 
== Страницы предыдущих лет ==
 
== Страницы предыдущих лет ==
 +
 +
[[Машинное_обучение_2/2022_2023 | 2022/2023 учебный год]]
 +
 +
[[Машинное_обучение_2/2021_2022 | 2021/2022 учебный год]]
 +
 +
[[Машинное_обучение_2/2020_2021 | 2020/2021 учебный год]]
 +
 +
[[Машинное_обучение_2/2019_2020 | 2019/2020 учебный год]]
 +
 +
[[Машинное_обучение_2/2018_2019 | 2018/2019 учебный год]]
  
 
[[Машинное_обучение_2/2017_2018 | 2017/2018 учебный год]]
 
[[Машинное_обучение_2/2017_2018 | 2017/2018 учебный год]]
  
 
[[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]
 
[[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]

Текущая версия на 22:00, 20 января 2024

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/+wqFgR0wndUszNGIy

Чат в telegram для обсуждений (предназначение чата до конца не ясно, вопросы может быть правильнее задавать в чатах групп): https://t.me/+uALHcjfF6mw1NDJi

Ссылка на курс в Anytask:

Таблица с оценками

Плейлист с записями занятий: https://youtube.com/playlist?list=PLEwK9wdS5g0rILWZFPEnw0a1VZgo2e5ax&si=Ctg7z6mZII8_TBeA

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
211 (МОП) [Морозов Никита Витальевич] Жуматаев Жанту, Петров Олег
212 (МОП) Соколов Евгений Андреевич Кеммер Анастасия, Юдин Николай, Грицаев Тимофей
213 (МОП) [Баранов Михаил] Дмитриева Екатерина, Максутова Айза
Курс по выбору (онлайн) Ульянкин Филипп @ppilif Перепелкин Владимир, Иванов Данил, Трофименко Илья
Курс по выбору (очно) Абрахам Максим Петренко Максим, Аксенов Антон

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.

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 (12 января). Ядровые методы [Конспект] [Запись лекции]

Семинары

Теоретические задания

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

Практические задания

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: будут объявлены позже

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

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

Вопросы для подготовки

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

2022/2023 учебный год

2021/2022 учебный год

2020/2021 учебный год

2019/2020 учебный год

2018/2019 учебный год

2017/2018 учебный год

2016/2017 учебный год