Методы машинного обучения (Прикладная политология) — различия между версиями
Строка 13: | Строка 13: | ||
=== Полезные ссылки === | === Полезные ссылки === | ||
− | + | [https://github.com/brainylyasha/ml-politology-course Репозиторий с материалами на GitHub] | |
− | + | ||
− | [https://github.com/ | + | |
Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q | Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q | ||
Строка 59: | Строка 57: | ||
== Семинары == | == Семинары == | ||
+ | |||
== Практические задания == | == Практические задания == | ||
Строка 64: | Строка 63: | ||
== Полезные материалы == | == Полезные материалы == | ||
+ | |||
===Книги=== | ===Книги=== | ||
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009. | * Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009. |
Версия 13:32, 29 октября 2019
Содержание
О курсе
Курс читается для студентов 1-го курса программы "Прикладная политология" в 2-3 модулях.
Лектор: Зиннурова Эльвира Альбертовна (tg)
Семинарист: Панков Алексей Алексеевич (tg)
Ассистент: Ревина Полина (tg)
Занятия проходят по вторникам, 18:00 — 21:00, ауд. 320а (ул. Мясницкая, 11).
Полезные ссылки
Репозиторий с материалами на GitHub
Чат в telegram для обсуждений и вопросов: https://t.me/joinchat/Cns_2hbF6c8B3cOx_olT0Q
Вопросы по курсу можно задавать в чатепо ссылке выше, а также в телеграм преподавателям и ассистенту.
Семинары
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
- Проект
- Коллоквиум
- Письменный экзамен
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:
Итог = Округление(0.1 * ПР + 0.2 * ДЗ + 0.2 * Проект + 0.2 * Кол + 0.3 * Э)
ПР — средняя оценка за самостоятельные работы на семинарах
ДЗ — средняя оценка за практические домашние работы на Python
Проект — оценка за проект
Кол — оценка за коллоквиум
Э — оценка за экзамен
Округление арифметическое.
Правила сдачи заданий
При обнаружении плагиата в любом виде работ оценки за работу 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 работу 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
Семинары
Практические задания
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
- 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