НИС Прикладные задачи анализа данных (МОиВС, 2022) — различия между версиями
Murrcha (обсуждение | вклад) |
Murrcha (обсуждение | вклад) |
||
| Строка 22: | Строка 22: | ||
Ссылка на плейлист курса на YouTube: https://www.youtube.com/playlist?list=PLmA-1xX7IuzDT8M0NfFg6r5IXLoFx7xsI | Ссылка на плейлист курса на YouTube: https://www.youtube.com/playlist?list=PLmA-1xX7IuzDT8M0NfFg6r5IXLoFx7xsI | ||
| − | Ссылка на GitHub с материалами курса: [[ | + | Ссылка на GitHub с материалами курса: [[https://github.com/Murcha1990/MLDS_AppliedDS_autumn2021.git Github]] |
{| class="wikitable" | {| class="wikitable" | ||
Версия 16:54, 23 сентября 2022
Содержание
О курсе
Курс посвящен расширению кругозора обучающихся в области машинного и глубинного обучения. На курсе изучаются различные приложения анализа данных, которые, как правило, не входят в программы других дисциплин цикла. Среди изучаемых на курсе тем: поиск аномалий в данных, обзор алгоритмов построения рекомендаций, EM-алгоритм, нормализационные потоки и другие довольно важные приложения.
Большинство занятий проводятся на Webinar.ru по субботам с 12:00 до 13:20
Контакты
Канал курса в TG: channel link
Чат курса в TG: chat link
| Ассистенты | Контакты |
|---|---|
| Червяков Артем | @arorlov |
| Прохоров Савелий | @Savely_Prokhorov |
Материалы курса
Ссылка на плейлист курса на YouTube: https://www.youtube.com/playlist?list=PLmA-1xX7IuzDT8M0NfFg6r5IXLoFx7xsI
Ссылка на GitHub с материалами курса: [Github]
| Занятие | Тема | Дата | Преподаватель | Материалы для самоподготовки к семинарам | Дополнительные материалы |
|---|---|---|---|---|---|
| 1 | Рекомендательные системы | 17.09.22 | Цвигун Аким | ||
| 2 | Поиск аномалий | 24.09.22 | Кантонистова Елена | ||
| 3 | Нормализационные потоки | 01.10.22 | Гущин Михаил | ||
| 4 | Быстрый поиск ближайших соседей | 08.10.22 | Бокатенко Данил | ||
| 5 | Графовый подход в задаче кластеризации | 15.10.22 | Бокатенко Данил | ||
| 6 | AutoML | 18.10.22 | Садртдинов Ильдус | ||
| 7 | EM-алгоритм | 22.10.22 | Максим Рябинин |
Формула оценивания
Оценка = 0.3*тесты + 0.7*ДЗ
В начале занятия - тест (4-5 несложных вопросов) по теме предыдущего занятия.
Домашние задания
По курсу предусмотрено 2 домашних задания
- По семейству генеративных моделей (на сравнение GAN'ов, автоэнкодеров и нормализационных потоков)
- По AutoML
