Прикладная статистика в машинном обучении(2019)

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

О курсе

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

Лектора: Артемов Алексей Валерьевич, Деркач Денис Александрович

Полезные ссылки

Телеграм-чат курса: Общая группа курса ПСМО-19/20

Гитхаб курса: hse-stat-course-2019

Anytask курса: [1]

Семинары

Группа Преподаватель Учебный ассистент Расписание инвайт AnyTask
172 (МОП) Мусаткина Дарья Дешеулин Олег суббота, 15:10 - 16:30, ауд. XXX Z1e2cE0
171 (МОП) Белавин Владислав Петров Тимур суббота, 15:10 - 16:30, ауд. XX R6ei2tw

Отчётность по курсу и критерии оценки

Домашние задания

В рамках курса каждые два занятия будет выдаваться домашняя работа содержащая теоретические и практические задачи по материалам прошедших занятий.

  • На выполнение ДЗ отводится 2 недели. За решения отправленные после дедлайна начисляется 0 баллов.
  • Каждое ДЗ оценивается по шкале от 0 до 10 баллов с шагом в 0.5 баллов.
  • Итоговая оценка за ДЗ считается как среднее арифметическое округленное до ближайшего целого или половинного балла.

Тесты

В конце каждой лекции, начиная со второй, будет проводиться тест по материалам предыдущей недели. Тест состоит из 10 вопросов.

Коллоквиум

За коллоквиум ставится оценка от 0 до 10 баллов с шагом в 0.5. Проводится в форме письменной контрольной.

Экзамен

Устный экзамен по всем темам модуля оценивается от 0 до 10 баллов с шагом в 0.5.

Итоговая оценка за курс

Итоговая оценка за курс расчитывается по следующей формуле:

Oитог = 0.8 * Oнакопл + 0.2 * Оэкз

Возможность получить автомат

Если вы:

  • набрали больше или ровно 8 бонусных баллов за ДЗ;
  • посетили больше или ровно 60% лекций;

То вы молодец и получаете право на 8, 9 или 10 автоматом(зависит от Oнакопл :)

Лекции и семинары

Номер Дата Название Материалы

Домашние задания

Все домашние задания сдавать в Anytask курса.

Номер Сроки выполнения Ссылка на условие

Полезные материалы

1. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.

2. Wasserman L. All of Nonparametric Statistics. Springer, 2006.

3. Bishop C.M. Pattern recognition and machine learning. Springer, 2006.

4. David Mackay J.C. Information theory, inference, and learning algorithms. Cambridge, 2007.

5. Grimmett G., Stirzaker D. Probability and Random Processes. Oxford University Press, 2001.

6. Forrester A., Sobester A., Keane A. Engineering Design via Surrogate Modelling. A Practical Guide. Wiley, 2008.

7. Lee J.A., Verleysen M. Nonlinear Dimensionality Reduction. Springer, 2007.

8. Wang G.G., Shan S. Review of Metamodeling Techniques in Support of Engineering Design Optimization // Journal of Mechanical Design, Vol. 129, No. 4, pp. 370-380, 2007.

9. Deconinck, Periaux, Giannakoglou (eds.). Optimization method and tools for multicriteria/multidisciplinary design. Applications to aeronautics and turbomachinary // von Karman Institute for Fluid Dynamics, Lecture Series 2004-07, 2004.

10. Лагутин М.Б. Наглядная математическая статистика. М.: БИНОМ. Лаборатория знаний, 2007.

11. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.

12. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.

13. Айвазян С.А., Бухштабер В.М., Енюков С.А., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.