Программирование (python) для лингвистов — различия между версиями

Версия 23:27, 6 сентября 2017

О курсе

Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.

Проводится с 2017 года.

Лектор: Денис Литвинов (Почта, Telegram )

Ассистент Елизавета Корнеева (Почта)

Практические занятия проходят по средам 9:00-10:20 + 2 занятия в четверг (смотрите расписание)

Правила выставления оценок

итоговая оценка = 0.7*накопленная + 0.3*экзамен

накопленная оценка — средняя по всем дз

1. Домашнее задание оценивается по 10-балльной шкале.
2. В случае пропуска дедлайна за каждый пропущенный день снимается 1 балл, пока балл >= 3. Затем, за каждый пропущенный день снимаются по 0.5 балла.
3. Дедлайны для каждой домашней работы указываются отдельно.
4. В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов.
5. При оценивании программы в первую очередь обращается внимание на то, насколько её работа соответствует требованиям, описанным в задании. Программа, не запускающаяся из-за синтаксических ошибок, не может получить оценку выше 4 баллов. Баллы могут сниматься, в частности, за неточное выполнение задания и отсутствие разбора случаев, из-за которых при исполнении программы может произойти ошибка. Так же оценивается оптимальность решенения (в смысле времени работы и потребляемой памяти). Во вторую очередь оценивается стиль кода.
6. При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.
7. Экзамен проводится в письменной форме.

Правила сдачи домашних заданий

Домашние задания сдаются по умолчанию в репозиториях, указанных в форме (пожалуйста, пройдите этот опрос)

Рекомендуемая литература

1. Кормен. Алгоритмы: построение и анализ
2. Bishop. Pattern Recognition and Machine Learning
3. Jurafsky. Speech and Language Processing
4. Barber. Bayesian Reasoning and Machine Learning

Программные средства

1. редактор кода sublime text / notepad++ / PyCharm
2. jupyter notebook
3. numpy, scipy, pandas, matplotlib, seaborn, plotly, scikit-learn, gensim, xgboost

Семинары