|
|
| (не показано 7 промежуточных версии этого же участника) |
| Строка 1: |
Строка 1: |
| − | == О курсе ==
| |
| | | | |
| − | Курс читается для студентов лингвистов 4-го курса факультета гуманитарных наук.
| |
| − |
| |
| − | Проводится с 2017 года.
| |
| − |
| |
| − | '''Преподаватель:''' Денис Литвинов ([mailto:4denaas@gmail.com Почта], [https://t.me/denaas Telegram ])
| |
| − |
| |
| − | '''Ассистенты''' Елизавета Корнеева ([mailto:elisavetinaaa@gmail.com Почта], [https://t.me/tithemi Telegram ]), Егор Соловьев ([mailto:easolovev@edu.hse.ru Почта], [https://t.me/esolovev Telegram ])
| |
| − |
| |
| − |
| |
| − | === Правила выставления оценок ===
| |
| − | итоговая оценка = 0.7*накопленная + 0.3*экзамен
| |
| − |
| |
| − | накопленная оценка — средняя по всем домашним заданиям.
| |
| − |
| |
| − | # При вычислении накопленной оценки округление не производится
| |
| − | # Домашнее задание оценивается по 10-балльной шкале.
| |
| − | # В случае пропуска дедлайна за каждый пропущенный день снимается 0.5 балла в течении первых 6 дней. Затем, за каждый пропущенный день снимаются по 1 баллу.
| |
| − | # Дедлайны для каждой домашней работы указываются отдельно.
| |
| − | # В оценке домашнего задания оцениваются: работоспособность программы, использование изложенных средств и методов.
| |
| − | # 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.
| |
| − | # При обнаружении плагиата в домашнем или контрольном задании это задание получает оценку 0 баллов.
| |
| − | # Экзамен проводится в письменной форме.
| |
| − |
| |
| − | === Рекомендуемая литература ===
| |
| − | # Кормен. Алгоритмы: построение и анализ
| |
| − | # Bishop. Pattern Recognition and Machine Learning
| |
| − | # Christopher Manning. Foundations of Statistical Natural Language Processing
| |
| − |
| |
| − |
| |
| − | === Программные средства ===
| |
| − | # редактор кода sublime text / notepad++ / PyCharm
| |
| − | # jupyter notebook
| |
| − | # numpy, scipy, pandas, matplotlib, seaborn, scikit-learn, gensim, lightgbm, pytorch
| |
| − |
| |
| − |
| |
| − | === Правила сдачи домашних заданий ===
| |
| − | Домашние задания сдаются по умолчанию в репозиториях, указанных в [https://goo.gl/wFr8tr форме] '''(пожалуйста, пройдите этот опрос)'''
| |
| − |
| |
| − | # Домашнее задание выполняется в jupyter notebook, если явно не указано иное.
| |
| − | # Не стоит выкладывать в репозиторий запакованные файлы.
| |
| − | # Соблюдайте именование каталогов, классов и сигнатур функций, если они явно указаны. В противном случае автотесты их не подцепят и ваше решение не будет засчитано.
| |
| − | # Опоздание считается по последнему сданному заданию в домашней работе
| |
| − |
| |
| − | === Оценки за домашние задания ===
| |
| − | [https://docs.google.com/spreadsheets/d/1SUG3UjWCez6beNukIFP6sRMnKXBs-jnJaNyh4Ateiu4 оценки]
| |
| − |
| |
| − | === Экзамен ===
| |
| − | Экзамен проходит в письменной форме и сотоит из 3 частей
| |
| − | # Решение задачи машинного обучения на ноутбуке
| |
| − | ## Необходимые библиотеки numpy, scipy, pandas, scikit-learn, nltk. Проверьте что они у вас стоят, и не слишком старой версии.
| |
| − | ## Задачи по мотивам домашних работ + обработка текстовых данных.
| |
| − | # Вопрос по теории.
| |
| − | ## Написать формулы где они есть.
| |
| − | # вопрос по применению теории к решению практических задач
| |
| − | ## По мотивам теоретических вопросов
| |
| − | ## e.g. Каким требованиям должна удовлетворять метрика качества, чтобы ее напрямую можно было оптимизировать с помощью SGD?
| |
| − |
| |
| − | [http://wiki.cs.hse.ru/index.php?title=Программирование_(python)_для_лингвистов_экзамен вопросы к экзамену]
| |
| − |
| |
| − | Дополнительные материалы для подготовки:
| |
| − | # [https://github.com/esokolov/ml-course-hse/ курс] Евгения Соколова по машинному обучению на ФКН
| |
| − | # Peter Flatch. Machine Learning
| |
| − | # Bishop. Pattern Recognition and Machine Learning
| |
| − | # [http://scikit-learn.org/stable/tutorial/index.html Scikit-learn tutorials] and [http://scikit-learn.org/stable/user_guide.html User guide]
| |
| − | # [http://cs229.stanford.edu/section/cs229-hmm.pdf Hidden Markov Models Fundamentals]
| |
| − |
| |
| − | == Семинары ==
| |
| − |
| |
| − | {| class="wikitable"
| |
| − | |-
| |
| − | ! № !! Тема семинара !! материалы семинара !! домашнее задание !! дедлайн
| |
| − | |-
| |
| − | | 1 || Теория алгоритмов. Фильтр Блума. Алгоритм Рабина-Карпа || [https://github.com/thedenaas/hse_seminars_2018/tree/master/seminar_1 seminar_1] || [https://github.com/thedenaas/hse_seminars_2018/tree/master/seminar_1 assignment_1] || 18.09.2018 12:00
| |
| − | |-
| |
| − | | 2 || Тестирование программ. Визуализация. Избранные главы теории вероятностей и линейной алгебры. || [https://github.com/thedenaas/hse_seminars_2018/tree/master/seminar_2 seminar_2] || ||
| |
| − | |-
| |
| − | | 3 || Основные понятия машинного обучения || [https://github.com/thedenaas/hse_seminars_2018/tree/master/seminar_3 seminar_3] || [https://github.com/thedenaas/hse_seminars_2018/tree/master/seminar_3 assignment] || 16.10.2018 12:00
| |
| − | |-
| |
| − | | 4 || Регуляризация в линейных моделях || [https://github.com/thedenaas/hse_seminars_2018/tree/master/seminar_4 seminar_4] || ||
| |
| − | |-
| |
| − | | 5 || Линейный модели для классификации || [https://github.com/thedenaas/hse_seminars_2018/tree/master/seminar_5 seminar_5] || [https://github.com/thedenaas/hse_seminars_2018/tree/master/seminar_5 assignment] || 16.11.2018 23:59
| |
| − | |-
| |
| − | | 6 || Decision Trees. Ensembles. || [https://github.com/thedenaas/hse_seminars_2018/tree/master/seminar_6 seminar_6] || [https://github.com/thedenaas/hse_seminars_2018/tree/master/seminar_6 assignment] || 30.11.2018 23:59
| |
| − | |-
| |
| − | | 7 || Feed Forward Neural Networks || [https://github.com/thedenaas/hse_seminars_2018/tree/master/seminar_7 seminar_7] || ||
| |
| − | |-
| |
| − | | 8 || Dimension reduction. Manifold Learning || [https://github.com/thedenaas/hse_seminars_2018/tree/master/seminar_8 seminar_8] || ||
| |
| − | |-
| |
| − | |}
| |
