ML4SE 1 — различия между версиями
Материал из Wiki - Факультет компьютерных наук
Denaas (обсуждение | вклад) м |
Denaas (обсуждение | вклад) м |
||
Строка 1: | Строка 1: | ||
== О курсе == | == О курсе == | ||
+ | |||
+ | В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода. | ||
<big>'''Преподаватели:'''</big> | <big>'''Преподаватели:'''</big> | ||
Строка 6: | Строка 8: | ||
== Содержание учебной дисциплины == | == Содержание учебной дисциплины == | ||
+ | |||
+ | # Linear models, ML fundamentals | ||
+ | # Distributed representations | ||
+ | # Feed Forward Neural Networks | ||
+ | # CNN, RNN | ||
+ | # Language Modeling | ||
+ | # Transformers | ||
+ | # Transfer learning | ||
+ | # Information Retrieval | ||
+ | # Modern Transformer architectures | ||
<big>'''Материалы курса:'''</big> | <big>'''Материалы курса:'''</big> | ||
+ | |||
+ | {| class="wikitable" | ||
+ | |- | ||
+ | ! дата !! тема !! материалы !! ДЗ !! дедлайн !! последний дедлайн | ||
+ | |- | ||
+ | | 7.09.2021 || Линейные модели, основы машинного обучения I || || || || | ||
+ | |- | ||
+ | |} | ||
==Формула оценки== | ==Формула оценки== | ||
Строка 18: | Строка 38: | ||
==Рекомендованная литература== | ==Рекомендованная литература== | ||
+ | # Goodfellow I. Deep Learning. MIT Press, 2016 | ||
+ | # Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006 | ||
+ | |||
+ | ==Рекомендуемая дополнительная литература== | ||
+ | # Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017 | ||
+ | # Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/ | ||
+ | # Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019 |
Версия 15:13, 30 августа 2021
Содержание
О курсе
В последние годы машинное обучение стало активно применяться в программировании и разработке. В данном курсе студенты узнают и научатся пользоваться базовыми понятиями машинного обучения, некоторыми классическими моделями и нейронными сетями, необходимыми для анализа кода.
Преподаватели:
Литвинов Денис Владимирович (Telegram)
Содержание учебной дисциплины
- Linear models, ML fundamentals
- Distributed representations
- Feed Forward Neural Networks
- CNN, RNN
- Language Modeling
- Transformers
- Transfer learning
- Information Retrieval
- Modern Transformer architectures
Материалы курса:
дата | тема | материалы | ДЗ | дедлайн | последний дедлайн |
---|---|---|---|---|---|
7.09.2021 | Линейные модели, основы машинного обучения I |
Формула оценки
Результирующая оценка вычисляется по формуле:
О_результирующая = Округление( 0.12 * ДЗ1 + 0.12 * ДЗ2 + 0.12 * ДЗ3 + 0.12 * ДЗ4 +0.12 * ДЗ5 + 0.2 * O_доклад + 0.2 * О_активность)
Формула округления: Стандартное арифметическое округление
Рекомендованная литература
- Goodfellow I. Deep Learning. MIT Press, 2016
- Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006
Рекомендуемая дополнительная литература
- Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017
- Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/
- Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019