ML4SE 1 — различия между версиями

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

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

  1. Linear models, ML fundamentals
  2. Distributed representations
  3. Feed Forward Neural Networks
  4. CNN, RNN
  5. Language Modeling
  6. Transformers
  7. Transfer learning
  8. Information Retrieval
  9. 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

  1. Goodfellow I. Deep Learning. MIT Press, 2016
  2. Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006

Рекомендуемая дополнительная литература

  1. Hastie, T. The elements of statistical learning : data mining, inference, and prediction. Springer, 2017
  2. Sheldon A. Linear Algebra Done Right. Springer, 3d edition, 2015. https://linear.axler.net/
  3. Kamath U. Deep Learning for NLP and Speech Recognition. Springer, 1st edition, 2019