Машинное обучение (ФЭН)

О курсе

Преподаватели: Читает лекции Кантонистова Елена Олеговна, ведут семинары Демешев Борис Борисович, Филатов Артем Андреевич и Петросян Артур Тигранович.

Лекции проходят по пятницам, 12:10 - 13:30, ауд. 5214.

Семинары

Группа	Преподаватель	Учебный ассистент	Чат	Расписание
4 курс эконома	Борис Демешев	Анастасия Максимовская		пятница 10:30, ауд. 3316
3 курс эконома-1	Артем Филатов	Анастасия Рогачевская		пятница 10:30, ауд. 3317
3 курс эконома-2	Артур Петросян	Алексей Иванов		суббота 9:00, ауд. 3316

Правила выставления оценок

В курсе предусмотрено несколько форм контроля знания:

• Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и выполнение теоретических домашних заданий
• Практические домашние работы на Python
• Соревнование по анализу данных
• Устный коллоквиум в конце 1-го модуля
• Устный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

O_{итоговая} = 0.7 * O_{накопленная} + 0.3 * О_экз

Оценка за работу в семестре вычисляется по формуле

O_{накопленная} = 0.2 * O_{самостоятельные} + 0.6 * О_дз + 0.2 * О_{коллоквиум}

Накопленная и итоговая оценки округляются арифметически. Никакие промежуточные оценки, в том числе оценки за домашние задания, самостоятельные работы или коллоквиум, не округляются.

Оценка за самостоятельную работу вычисляется как сумма баллов по всем самостоятельным, переведенная в 10 бальную шкалу. Оценка за домашнюю работу — как сумма баллов по всем практическим заданиям и соревнованию, переведенная в 10 бальную шкалу. Количество баллов за разные задания может различаться в зависимости от их сложности.

По курсу возможно получение оценки автоматом без сдачи экзамена. Необходимым условием для получения автомата является накопленная оценка, равная 8 или выше.

Коллоквиум

После первого модуля будет проведен устный коллоквиум.

Правила

• коллоквиум будет включать в себя теоретические вопросы и задачи
• список теоретических вопросов вопросов будет опубликован позже
• задачи будут либо близки к задачам из теоретических домашних заданий, либо простыми задачами на понимание материала (например, на построение ROC-кривой для конкретных данных, на понимание формы разделяющей поверхности для разных методов классификации, на доказательство, что функция является ядром и т.д.)
• на подготовку и ответ будет выделено примерно по 10 минут
• пользоваться при подготовке ничем нельзя

Экзамен

В конце курса будет проведен устный экзамен.

Лекции

Лекция 1 (7 сентября). Введение в машинное обучение. Слайды

Лекция 2 (14 сентября). Линейные методы регрессии. Слайды

Репозиторий на GitHub с конспектами лекций Евгения Соколова

Семинары

Семинар 1.

Полезные материалы

Книги

• Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.r, 2009.
• Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
• Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
• Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
• Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
• Willi Richert, Luis Pedro Coelho. Building Machine Learning Systems with Python. Packt Publishing, 2013.

Курсы по машинному обучению и анализу данных

• Курс по машииному обучению Евгения Соколова на ПМИ ФКН
• Курс по машинному обучению К.В. Воронцова
• Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов
• Coursera: Машинное обучение и анализ данных (специализация)
• Coursera: Введение в машинное обучение, К.В. Воронцов