imported>Elena.kantonistova: /* Экзамен */

2018-12-14T10:53:01Z

Экзамен

Новая страница

== 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. 

[https://docs.google.com/spreadsheets/d/12-AnCGi1yiv9gyRgjNYy5Db0XHURYvg5wx74gVNaGH8/edit?usp=sharing Таблица с оценками]

=== Семинары ===
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Gitlab Username !! Расписание
|-
| 4 курс эконома || [https://www.hse.ru/staff/bbd Борис Демешев] || Анастасия Максимовская || anastasiyamax || пятница 10:30, ауд. 3316
|-
| 3 курс эконома-1 || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || Анастасия Рогачевская || arogachewskaya || пятница 10:30, ауд. 3317
|-
| 3 курс эконома-2 || [https://www.hse.ru/org/persons/65841825 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:

Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз

Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.2 * Oсамостоятельные + 0.6 * Одз + 0.2 * Околлоквиум

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 ==

'''Коллоквиум будет проведен 27 октября в аудитории 2309 с 9:00 до 12:00'''. Третий курс приходит к 9:00, четвертый курс - к 10:30.

'''Правила'''
* коллоквиум будет включать в себя теоретические вопросы и задачи
* список теоретических вопросов: [https://yadi.sk/i/02MVWioinckZPA ссылка]
* 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 ==
'''Экзамен будет проведен 29 декабря в аудитории 5306 с 9:00 до 13:30'''.

== Лекции ==

'''Лекция 1''' (7 сентября). Введение в машинное обучение.
[https://yadi.sk/i/ai0g5tNGGEDW7g Слайды]

'''Лекция 2''' (14 сентября). Линейные методы регрессии (аналитическое и численное решение задачи МНК, градиентный спуск, методы оценивания градиента).
[https://yadi.sk/i/qLdVErX9XsgN6Q Слайды]

'''Лекция 3''' (21 сентября). Линейные методы регрессии (метрики качества регрессии, регуляризация, методы оценивания обобщающей способности, кросс-валидация).
[https://yadi.sk/i/RXA_JnqbY-bo5g Слайды]

'''Лекция 4''' (28 сентября). Линейные методы классификации (аппроксимация эмпирического риска, метрики качества в задачах классификации, персептрон).
[https://yadi.sk/i/HNmj2uU_dylmYQ Слайды]

'''Лекция 5''' (5 октября). Линейные методы классификации (логистическая регрессия, метод опорных векторов, калибровка Платта).
[https://yadi.sk/i/f1hvj67lfZgJHQ Слайды]

'''Лекция 6''' (12 октября). Многоклассовая классификация. Ядровые методы.
[https://yadi.sk/i/mZAUXdm0CLwLoQ Слайды]

'''Лекция 7''' (19 октября). Работа с признаками (методы отбора признаков, метод главных компонент и сингулярное разложение).
[https://yadi.sk/i/QkzT9GE2H6ikUw Слайды]

'''Лекция 8''' (2 ноября). Решающие деревья.
[https://yadi.sk/i/fxryvBNF5f96bg Слайды]

'''Лекция 9''' (9 ноября). Композиции алгоритмов (общая идея bias-variance decomposition, бэггинг, случайные леса).
[https://yadi.sk/i/ovhp--Wd1KwpHQ Слайды]

'''Лекция 10''' (16 ноября). Композиции алгоритмов (бустинг, градиентный бустинг над решающими деревьями).
[https://yadi.sk/i/hf1mdCjR_DYzfA Слайды]

'''Лекция 11''' (23 ноября). Модификации градиентного бустинга над решающими деревьями. Методы кластеризации и визуализации данных.
[https://yadi.sk/d/d-UYHLwdU_wwFg Слайды]

'''Лекция 12''' (30 ноября). Введение в нейронные сети (метод обратного распространения ошибки, полносвязные нейронные сети, свёрточные нейронные сети).
[https://yadi.sk/i/9rYFxGfADDiO9w Слайды]

'''Лекция 13''' (7 декабря). Работа с текстами (методы кодирования текстовых данных, word2vec, рекуррентные нейронные сети).
[https://yadi.sk/i/gzMHqCEVgSqjUg Слайды]

'''Лекция 14''' (14 декабря). Прогнозирование временных рядов как задача регрессии: авторегрессия, тренды и сезонности. Адаптивные методы работы с временными рядами, фильтр Калмана.
[https://yadi.sk/i/UlhgYYf5Phmo_A Слайды]

[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

== Семинары ==

'''Семинар 1'''.
== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. [http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html The Elements of Statistical Learning (2nd edition).] Springer, 2009.r, 2009.
* Bishop C. M. [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ 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===
* [https://github.com/esokolov/ml-course-hse Курс по машииному обучению Евгения Соколова на ПМИ ФКН]
* [http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_%28курс_лекций%2C_К.В.Воронцов%29 Курс по машинному обучению К.В. Воронцова]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видеозаписи лекций курса Школы Анализа Данных, К.В. Воронцов]
* [https://www.coursera.org/specializations/machine-learning-data-analysis Coursera: Машинное обучение и анализ данных (специализация)]
* [https://www.coursera.org/learn/introduction-machine-learning Coursera: Введение в машинное обучение, К.В. Воронцов]

Машинное обучение (ФЭН) - История изменений

imported>Elena.kantonistova: /* Экзамен */