imported>Tipt0p: /* Экзамен */

2018-01-18T10:57:59Z

Экзамен

Новая страница

== О курсе ==

'''Лекторы:''' [https://www.hse.ru/org/persons/131072080 Екатерина Лобачева], Алексей Артемов 
Лекции проходят по пятницам, 10:30 - 11:50, ауд. 5215. 

=== Полезные ссылки ===

[ Программа курса] 
[https://github.com/FilatovArtm/ML_Eco-NES_2017 Репозиторий на GitHub с материалами курса] 
[https://github.com/esokolov/ml-course-hse Репозиторий на GitHub с конспектами лекций Евгения Соколова] 

Почта курса: '''ml.econom.hse@gmail.com''' 
Формат темы письма (обязательно соблюдайте его, так как у нас стоят автоматические фильтры):
* '''Вопрос - номер группы по данному курсу - Фамилия Имя''' — для вопросов;
* '''Практика {номер задания} - номер группы по данному курсу - Фамилия Имя''' — для сдачи практических домашних заданий.

Возможные группы по данному курсу: 4 простая, 4 сложная, 3 простая, 3 сложная, совбак простая, совбак сложная. 
Пример: Практика 1 - 4 простая - Иванов Иван

Канал в telegram для объявлений: https://t.me/joinchat/AAAAAERI0duQMnhSawsR2A 
Чат в telegram для обсуждений: https://t.me/joinchat/ABAXWEIJR7rcclSWVZfFhg

[https://drive.google.com/open?id=1qWrFvaCEYGQPMf9NNSti0YACmpO4oOI8Z5lWkET0XAU Таблица с оценками]

Оставить анонимный отзыв на курс: [https://docs.google.com/forms/d/e/1FAIpQLSfqAdwstSuIwqeluCjVt-jCGmq4_Tur_4vBqCEXRcTgdiZlwg/viewform форма]

=== Семинары ===

3 курс, сложная группа, заполните форму: https://goo.gl/forms/GUom80x8zoiQ3ZyX2

{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! Чат !! Расписание
|-
| 4 курс эконома, простая || Артем Филатов || Анастасия Рогачевская || || пятница 12:10, ауд. 5215
|-
| 4 курс эконома, сложная || [https://www.hse.ru/staff/bbd Борис Демешев] || Никита Герман || || пятница 12:10, ауд. 2205
|-
| 3 курс эконома, простая || Елена Кантонистова || Елизавета Вахрамеева || [https://t.me/joinchat/DUaTB0ObBdXqjmUDrfd_BQ тут] || суббота 16:40, ауд. 2205
|-
| 3 курс эконома, сложная || Евгений Егоров || Мария Такташева || [https://t.me/joinchat/B8wjxQ6Ok7mCk15oG-GM-g обязательно] || понедельник 9:00, ауд. 3316
|-
| совбак, простая || [https://www.hse.ru/staff/is Илья Щуров] || Дмитрий Пчелкин || || вторник, 18:10, ауд. 3317
|-
| совбак, сложная || Артем Филатов || Ксения Вальчук || || среда 13:40, ауд. 4428
|-
|}

=== 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.

=== Правила сдачи заданий ===

Дедлайны по всем домашним заданиям являются жёсткими, то есть после срока работы не принимаются.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён (при этом получить дополнительные баллы за призовые места на конкурсе можно только при участии в общий срок).

== Коллоквиум ==

После первого модуля будет проведен устный коллоквиум.

Даты:
* для эконома --- 25 октября с 9:30 до 15:00, ауд. 5406 и 5407. 3 курс приходит к 9:30, 4 курс - к 10:30.
* для совбака --- 2 ноября с 18:00 до 21:00, ауд. 5215

Общее правило по датам: на неделе после сессии коллоквиум могут сдавать только студенты совбака! Студенты эконома, посещающие занятия с группами совбака, должны прийти на коллоквиум 25 октября! Желающие студенты совбака могут также прийти 25 октября, мы вас даже к этому призываем, так как 2 ноября у нас будет мало времени.

'''Правила'''
* на коллоквиуме каждому будет выдан билет с 1 теоретическим вопрсом из списка ниже и 1 задачей
* список теоретических вопросов вопросов [https://drive.google.com/open?id=1HehYU2-nY5p79p1v_Hcqo1d8av9Pn8ui3mMfNFQItgo здесь]
* 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. Экзамен назначен на 27 декабря. Cтудентам совбака нужно будет приходить к 9:30, а студентам эконома к 11:00 в аудиторию 5215.

'''Правила'''
* на экзамене каждому будет выдан билет с 1 теоретическим вопросом из списка вопросов ниже
* на подготовку будет выделено примерно 15-20 минут, пользоваться при подготовке ничем нельзя
* общение с преподавателем будет состоять из трех частей: сдачи теоретического минимума, рассказа билета и решения задачи
* незнание ответов на вопросы из теоретического минимума влечет нулевую оценку за экзамен
* 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.)
* вопросы из теоретического минимума и задача выдается студенту непосредственно преподавателем в процессе общения
* список теоретических вопросов и теоретический минимум [https://docs.google.com/document/d/1J-5PEyfH3fybXa_Q0tSsXfnkhEhU-bm2p4rfZy-rj20/edit?usp=sharing здесь]

'''Пересдачи'''
* пересдачи экзамена будут проводиться в 18:10 18 и 25 января. 18 января в аудитории 5410, 25 января - 4410.
* совбаку официально пересдачи не положены, однако студенты могут прийти 18 февраля и попробовать пересдать экзамен.
* комиссия будет 1 февраля в 18:10.

== Лекции ==

'''Лекция 1''' (1 сентября). Введение в машинное обучение. Основные термины, постановки задач и примеры применения. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture01-intro.pdf Конспект]

'''Лекция 2''' (8 сентября). Линейная регрессия: обучение и разные функционалы ошибки. Градиентный спуск. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture02-linregr.pdf Конспект]

'''Лекция 3''' (15 сентября). Регуляризация. Методы оценивания обобщающей способности, кросс-валидация. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture03-linregr.pdf Конспект] [https://github.com/artonson/hse-data-culture-fall-2017/blob/master/lecture-slides/lecture03.pdf Слайды]

'''Лекция 4''' (22 сентября). Аппроксимация эмпирического риска. Задача оценивания вероятностей, логистическая регрессия. Идея калибровки вероятностей. Персептрон. Метрики качества в задачах классификации. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture04-linclass.pdf Конспект] [https://github.com/artonson/hse-data-culture-fall-2017/blob/master/lecture-slides/lecture04.pdf Слайды]

'''Лекция 5''' (29 сентября). Метод опорных векторов, его двойственная задача (без ядер). Обобщённые линейные модели. Постановки задач multiclass- и multilabel-классификации. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture05-linclass.pdf Конспект]

'''Лекция 6''' (6 октября). Пропущенные значения. Обработка текстов. Хеширование.
[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/lectures/lecture_6.pdf Слайды]

'''Лекция 7''' (13 октября). Методы отбора признаков. Метод главных компонент и singular spectrum analysis.
[https://github.com/artonson/hse-data-culture-fall-2017/blob/master/lecture-slides/lecture07_1.pdf Слайды1], [https://github.com/artonson/hse-data-culture-fall-2017/blob/master/lecture-slides/lecture07_2.pdf Слайды2]

'''Лекция 8''' (20 октября). Ядровые методы. Ядровой переход в SVM.
[https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture13-features.pdf Коспект по ядрам], [http://cs229.stanford.edu/notes/cs229-notes3.pdf Конспект по SVM]

'''Лекция 9''' (3 ноября). Решающие деревья, их построение и применение.
[https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture07-trees.pdf Конспект]

'''Лекция 10''' (10 ноября). Композиции алгоритмов. Бэггинг, случайные леса. Разложение ошибки на смещение и разброс.
[https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture08-ensembles.pdf Конспект]

'''Лекция 11''' (17 ноября). Композиции алгоритмов. Градиентный бустинг. Стекинг и блендинг.
[https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture09-ensembles.pdf Конспект], [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture10-ensembles.pdf Конспект (здесь про стекинг в конце)]

'''Лекция 12''' (24 ноября). Нейронные сети.
[https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture11-dl.pdf Конспект]

'''Лекция 13''' (1 декабря). Обучение без учителя. Кластеризация и визуализация данных.
[https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/lecture-notes/lecture12-unsupervised.pdf Конспект]

'''Лекция 14''' (8 декабря). Рекомендательные системы.
[https://docviewer.yandex.ru/view/225299609/?*=eg3%2Fws1V8WdAujUPtML5zpB1%2BLB7InVybCI6InlhLWRpc2stcHVibGljOi8vRWRyQWROWGhLWWxJQzJNaS9iQmgzQm5ISDBxSXI2TWZyTFc0L3ptRGNrVT0iLCJ0aXRsZSI6IlJlY29tbWVuZGVyIHN5c3RlbXMucGRmIiwidWlkIjoiMjI1Mjk5NjA5IiwieXUiOiI2NDI2NzEyMTQzNzk5NjM3OCIsIm5vaWZyYW1lIjpmYWxzZSwidHMiOjE1MTI2NzkzMjY0NjF9 Слайды], [https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/lecture-notes/lecture19-recommender.pdf Конспект]

'''Лекция 15''' (15 декабря). Ранжирование.
[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/lectures/%D0%A0%D0%B0%D0%BD%D0%B6%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20-%20%D0%92%D0%A8%D0%AD.pdf Слайды], [https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/lecture-notes/lecture24-ranking.pdf Конспект 1], [https://github.com/esokolov/ml-course-hse/blob/master/2016-spring/lecture-notes/lecture25-ranking.pdf Конспект 2]

== Семинары ==

'''Семинар 1'''. Python, numpy, pandas, matplotlib и прочие страшные звери. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem01-tools.ipynb Notebook].

'''Семинар 2'''. Градиентный спуск и линейная регрессия [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem2/sem02.ipynb Notebook]

'''Семинар 3'''. Проверка обобщающей способности, переобучение. [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem3/sem3.ipynb Notebook]

'''Семинар 4'''. Линейные классификаторы, персептрон, логистическая регрессия, метрики качества

'''Семинар 5'''. SVD и SVM

'''Семинар 6'''. Ядра и двойственная задача

'''Семинар 7'''. Деревья. [https://github.com/esokolov/ml-course-hse/blob/master/2016-fall/seminars/sem07-trees.ipynb задачи]

[https://github.com/bdemeshev/mlearn_pro/raw/master/mlearn_pro.pdf Свалка задач ко всем семинарам]

== Практические задания ==

'''Задание 1.''' Numpy, pandas, matplotlib.

Дата выдачи: 05.09.2017

Дедлайн: 19.09.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/8ee8985202a5a137987085511a33b85e2f886d70/homeworks/hw01-python.ipynb Условие]

'''Задание 2.''' Numpy,linear regression, gradient descent.

Дата выдачи: 21.09.2017

Дедлайн: 08.10.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/homeworks/hw02-linregr.ipynb Условие]

'''Задание 3.''' SVM, SVD, PCA.

Дата выдачи: 29.10.2017

Дедлайн: 15.11.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/homeworks/hw03-pca.ipynb Условие]

'''Задание 4.''' Decision Tree, NN, Boosting

Дата выдачи: 29.11.2017

Дедлайн: 15.12.2017 23:59MSK

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/homeworks/hw04-nn.ipynb Условие]

== Теоретические задания ==

'''Задание 1.''' Круг первый. Дифференцирование.

Дата выдачи: 08.09.2017

Проверочные начнутся на семинарах с 15.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_1.pdf Условие]

'''Задание 2.''' Лёд тронулся. Квантильная регрессия и переобучение.

Дата выдачи: 15.09.2017

Проверочные начнутся на семинарах с 22.09.2017.

[https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_2.pdf Условие]

'''Задание 3'''. Помоги Бандерлогу!

'''Задание 4'''. SVD и SVM!

'''Задание 5'''. Тексты и обработка признаков [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/theory_homeworks/hw_theory_5.pdf Условие] [https://github.com/FilatovArtm/ML_Eco-NES_2017/blob/master/seminars/sem5/Seminar5.ipynb Тетрадка с примерами]

Дата выдачи: 06.10.2017
Проверочные начнутся на семинарах с 13.10.2017.

На забывайте про [https://github.com/bdemeshev/mlearn_pro/raw/master/mlearn_pro.pdf Свалку задач ко всем семинарам]!

== Соревнование ==
Зарегестрироваться на соревнование можно [https://www.kaggle.com/t/18f956df74c04a639e49b9b9cf431c73 здесь]. Предварительно вам нужно зарегистрироваться на платформе [kaggle.com kaggle]. Правила участия вы найдете там же. Оценка выставляется следующим образом: вы можете претендовать на положительный балл, если преодолели medium baseline, иначе вы получаете 0. После того, как это произошло, ваша финальная оценка будет вычисляться по следующей формуле:

best_gap = разница между medium baseline и лучшим решением на private leaderboard.

my_gap = разница между medium baseline и решением студента на private leaderboard.

оценка = 6 + 4 * my_gap / best_gap

Оценка за соревнование идет, как оценка за одно домашнее задание.

Дополнительно к оценке за соревнование первые 6 мест получат +1.5 балла к итоговой накопленной оценке, вторые 6 мест получат +0.7 баллов.

В случае плохих показателей участников, утечки в данных и других непредвиденных обстоятельств организаторы оставляют за собой право изменить критерии. Соревнование закончится 09.12.17 в 03:00.

Ноутбук с решением нужно прислать до 23:59 10.12.17.

== Полезные материалы ==
===Книги===
* Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 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===
* [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 (факультет экономических наук) - История изменений

imported>Tipt0p: /* Экзамен */