Курс Машинное обучение, ФТиАД 2019

Общая информация

Где и когда

Занятия проходят по субботам, 12:10 - 15:00

Ссылки

Телеграм чат https://t.me/ftad2019

Инвайт для Anytask: pjw2559

Вопросы контрольной работы

Правила выставления оценки

В курсе предусмотрено несколько форм контроля знания:

Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций
Домашние работы (на Python и теоретические)
Контрольная работа
Письменный экзамен

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

Итог = Округление(0.15 * ПР + 0.4 * ДЗ + 0.15 * КР + 0.3 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

Накопленная, экзаменационная и итоговая оценки округляются арифметически.

Правила сдачи домашних заданий

Дедлайн по теоретическим заданиям — указывается в задании.

Дедлайн по практическим заданиям — указывается в задании.

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жесткого дедлайна задания сдавать нельзя.

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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

Расписание занятий

Дата	Занятие	Материалы
07.09.2019	Введение в машинное обучение. Основы языка python.	Презентация по введению (по материалам Е. Соколова) Конспект по введению Ноутбук семинара
14.09.2019	Линейная регрессия. Градиентный спуск. Знакомство с sklearn.	Конспект по линейной регрессии: #1, #2 Ноутбук семинара
21.09.2019	Регуляризация в линейной регрессии. Градиентный спуск. Векторное дифференцирование.	Конспект по регуляризации Ноутбук семинара Конспект по векторному дифференцированию
28.09.2019	Линейная классификация. Метрики качества классификации.	Конспект лекции Ноутбук семинара Конспект семинара
05.10.2019	Логистическая регрессия. SVM. Многоклассовая классификация	Конспект лекции Конспект семинара ROC-AUC. предсказание вероятностей
12.10.2019	Метрики для многоклассовой классификации. Решающие деревья	Конспект лекции по многоклассовой классификации Конспект лекции по деревьям Задачи по деревьям Ноутбук по деревьям
19.10.2019	Решающие деревья Bias–variance tradeoff.	Ноутбук по деревьям конспект по Bias–variance
02.11.2019	Случайный лес. Разбор ДЗ. Решение задач по Bias–variance tradeoff.	конспект по Random Forest задачи
16.11.2019	Градиентный бустинг.	конспект ноутбук задачи
23.11.2019	XGBoost, CatBoost, LightGBM. Кластеризация.	конспект по XGBoost конспект по кластеризации
30.11.2019	Подготовка к контрольной.
14.12.2019	PCA. Рекомендательные системы.