|
|
| (38 промежуточных версий не показаны.) |
| Строка 3: |
Строка 3: |
| | |[[Изображение:ML_surfaces.png|280px]] | | |[[Изображение:ML_surfaces.png|280px]] |
| | | valign="top"| | | | valign="top"| |
| - | * Семинары в поддержку курса лекций [[Машинное обучение (курс лекций, В.В.Китов)/2015-2016|«Машинное обучение»]] [[Участник:Victor Kitov|В. В. Китова]]. | + | * Семинары в поддержку курса лекций [[Математические методы распознавания образов (курс лекций, В.В.Китов)|«Математические методы распознавания образов»]] [[Участник:Victor Kitov|В. В. Китова]]. |
| | * Ведутся на кафедре [[Математические методы прогнозирования (кафедра ВМиК МГУ)|ММП]] [[Факультет вычислительной математики и кибернетики МГУ| ВМК МГУ]] с осени 2012 года. | | * Ведутся на кафедре [[Математические методы прогнозирования (кафедра ВМиК МГУ)|ММП]] [[Факультет вычислительной математики и кибернетики МГУ| ВМК МГУ]] с осени 2012 года. |
| | * Семинарист: [[Участник:EvgSokolov|Соколов Е.А.]] | | * Семинарист: [[Участник:EvgSokolov|Соколов Е.А.]] |
| - | * Почта: ''sokolov.evg+vmk-ml@gmail.com'' | + | * Ассистент: Николаев В.В. |
| | + | * Почта семинариста: ''sokolov.evg+vmk-ml@gmail.com'' |
| | + | * Почта для заданий: ''ml.cmc.msu@gmail.com'' |
| | * Репозиторий с материалами: https://github.com/esokolov/ml-course-msu | | * Репозиторий с материалами: https://github.com/esokolov/ml-course-msu |
| | * Анонимные отзывы и комментарии по семинарам можно оставлять здесь: [https://docs.google.com/forms/d/1j8zMReMtl-BCeAVISxx_v42_y8GAVeolofFuAHQjHBc/viewform?usp=send_form https://docs.google.com/...] | | * Анонимные отзывы и комментарии по семинарам можно оставлять здесь: [https://docs.google.com/forms/d/1j8zMReMtl-BCeAVISxx_v42_y8GAVeolofFuAHQjHBc/viewform?usp=send_form https://docs.google.com/...] |
| | |} | | |} |
| | | | |
| - | <!-- == Новости == -->
| + | === Актуальная информация === |
| - | <!-- * новостей нет! -->
| + | |
| | | | |
| - | == Выставление оценки за курс ==
| + | Вся актуальная информация по курсу находится на странице https://github.com/esokolov/ml-course-msu |
| | | | |
| - | Итоговая контрольная работа:
| + | === Оценки === |
| | + | https://docs.google.com/spreadsheets/d/1A5BJs_dJcmqY2KVBUCTWlXueTeFWNVT6Tbx5e3dN6_c/edit?usp=sharing |
| | | | |
| - | # На последней лекции будет проведена контрольная работа, которая затронет все темы, изученные в течение семестра.
| + | == Страницы курса прошлых лет == |
| - | # Контрольная оценивается по двухбалльной шкале (зачет/незачет), незачет влечет за собой недопуск к экзамену.
| + | [[Машинное обучение (семинары, ВМК МГУ)/2015-2016 год, весна|2015-2016 год, весна]] |
| - | # Студент, не получивший допуск, переписывает на экзамене контрольную. В случае успеха он сдает экзамен на первой пересдаче. В случае незачета он снова переписывает контрольную на первой пересдаче, и так далее.
| + | |
| | | | |
| - | Семинары:
| + | [[Машинное обучение (семинары, ВМК МГУ)/2015-2016 год, осень|2015-2016 год, осень]] |
| | | | |
| - | # На семинарах по каждой пройденной теме будут проводиться проверочные работы. Каждая проверочная оценивается по пятибалльной шкале. В зависимости от оценки за проверочную, студент освобождается от части или от всех задач по этой теме на итоговой контрольной работе.
| |
| - | # Также на семинарах будут выдаваться практические задания, которые будут оцениваться по пятибалльной шкале.
| |
| - | # В течение семестра будут проводиться конкурсы по анализу данных. Каждый конкурс оценивается по 15-балльной шкале. За первое, второе и третье место выставляется 15, 13 и 11 баллов соответственно при условии, что студенты выступят с докладом о своем решении (в противном случае они получают 10 баллов). За места с четвертого и по самое последнее, превосходящее бейзлайн, выставляется от 10 до 1 баллов по равномерной сетке. Если все присланные группой решения будут тривиальными, то преподаватель имеет право снизить максимальную оценку до 10 или до 5 баллов.
| |
| - | # Оценка за работу в семестре равна сумме оценок за проверочные работы, практические задания и конкурсы.
| |
| - | # Если оценка за работу в семестре не меньше 100% от максимальной оценки за проверочные и лабораторные работы, то студент освобождается от написания итоговой контрольной и получает допуск к экзамену автоматом.
| |
| - | # Если оценка за работу в семестре не меньше 80% от максимальной оценки за проверочные и лабораторные работы и конкурсы, то студент получает +1 балл на экзамене (при условии получения положительной оценки).
| |
| - | # В конце семестра разрешается переписать одну пропущенную по любой причине проверочную работу. Также разрешается переписать все проверочные, пропущенные по уважительной причине.
| |
| - |
| |
| - | == Осенний семестр 2015/2016 ==
| |
| - |
| |
| - | === Расписание занятий ===
| |
| - | {|class = "standard"
| |
| - | ! Дата !! Номер !! Тема !! Материалы !! Д/З
| |
| - | |-
| |
| - | |4 сентября
| |
| - | |align="center"|Семинар 1
| |
| - | |
| |
| - | Вводное занятие:
| |
| - | * Знакомство с основными определениями в машинном обучении
| |
| - | * Этапы решения задачи анализа данных
| |
| - | * Напоминание основных фактов из прошлых курсов
| |
| - | | [https://github.com/esokolov/ml-course-msu/blob/master/ML15/lecture-notes/Sem01_intro.pdf Конспект]
| |
| - | |
| |
| - | |-
| |
| - | |11 сентября
| |
| - | |align="center"|Семинар 2
| |
| - | |
| |
| - | Метрические методы:
| |
| - | * Особенности метрических методов: чувствительность к масштабу и шуму, проклятие размерности
| |
| - | * Примеры метрик
| |
| - | * Задание метрик на категориальных признаках
| |
| - | * Введение в NumPy, SciPy, Pandas, Scikit-Learn
| |
| - | | [https://github.com/esokolov/ml-course-msu/blob/master/ML15/lecture-notes/Sem02_knn.pdf Конспект]
| |
| - | [https://github.com/esokolov/ml-course-msu/blob/master/ML15/src/Sem02_python_intro.ipynb IPython Notebook]
| |
| - | |
| |
| - | |-
| |
| - | |25 сентября
| |
| - | |align="center"|Семинар 3
| |
| - | |
| |
| - | Метрические методы:
| |
| - | * Locality-sensitive hashing
| |
| - | * Краткое упоминание рандомизированных алгоритмов и обучения хэшированию
| |
| - | * Векторизация операций в NumPy
| |
| - | * Практические особенности kNN и LSH
| |
| - | | [https://github.com/esokolov/ml-course-msu/blob/master/ML15/lecture-notes/Sem03_knn.pdf Конспект]
| |
| - | [https://github.com/esokolov/ml-course-msu/blob/master/ML15/src/Sem03_numpy_knn.ipynb IPython Notebook]
| |
| - | | [https://github.com/esokolov/ml-course-msu/blob/master/ML15/homeworks/Sem03_knn_hw.pdf Домашнее задание]
| |
| - | |}
| |
| - |
| |
| - | === Практические задания ===
| |
| - |
| |
| - | Решения желательно присылать сразу в двух форматах:
| |
| - | * ссылка для просмотра ноутбука на NBViewer или GitHub
| |
| - | * файл с ноутбуком во вложении
| |
| - |
| |
| - | За каждый день просрочки из оценки вычитается 0.2 балла.
| |
| - |
| |
| - | {|class = "standard"
| |
| - | ! Задание !! Тема !! Дата выдачи !! Срок сдачи !! Условие
| |
| - | |-
| |
| - | |align="center"|Лабораторная работа 1
| |
| - | | Язык Python, основные библиотеки для анализа данных
| |
| - | | 14.09.2015
| |
| - | | 27.09.2015, 23:59
| |
| - | | [https://github.com/esokolov/ml-course-msu/blob/master/ML15/labs/lab01_intro.ipynb Условие]
| |
| - | |-
| |
| - | |}
| |
| - |
| |
| - | [[Машинное обучение (семинары, ВМК МГУ)/Виртуальная машина|Виртуальная машина с питоном и библиотеками]]
| |
| - |
| |
| - | Полезные ссылки: см. репозиторий.
| |
| - |
| |
| - | === Соревнования ===
| |
| - | {|class = "standard"
| |
| - | ! Задание !! Тема !! Дата начала !! Дата окончания !! Ссылка
| |
| - | |-
| |
| - | |
| |
| - | |
| |
| - | |
| |
| - | |
| |
| - | |
| |
| - | |}
| |
| - |
| |
| - | Все студенты должны прислать краткий отчет о своем решении и код, воспроизводящий результат.
| |
| - |
| |
| - | === Оценки ===
| |
| - | https://docs.google.com/spreadsheets/d/1vK3gM6sAj2TEqO9mPhm5cIuNSmpsw3CIpQnb4G4Dguo/edit?usp=sharing
| |
| - |
| |
| - | == Страницы курса прошлых лет ==
| |
| | [[Машинное обучение (семинары, ВМК МГУ)/2014-2015 год, весна|2014-2015 год, весна]] | | [[Машинное обучение (семинары, ВМК МГУ)/2014-2015 год, весна|2014-2015 год, весна]] |
| | | | |
