Просмотр кода страницы ММО Политология 201810

'''Преподаватель''' - [https://www.hse.ru/staff/ashestakoff Шестаков Андрей]<br />
'''Форма обратной связи''' [https://goo.gl/forms/xTfnM328m8ulT4FF2 здесь]<br />
'''[https://docs.google.com/spreadsheets/d/1AtkHcA1BhyVYUAHgFwoi-u955oCpKx8bPJgMXv0u1wA/edit?usp=sharing Оценки]''' <br />
'''[https://github.com/shestakoff/hse-ml-poly Course repo]<br />
'''[https://t.me/joinchat/Bw-OoxE5ev-GyHnYzvn-Fw Telegram Group]<br />

<br />

== Описание курса ==
Целью данного курса является изучение 
* Основных идеи и принципов машинного обучения с упором на их практическое применение
* Методов сбора и анализа сложный структур данных

Предполагается, что слушатели прошли вводный курс по языку Python и имеют базовые знания по высшей математике (линейная алгебра, мат. анализ)

[https://www.hse.ru/data/2018/08/28/1150083198/program-2162208533-Wm4wwe8sbZ.pdf Программа курса]

'''Курс оценивается за счет'''
# Тестов на занятиях
# Практических и теоретических домашних заданий
# Коллоквиума в конце 2го модуля
# Проектной работы
# Экзамена

== Материалы лекций ==

'''Лекция 1. Введение ''' <br/>
[https://shestakoff.github.io/hse-ml-poly/2018-10/l1-intro/lecture-intro.slides.html#/ Slides] <br/>

'''Лекция 2. Метрические методы и метрики качества классификации ''' <br/>
[https://shestakoff.github.io/hse-ml-poly/2018-10/l2-knn/lecture-knn.slides.html#/ Slides] <br/>
FYI: [https://sebastianraschka.com/blog/2018/model-evaluation-selection-part4.html Статистические тесты для сравнения качества моделей] <br/>

'''Лекция 3. Деревья принятия решений. Случайный лес ''' <br/>
[https://shestakoff.github.io/hse-ml-poly/2018-10/l3-trees/lecture-trees.slides#/ Slides] <br/>
FYI: [http://www.r2d3.us/visual-intro-to-machine-learning-part-1/ beautiful trees intro] <br/>
FYI: [http://blog.datadive.net/interpreting-random-forests/ trees and random forest interpretation] <br/>

'''Лекция 4. Линейные модели. Линейная регрессия ''' <br/>
[https://shestakoff.github.io/hse-ml-poly/2018-10/l4-linear/lecture-linear.slides#/ Slides] <br/>
FYI: [http://www.cazaar.com/ta/econ113/interpreting-beta Интерпретация коэффициентов линейной модели] <br/>
FYI: [https://www.youtube.com/watch?v=UcwI7tY7bss&list=PLu5flfwrnSD5d02G9YJcDv30Fp5_70-sI Курс по эконометрике от Демешева Б.Б.] <br/>

'''Лекция 5. Логистическая регрессия. Методы отбора признаков ''' <br/>
[https://shestakoff.github.io/hse-ml-poly/2018-10/l5-linclass-dimred/lecture-linclass-dimred.slides#/ Slides] <br/>

'''Лекция 6. Методы сжатия признаков. Введение в NLP ''' <br/>
[https://shestakoff.github.io/hse-ml-poly/2018-10/l6-pca-nlp/lecture-pca-nlp-intro.slides#/ Slides] <br/>

'''Лекция 7. NLP. Токенизация, лемматизация, LSA ''' <br/>
[https://shestakoff.github.io/hse-ml-poly/2018-10/l7-nlp/lecture-nlp-intro-v01.slides#/ Slides] <br/>

'''Лекция 8. Методы кластеризации 1 ''' <br/>
[https://shestakoff.github.io/hse-ml-poly/2018-10/l8-clustering/lecture-clust-v01.slides.html#/ Slides] <br/>

'''Лекция 9. Методы кластеризации 2 ''' <br/>
[https://shestakoff.github.io/hse-ml-poly/2018-10/l9-clustering2/lecture-clust2.slides.html#/ Slides] <br/>

'''Лекция 10. Введение в тематическое моделирование ''' <br/>
[https://shestakoff.github.io/hse-ml-poly/2018-10/l10-topic-modelling/lecture-topics.slides.html#/ Slides] <br/>

'''Лекция 11. Введение в анализ сетевых структур ''' <br/>
[https://shestakoff.github.io/hse-ml-poly/2018-10/l11-sna-intro/lecture-sna-intro.slides.html#/ Slides] <br/>

'''Лекция 12. Выявление сообществ на сети ''' <br/>
[https://shestakoff.github.io/hse-ml-poly/2018-10/l12-sna-communities/lecture-sna-communities.slides.html#/ Slides] <br/>

'''Лекция 13. Введение в рекомендательные системы ''' <br/>
[https://shestakoff.github.io/hse-ml-poly/2018-10/l13-recsys-intro/lecture-recsys.slides.html#/ Slides] <br/>

== Семинары ==

'''[https://cloud.mail.ru/public/2rPu/3CPeqxhzd Семинар 1.] Введение (повторение)'''<br/> Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s1-intro/seminar-intro-proc.ipynb ноутбук] 
* [https://github.com/TomAugspurger/effective-pandas Effective Pandas]
* [http://datacamp-community.s3.amazonaws.com/28b8210c-60cc-4f13-b0b4-5b4f2ad4790b Matplotlib Cheatsheet]
* [http://datacamp-community.s3.amazonaws.com/9f0f2ae1-8bd8-4302-a67b-e17f3059d9e8 Pandas Cheatsheet]
* [http://datacamp-community.s3.amazonaws.com/e9f83f72-a81b-42c7-af44-4e35b48b20b7 NumPy Cheatsheet]

'''[https://cloud.mail.ru/public/5PBj/yxpVbQmWH  Семинар 2.] Метрические методы '''  <br/>
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s2-knn/seminar-knn-proc.ipynb ноутбук] 

'''[https://cloud.mail.ru/public/5PBj/yxpVbQmWH  Семинар 3.] Деревья принятия решений '''  <br/>
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s3-trees/seminar-trees-proc.ipynb ноутбук] 

'''[https://cloud.mail.ru/public/DjYU/95C2YZ4VG  Семинар 4.] Линейные модели, регрессия. '''  <br/>
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s4-linear/seminar-linear-proc.ipynb ноутбук] 

'''[https://cloud.mail.ru/public/CXNQ/p3nLJFQk7  Семинар 5.] Линейные модели, классификация. Методы отбора признаков '''  <br/>
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s5-linclass-dimred/seminar-linclass-dimred-proc.ipynb ноутбук] 

'''[https://cloud.mail.ru/public/Lkd4/DuoVaX1xB  Семинар 6.] Методы сжатия признаков '''  <br/>
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s6-pca-nlp/seminar-dimred-nlp-proc.ipynb ноутбук] 

'''[https://cloud.mail.ru/public/9aH4/aC9gDZxVy  Семинар 7.] NLP '''  <br/>
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s7-nlp/seminar-nlp-proc.ipynb ноутбук] 

'''[https://cloud.mail.ru/public/4AxF/B2aVDby46  Семинар 8.] Кластеризация 1 '''  <br/>
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s8-clustering/seminar-clust-proc.ipynb ноутбук] 

'''[https://cloud.mail.ru/public/Aqr9/iBWB8wcRR  Семинар 9.] Кластеризация 2 '''  <br/>
Частично проработанный [http://nbviewer.jupyter.org/github/shestakoff/hse-ml-poly/blob/master/2018-10/s9-clustering2/seminar-clust2-proc.ipynb ноутбук] 

'''[https://cloud.mail.ru/public/4hqt/tA1nUFq3G  Семинар 10.] Введение в тематические модели'''  <br/>
Частично проработанный [https://github.com/shestakoff/hse-ml-poly/blob/master/2018-10/s10-topic-modelling/seminar-topics-proc.ipynb ноутбук] 
<br/>
'''[https://cloud.mail.ru/public/DgSH/2uUd58zwg  Разбор коллоквиума.]'''  <br/>

'''[https://cloud.mail.ru/public/HV4k/k6Dmwim8V  Семинар 11.] Анализ сетевых структур'''  <br/>
Частично проработанный [https://github.com/shestakoff/hse-ml-poly/blob/master/2018-10/s11-sna-intro/seminar-sna-intro-proc.ipynb ноутбук] 

'''[https://cloud.mail.ru/public/9bEX/nDQ8u6XbM  Семинар 12.] Cообщества в сетях'''  <br/>
Частично проработанный [https://github.com/shestakoff/hse-ml-poly/blob/master/2018-10/s12-communities/seminar-sna-communities-proc.ipynb ноутбук] 

'''[https://cloud.mail.ru/public/AZ2X/vathduSDg  Семинар 13.] Рекомендашки'''  <br/>
Частично проработанный [https://github.com/shestakoff/hse-ml-poly/blob/master/2018-10/s13-recsys-intro/seminar-recsys-proc.ipynb ноутбук] 


<br/>

== Домашние задания ==

'''[https://cloud.mail.ru/public/NHt7/S32JLe6qM Задание 1]. Дедлайн - 2 Декабря 2018, 23:59 <br/>
'''[https://cloud.mail.ru/public/21Xj/SBo1qMnA6 Задание 2]. Дедлайн - 9 Декабря 2018, 23:59 <br/>
'''[https://cloud.mail.ru/public/6dJB/DBrDFr2Ad Задание 3]. Дедлайн - 8 Февраля 2019, 23:59 <br/>
'''[https://cloud.mail.ru/public/LWCE/Eb1uiQ4nN Задание 4]. Дедлайн - 19 февраля 2019, 23:59

== Курсовой проект ==

В рамках курса студенты должны применить полученные знания для решения прикладной задачи. Размеры проектных групп 1-3 человека.

К 1 марта надо прислать ссылку на собранные данные для анализа и краткий план самого анализа и выполнения задач: 
# Какие будут шаги, 
# Какие методы использованы, 
# Что будет получено на выходе, 
# Как будет измерен результат

[https://docs.google.com/spreadsheets/d/1yzepgq1jU6idIYCvQFN3a8-1QwodeMAbeVFJzpysYTU/edit?usp=sharing Файл с группами]

Защита проекта будет проходить в виде презентации.

Вес проектной работы = 2 домашкам

Для вдохновения:
# https://fivethirtyeight.com/
# [https://cloud.mail.ru/public/3kgZ/A5ZcV2j3J Статьи]

== Плагиат ==
Карается жестоко и на месте

== Дедлайны ==

Дедлайны по всем заданиям являются строгими (то есть после дедлайна работы приниматься не будут). <br/>
Сроки сдачи могут быть сдвинуты в индивидуальном порядке в случае существования уважительных причин.

== Формат сдачи домашних заданий ==
Практические ДЗ должны быть выполнены в Jupyter Notebook на языке Python 3. Файл должен успешно выполняться (кроме случаев нестыковки модулей) и содержать только релевантную информацию.<br/>
Крайне желательно следовать правилам [https://www.python.org/dev/peps/pep-0008/ PEP8]

== Полезные Ссылки ==
=== Machine learning ===
* [https://habr.com/company/ods/blog/322626/ Открытый курс по МО]
* Видео курс по анализу данных от CS Center [https://www.youtube.com/playlist?list=PLlb7e2G7aSpRb95_Wi7lZ-zA6fOjV3_l7 часть 1] и [https://www.youtube.com/playlist?list=PLlb7e2G7aSpT1ntsozWmWJ4kGUsUs141Y часть 2]
* [https://github.com/esokolov/ml-course-hse Курс от Евгения Соколова]
* [http://www.machinelearning.ru/wiki/index.php?title=Заглавная_страница machinelearning.ru]
* [https://yandexdataschool.ru/edu-process/courses/machine-learning Видео лекции Воронцова К.Ю.]
* [https://www.dataoptimal.com/wp-content/uploads/Data-Science-Books-for-2018.pdf Подборка книг по ML]
* [http://web.stanford.edu/~hastie/local.ftp/Springer/ESLII_print10.pdf Elements of Statistical Learning (Trevor Hastie, Robert Tibshirani, Jerome Friedman)]

=== Python ===
* Основные библиотеки и документация: [http://www.numpy.org/ NumPy], [http://pandas.pydata.org/ Pandas], [http://scikit-learn.org/stable/ SciKit-Learn], [http://matplotlib.org/ Matplotlib].
* Краткое руководство: [http://nbviewer.ipython.org/gist/voron13e02/83a86f2e0fc5e7f8424d краткое руководство с примерами по Python 2]
* Python from scratch: [http://nbviewer.ipython.org/gist/rpmuller/5920182 A Crash Course in Python for Scientists]
* Lectures [https://github.com/jrjohansson/scientific-python-lectures#online-read-only-versions Scientific Python]
* A book: [http://www.cin.ufpe.br/~embat/Python%20for%20Data%20Analysis.pdf Wes McKinney «Python for Data Analysis»]
* [https://github.com/ipython/ipython/wiki/A-gallery-of-interesting-IPython-Notebooks Коллекция интересных IPython ноутбуков]