imported>Esokolov: Новая страница: «== О курсе == left Курс читается для студентов 3-го курса [https://cs.hse.ru/…»

2019-01-20T14:47:48Z

Новая страница: «== О курсе == 280px|borderless|left Курс читается для студентов 3-го курса [https://cs.hse.ru/…»

Новая страница

== О курсе ==

[[Файл:ML_surfaces.png|280px|borderless|left]]

Курс читается для студентов 3-го курса [https://cs.hse.ru/ami ПМИ ФКН ВШЭ] в 3-4 модулях.

Проводится с 2016 года.

'''Лектор:''' [http://www.hse.ru/staff/esokolov Соколов Евгений Андреевич]

Лекции проходят по пятницам, 10:30 - 11:50, ауд. 317.

=== Полезные ссылки ===

[https://www.hse.ru/edu/courses/205514318 Карточка курса и программа]

[https://github.com/esokolov/ml-course-hse Репозиторий с материалами на GitHub]

Почта для сдачи домашних заданий: hse.cs.ml+<номер группы>@gmail.com (например, hse.cs.ml+151@gmail.com)

Канал в telegram для объявлений: https://telegram.me/hse_cs_ml_2_course_2017

Чат в telegram для обсуждений: https://t.me/joinchat/A5rlQEQ7r16nvyHbyXtjNA

[https://docs.google.com/spreadsheets/d/16wj3eH2crdGY-MFqiMMUoy1E7uo80nYT2MYfz3Y7gx4/edit?usp=sharing Таблица с оценками]

Оставить отзыв на курс: [https://goo.gl/forms/5CddG0gc75VZvqi52 форма]

'''Вопросы''' по курсу можно задавать на почту курса, а также в телеграм лектору (esokolov@) или семинаристу.
Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [https://github.com/esokolov/ml-course-hse/issues Issue] в [https://github.com/esokolov/ml-course-hse github-репозитории курса].

=== Семинары ===

{| class="wikitable"
|-
! Группа !! Преподаватель !! Расписание
|-
| 151 (МОП) || [https://www.hse.ru/org/persons/165212870 Зиннурова Эльвира Альбертовна] || пятница, 12:10 - 13:30, ауд. ??
|-
| 152 (МОП) || [https://www.hse.ru/org/persons/191263008 Неклюдов Кирилл Олегович] || пятница, 12:10 - 13:30, ауд. ??
|-
|}

=== Консультации ===

Консультации с преподавателями и учебными ассистентами по курсу проводятся по предварительной договорённости.

=== 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
* Теоретические домашние задания
* Практические домашние работы на Python
* Соревнования по анализу данных
* Письменный коллоквиум в конце 3-го модуля
* Письменный 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 + 0.2 * Oтеоретические дз + 0.4 * Опрактические дз + 0.2 * Оконтрольная

Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.
Накопленная оценка, оценка за экзамен и итоговая округляются арифметически.

=== Правила сдачи заданий ===

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна 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). Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

== Лекции ==

'''Лекция 14''' (12 января). Двойственные представления для линейной регрессии и SVM. Ядра. Теорема Мерсера. Способы построения ядер. Полиномиальные и гауссовы ядра. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture14-kernels.pdf Конспект]]

'''Лекция 15''' (19 января). Условная оптимизация, двойственные задачи, теорема Куна-Таккера. Двойственная задача SVM. Типы объектов в SVM. Kernel trick. Связь SVM с RBF-ядром и kNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture15-kernels.pdf Конспект]]

'''Лекция 16''' (26 января). RKHS и теорема о представлении. Аппроксимация ядер, метод случайных признаков Фурье. Ядровой метод главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture16-kernels.pdf Конспект]]

'''Лекция 17''' (2 февраля). Смеси распределений. Модели со скрытыми переменными. KL-дивергения. EM-алгоритм в общем виде, его сходимость. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture17-em.pdf Конспект]]

'''Лекция 18''' (9 февраля). Работа с несбалансированными выборками. Одноклассовые методы и обнаружение аномалий: статистический и метрический подходы. Одноклассовый SVM. Isolation forest. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture18-anomaly.pdf Конспект]]

'''Лекция 19''' (16 февраля). Рекомендательные системы. Коллаборативные модели: memory-based, матричные разложения, факторизационные машины. Контентные модели. Метрики качества. Архитектура рекомендательных систем. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture19-recommender.pdf Конспект]]

'''Лекция 22''' (13 апреля). Метрические методы. Метод k ближайших соседей для классификации и регрессии, его оптимальность. Измерение расстояний между текстами с помощью их внутренних представлений. Приближенные методы поиска соседей и locality sensitive hashing. Композиции хэш-функций, LSH forest. Обучение метрик, методы NCA и LMNN. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture22-knn.pdf Конспект]]

'''Лекция 23''' (27 апреля). Обучение ранжированию. Метрики качества ранжирования. Примеры факторов в ранжировании: BM25 и PageRank. Поточечный, попарный и списочный подходы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/lecture-notes/lecture23-ranking.pdf Конспект]]

== Семинары ==
'''Семинар 12''' (12 января). Ядра, спрямляющие пространства. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem12-kernels.pdf Конспект]]

'''Семинар 13''' (19 января). Решение задач условной оптимизации. Условия Куна-Таккера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem13-kernels.pdf Конспект]]

'''Семинар 14''' (26 января). Двойственная задача метода опорных векторов. All-subsequences kernel. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem14-kernels.pdf Конспект]]

'''Семинар 15''' (2 февраля). Линейный дискриминант Фишера. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem15-kernels.pdf Конспект]]

'''Семинар 16''' (9 февраля). EM-алгоритм. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem16-em.pdf Конспект]]

'''Семинар 17''' (2 марта). EM-алгоритм для метода главных компонент. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem17-em.pdf Конспект]]

'''Семинар 18''' (16 марта). Параметрические методы восстановления плотности распределения. Байесовские классификаторы. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem18-bayes.pdf Конспект]]

'''Семинар 19''' (23 марта). Спектральная кластеризация. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem19-unsupervised.pdf Конспект]]

'''Семинар 20''' (13 апреля). Рекомендательные системы. Вывод формул для ALS и HALS. Факторизационные машины. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem20-recommender.pdf Конспект]]

'''Семинар 21''' (27 апреля). Модели попарных соотношений. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem21-ranking.pdf Конспект]]

'''Семинар 22''' (11 мая). Обобщенные линейные модели. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem22-glm.pdf Конспект]]

'''Семинар 23''' (18 мая). Generative adversarial networks. [[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/seminars/sem23-gan.pdf Конспект]]

'''Семинар 24''' (1 июня). Дифференциальная приватность.

== Теоретические задания ==
Все дедлайны жёсткие. До дедлайна необходимо сдать фотографии/сканы решений либо решение, набранное в TeX. Если у проверяющих возникнут вопросы к решениям, то студента могут пригласить на защиту домашней работы. За полностью правильную работу, набранную в TeX, выставляется 1 бонусный балл (если работа набирает меньше баллов, то и бонусы пропорционально уменьшаются).

Оценки: https://docs.google.com/spreadsheets/d/1yLf9KChFzLrJgY_Dj0cydaz4ivFnPXw4Gi93mExWm-I/edit?usp=sharing (если в графе def стоит 0 — студент вызван на защиту).

'''ДЗ №9'''

[[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-09-kernels.pdf Условие]]

Дата выдачи: 14.02.2018

Срок отправки решений: 01.03.2018 23:59MSK

Защита: 06.04.2018 12:10 (ауд. 505)

'''ДЗ №10'''

[[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-10-unsupervised.pdf Условие]]

Дата выдачи: 11.04.2018

Срок отправки решений: 29.04.2018 23:59MSK

'''ДЗ №11 (не оценивается)'''

[[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-theory/homework-theory-11-glm.pdf Условие]]

Дата выдачи: 03.06.2018

== Практические задания ==

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются.

'''Задание 1.''' Графы вычислений и обратное распространение ошибки

Дата выдачи: 10.03.2018

Мягкий дедлайн: 28.03.2018 23:59MSK

Жесткий дедлайн: 04.04.2018 23:59MSK

[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-04/homework-practice-04.ipynb Условие]

'''Задание 2.''' Частичное обучение и поиск аномалий

Дата выдачи: 07.05.2018

Мягкий дедлайн: 23.05.2018 23:59MSK

Жесткий дедлайн: 30.05.2018 23:59MSK

[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-05.ipynb Условие]

'''Задание 3 (бонусное).''' Обобщенные линейные модели

Дата выдачи: 04.06.2018

Жесткий дедлайн: 14.06.2018 23:59MSK

[https://github.com/esokolov/ml-course-hse/blob/master/2017-spring/homeworks-practice/homework-practice-06/homework-practice-06.ipynb Условие]

== Соревнования ==

===Правила участия и оценивания===
В соревновании по анализу данных вам предлагается по имеющимся данным решить некоторую задачу, оптимизируя указанную метрику, и отправить ответы для заданного тестового множества. Максимальное количество посылок в сутки ограничено (как правило, разрешается сделать 2 посылки), ближе к концу соревнования вам будем необходимо выбрать 2 посылки, которые вы считаете лучшими. Тестовые данные делятся на публичные и приватные в некотором соотношении, на основе которых строятся публичный и приватный лидерборды соответственно, при этом публичный лидерборд доступен в течение всего соревнования, а приватный строится после его окончания для выбранных вами посылок.

В лидербордах каждого из соревнований присутствуют 3 базовых решения (бенчмарка), для получения оценки не ниже 4, 6 и 8 баллов соответственно, необходимо, чтобы ваше решение на '''приватном''' лидерборде оказалось лучше соответствующего бенчмарка. Далее для студента, преодолевшего бенчмарк на N баллов, но не преодолевшего бенчмарк на N+2 балла, итоговая оценка за соревнование рассчитывается по равномерной сетке среди всех таких студентов в зависимости от места в приватном лидерборде среди них; если быть точными, то по следующей формуле:

N + 2 - 2 * (i - [N = 8]) / M,

где M — количество студентов (из всех студентов, изучающих курс), преодолевших бенчмарк на N баллов, но не преодолевших бенчмарк на N+2 балла;

i — место (начиная с 1) студента в приватном лидерборде среди всех таких студентов.

В течение 3 суток после окончания соревнования в соответствующее задание на anytask необходимо прислать код, воспроизводящий ответы для посылки, фигурирующей в приватном лидерборде. При оформлении кода предполагайте, что данные лежат рядом с ним в папке data, а в результате выполнения кода ответы должны быть записаны в файл solution-N-Username.csv, где N — номер соревнования, Username — ваша фамилия. У нас должна быть возможность запустить код и получить те же ответы, что и в вашей посылке, — в частности, это означает, что:

1. Если вы отправляете файл *.py, мы будем запускать его при помощи команды python *.py в вышеуказанном предположении о местонахождении данных.

2. Если вы отправляете ноутбук *.ipynb, мы последовательно запустим все ячейки ноутбука и будем ожидать в результате его работы формирование файла с ответами.

3. Если вы отправляете код с использованием другого языка программирования, в том же письме направьте нам инструкцию по его запуску с тем, чтобы получить тот же файл с ответами.

В случае отсутствия кода, воспроизводящего результат, в установленный срок студенту выставляется 0 в качестве оценки за соревнование. Студенты, попавшие в топ-5 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования пришлют на почту курса отчет о получении решения, фигурирующего в приватном лидерборде.

=== Соревнование 1: Система рекомендаций для интернет-магазина ===

Дата выдачи: 21.03.2018

Срок окончания соревнования: 21.04.2018 23:59MSK

Срок отправки кода: 24.04.2018 23:59MSK

[https://www.kaggle.com/t/1de924dddc0b40c9aa32925325bfc4be Ссылка на участие в соревновании]

=== Соревнование 2: Cryptocurrency trading ===

Дата выдачи: 06.05.2018

Срок закрытия контеста на kaggle: 07.06.2018 02:59MSK

Срок отправки model.py и кода, воспроизводящего результат: 09.06.2018 23:59MSK

[https://www.kaggle.com/t/bacd0e3585f74e1a9308d4eaaee02a94 Ссылка на участие в соревновании]

== Контрольная работа ==

Дата: 08.06.2018

[https://docs.google.com/document/d/1KQYX50F4qeCoV3aAQulvgdfMIvWbPCtCIS8mhFIMnr4/edit?usp=sharing Вопросы к контрольной]

Каждый вариант будет состоять из теоретического вопроса и нескольких задач по аналогии с домашними заданиями и задачами из семинаров.

== Экзамен ==

[https://docs.google.com/document/d/1TZt2je50Q4EJyZ6g25Q7LEJi_YkjZsimhxwAiy_10Kg/edit?usp=sharing Вопросы к экзамену]

== 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===
* [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]

== Страницы предыдущих лет ==

[[Машинное_обучение_2/2016_2017 | 2016/2017 учебный год]]

Машинное обучение 2/2017 2018 - История изменений

imported>Esokolov: Новая страница: «== О курсе == left Курс читается для студентов 3-го курса [https://cs.hse.ru/…»