Машинное обучение (семинары, ВМК МГУ)

Материал из MachineLearning.

(Различия между версиями)

Перейти к: навигация, поиск

Версия 08:19, 6 ноября 2015

Содержание

1 Выставление оценки за курс
2 Осенний семестр 2015/2016
3 Страницы курса прошлых лет

Семинары в поддержку курса лекций «Машинное обучение» В. В. Китова.
Ведутся на кафедре ММП ВМК МГУ с осени 2012 года.
Семинарист: Соколов Е.А.
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
Анонимные отзывы и комментарии по семинарам можно оставлять здесь: https://docs.google.com/...

Выставление оценки за курс

Итоговая контрольная работа:

На последней лекции будет проведена контрольная работа, которая затронет все темы, изученные в течение семестра.
Контрольная оценивается по двухбалльной шкале (зачет/незачет), незачет влечет за собой недопуск к экзамену.
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:

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

Дата	Номер	Тема	Материалы	Д/З
4 сентября	Семинар 1	Вводное занятие: Знакомство с основными определениями в машинном обучении Этапы решения задачи анализа данных Напоминание основных фактов из прошлых курсов	Конспект
11 сентября	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	Конспект IPython Notebook
25 сентября	Семинар 3	Метрические методы: Locality-sensitive hashing Краткое упоминание рандомизированных алгоритмов и обучения хэшированию Векторизация операций в NumPy Практические особенности kNN и LSH	Конспект IPython Notebook	Домашнее задание
2 октября	Семинар 4	Решающие деревья: Жадное построение решающих деревьев Критерии информативности Учет пропущенных значений Стрижка деревьев Работа с категориальными признаками	Конспект	Домашнее задание
9 октября	Семинар 5	Метрики качества: Регрессия: MSE, MAE, квантильная регрессия Бинарная классификация: precision/recall, AUC-ROC, AUC-PR, Lift Многоклассовая классификация: micro-averaging, macro-averaging	Конспект	Домашнее задание
9 октября	Семинар 6	Решающие деревья: примеры в sklearn объединение в решающие леса Выдача первого конкурса: работа с текстами разреженные признаки blending word2vec	Слайды Код по деревьям Код по word2vec Код по данным конкурса Модель word2vec
16 октября	Семинар 7	Линейные методы: векторное дифференцирование геометрия линейных классификаторов разновидности градиентного спуска: GD, SG, SAG длина шага в градиентном спуске Метрики качества: примеры вычисления в sklearn кросс-валидация и стратификация в sklearn	Конспект Код по метрикам качества	Домашнее задание
30 октября	Семинар 8	Линейные методы: Знакомство с Vowpal Wabbit	Слайды Пример работы с Vowpal Wabbit

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.

Задание	Тема	Дата выдачи	Срок сдачи	Условие
Лабораторная работа 1	Язык Python, основные библиотеки для анализа данных	14.09.2015	27.09.2015, 23:59	Условие
Лабораторная работа 2	Метод ближайших соседей, решающие деревья и категориальные признаки	10.10.2015	01.11.2015, 23:59	Условие