Статистика случайных процессов (курс лекций, ФКН ВШЭ)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Домашние задания)
(Лекции)
Строка 82: Строка 82:
| 20 января 2017 || align="center"|3 || Генерирование реализаций случайных процессов. Дискретные марковские цепи. || [https://github.com/artonson/hse-cs-stochproc/tree/master/notebooks/lecture3 IPython-тетрадки]
| 20 января 2017 || align="center"|3 || Генерирование реализаций случайных процессов. Дискретные марковские цепи. || [https://github.com/artonson/hse-cs-stochproc/tree/master/notebooks/lecture3 IPython-тетрадки]
|-
|-
-
| 27 января 2017 || align="center"|4 || Марковские случайные процессы. ||
+
| 27 января 2017 || align="center"|4 || Марковские случайные процессы. || [[https://www.dropbox.com/s/a4v4dzzrqzp0hm5/lecture3.pdf?dl=0|Конспект лекции]]
|-
|-
-
| 27 января 2017 || align="center"|5 || Авторегрессионные и условно-гауссовские модели временных рядов. ||
+
| 27 января 2017 || align="center"|5 || Авторегрессионные и условно-гауссовские модели временных рядов. || [1], Глава II, §§1--3
|-
|-
|}
|}

Версия 21:38, 6 февраля 2017

Курс дает теоретический и практический фундамент, необходимый при решении множества реальных промышленных задач, связанных с анализом данных в режиме реального времени. Необходимость в таких методах возникает во многих прикладных областях — например, при анализе временных рядов цен на акции, спроса на товары, числа посещений главной страницы интернет-поисковика. Трудность таких задач заключается в требовании максимально эффективного использования накопленной и поступающей информации для прогнозирования появления событий в неизвестном будущем или их обнаружения при неопределенном настоящем. Курс дает двоякие знания — математическую базу теории случайных процессов и навыки практической реализации алгоритмов анализа данных в оффлайн и онлайн-режимах. Будут рассмотрены основные подходы и вероятностные модели теории случайных процессов, такие как гауссовость, марковость, авторегрессионные модели, локально стационарные модели, модели в задачах скорейшего обнаружения; численные алгоритмы, в том числе сегментация, шумоподавление, оценка статистических характеристик, ключевые статистики в задачах обнаружения разладок и аномалий; слушателям будет предложена серия задач, направленных на анализ реальных данных посредством практического применения рассматриваемых подходов.


Занятия проходят на ФКН ВШЭ.

Лектор: Алексей Валерьевич Артемов. Лекции проходят по пятницам с 9:00 до 10:20 в ауд. 509 и (по нечетным неделям) с 12:10 до 13:30 в ауд. 317.

Полезные ссылки

[Карточка курса и программа]

[Репозиторий с материалами на GitHub]

Почта для сдачи домашних заданий: hse.cs.stochastics@gmail.com

[Таблица с оценками]

Оставить отзыв на курс: форма

Вопросы по курсу можно задавать на почту курса, а также в телеграм лектору (artonson@) или семинаристу. Вопросы по материалам лекций/семинаров и по заданиям лучше всего оформлять в виде [Issue] в [github-репозитории курса].

Семинары

Группа Преподаватель Учебный ассистент Расписание Почта для ДЗ
1 Хромова Ольга Михайловна Георгий Варганов пятница, 10:30 – 11:50 (13:30 по четным неделям), ауд. 300 hse.cs.stochastics@gmail.com
2 Волхонский Денис Алексеевич Гайни Икрам пятница, 10:30 – 11:50 (13:30 по четным неделям), ауд. 311 hse.cs.stochastics@gmail.com

Консультации

Консультации с учебными ассистентами по курсу проводятся согласно следующему расписанию.

Группа Учебный ассистент Расписание Почта для вопросов
1 Георгий Варганов вторник, 17:00-18:20 ауд. 511 hse.cs.stochastics@gmail.com
2 Гайни Икрам среда, 13:40 - 15:00 ауд. 511 hse.cs.stochastics@gmail.com

Система выставления оценок по курсу

  1. В рамках курса предполагается:
    1. Шесть домашних заданий (теоретических и практических).
    2. Проверочные самостоятельные работы на семинарах.
    3. Устный коллоквиум по темам 1--6.
    4. Устный экзамен.
  2. Каждое задание, коллоквиум и экзамен оцениваются по десятибалльной шкале.
  3. Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Oитоговая = 0.7 * Oнакопленная + 0.3 * Оэкз

  1. Оценка за работу в семестре вычисляется по формуле

Oнакопленная = 0.1 * Oсамостоятельные + 0.6 * Одз + 0.3 * Околлоквиум

  1. Оценка за самостоятельную работу вычисляется как среднее по всем самостоятельным, оценка за домашнюю работу — как среднее по всем практическим заданиям и соревнованиям.
  2. Также во время лекций и семинаров выдаются задачи, за которые можно получить дополнительные баллы, которые влияют на итоговую оценку.

Правила сдачи заданий

В рамках курса предполагается сдача нескольких домашних заданий. Домашнее задание сдаётся к указанной по почте дате в виде pdf-файла, оформленного с помощью LaTeX. Домашние задания после срока сдачи не принимаются.

Все домашние задания выполняются самостоятельно. Если задание выполнялось сообща или использовались какие-либо сторонние коды и материалы, то об этом должно быть написано в отчёте. В противном случае «похожие» решения считаются плагиатом и все задействованные студенты (в том числе те, у кого списали) получают за задание оценку ноль.

Лекции

Дата № занятия Занятие Материалы
13 января 2017 1 Введение в курс. Основы теории случайных процессов. Непрерывность случайного процесса. Конспект лекции
13 января 2017 2 Стационарные случайные процессы. Пуассоновский и винеровский процесс. Конспект лекции
20 января 2017 3 Генерирование реализаций случайных процессов. Дискретные марковские цепи. IPython-тетрадки
27 января 2017 4 Марковские случайные процессы. [лекции]
27 января 2017 5 Авторегрессионные и условно-гауссовские модели временных рядов. [1], Глава II, §§1--3

Семинары

№ п/п Дата Занятие Материалы

Домашние задания

Распределение студентов по вариантам

Задание 1. Основы теории случайных процессов. Срок сдачи: понедельник, 6 февраля 2017, 23:59.

Литература

Личные инструменты