oleninochka/ml2022

Курс Машинного обучения МатМех УрФУ

Курс по Машинному Обучению на МатМехе УрФУ

Формат

Семинар с компьютером (как на курсе по Питону).

Каждый четверг с 18:00 до 20:30 в 621 аудитории (кроме праздников и форс-мажоров).

Будут видеозаписи. (Плейлист на youtube)

Посещаемость необязательна. Баллы за работу на парах не ставятся.

Пары проводятся транслируются онлайн в комнате дискорда

Контакты

Телеграмм группа

Семинарист

Пререквизиты

• Основы Python и ООП на нем
• Основы Теории Вероятности: матожидание, дисперсия, плотность, нормальное распределение.
• Основы Алгебры. Матрицы, ранг матрицы, СЛУ.
• Основы Мат. анализа. Взятие производной, взятие интегралов.

Отчетность

Для ФИИТа 2 курса - обязательный курс.

Для всех остальных - 6 зет спецкурсами. (Вы сами договариваетесь с преподами что вам ставить в учебный план)

• Для ФИИТа 4 курса - ставим "Машинное обучение и Python" (3 зет) и "Введение в машинное обучение" (3 зет)
• Для КН 3-4 курса - ставим "Анализ Данных" (6 зет)

Чтобы сдать курс сдать ДЗ и получить баллы в системе Ulearn.

• На 3 - 70 баллов.
• На 4 - 95 баллов.
• На 5 - 120 баллов.

Для людей с 4 курса, границы баллов будут обсуждаться в апреле.

Домашние задания

Домашние задания сдаются в системе Ulearn Курс по МЛ

Необходимо подключиться к группе

• для фиита 2 курса
• для всех остальных

Всего будет 14 домашек по 10 баллов (140 баллов суммарно).

Дедлайн домашки начало новой пары: 18:00 на след неделе.

После дедлайна стоимость сданной задачи составляет 50% от изначальной.

Гугл-док с баллами

При нахождении явного списывания задачи, задача обнуляется у обоих студентов. Есть возможность пересдать.

Мы хотим давать некоторую обратную связь при отправке неправильного решения. Однако данная возможность делает питон небезопасным, и при должном желании можно выгрузить тесты и решение из системы. При нахождении попытки студента хакнуть юлерн или предоставить решение из просто выписанных тестов, будет ставиться 0 за всю домашку на неделе, вне зависимости от того сдали ли вы потом правильное решение.

Программа

0. (17.02.22) Введение в анализ данных. Numpy. Pandas. Визуализация.
1. (24.02.22) Введение в машинное обучение. Базовые алгоритмы. Байесовский классификатор. видео
2. (10.03.22) Линейная Регрессия. Градиентный спуск. видео
3. (17.03.22) Метрики. Обработка признаков. Проклятие размерности. видео
4. (24.03.22) Деревья решений. Ансамбли деревьев. Случайный лес. видео
5. (31.03.22) Градиентный бустинг. видео
6. (07.04.22) Интерпретация и тестирование моделей.
7. (14.04.22) Нейронные сети. Алгоритм обратного распространения ошибки.
8. (21.04.22) Сверточные нейронные сети. Распознавание изображений.
9. (28.04.22) Введение в NLP. Эмбеддинги.
10. (05.05.22) Реккурентные нейронные сети. Трансформеры.
11. (12.05.22) Рекомендательные системы. Алгоритмы ранжирования.
12. (19.05.22) Алгоритмы кластеризации. Уменьшение размерности. PCA. TSNE.
13. (26.05.22) Практическое применение Машинного обучения.