Первый семестр годового курса по машинному обучению. Ссылки на записи лекций и семинаров будут добавляться ниже
Занятия проходят по понедельникам в 17.05 в Большой Химической аудитории Лабораторного корпуса МФТИ.
| Date | Content | Lecture video | Slides | WarmUp test | HW | Deadline | Comments |
|---|---|---|---|---|---|---|---|
| 05.09.2022 | Week01. Intro, Naive Bayes and kNN. | Запись лекции 2021 Запись семинара 2021 | Слайды | Assignment 01: kNN | 23.59 AOE, 03.10.2022 | По техническим причинам запись лекции 2022 года не велась | |
| 12.09.2022 | extra Week. Linear algebra recap. | Запись лекции Запись семинара 2022 | Слайды | ||||
| 19.09.2022 | Week02. Linear Regression. | Запись лекции Запись семинара 2022 | Слайды | Assignment 02: Linear Regression | 23.59 AOE, 10.10.2022 | ||
| 26.09.2022 | Week03. Linear Classification. | Запись лекции Запись семинара 2022 | Слайды | Lab01: ML pipeline | 23.59 AOE 10.11.2022 | ||
| 03.10.2022 | Week04. SVM, PCA. | Запись лекции Запись семинара 2022 | Слайды | Assignment 03: SVM kernel | 23.59 AOE, 24.10.2022 | ||
| 10.10.2022 | Week05. Trees and ensembles | Запись лекции | Слайды | Optional assignment 04: Tree from scratch | 23.59 AOE, 22.12.2022 | Вместо семинара проходила контрольная работа | |
| 17.10.2022 | Week06. Gradient boosting | Запись лекции Запись семинара | Слайды | ||||
| 24.10.2022 | Week07. Аnalysis of the testing | Запись разбора | Вместо лекции были тест и разбор. | ||||
| 31.10.2022 | Week08. Intro into Deep Learning | Запись лекции Запись семинара | Слайды | ||||
| 07.11.2022 | Week09. Backpropogation | Запись семинара | Слайды | Лекция не велась по причине болезни преподавателя, однако был проведён дополнительный семинар по backpropogation | |||
| 14.11.2022 | Week10. Dropout and Batchnorm | Запись лекции Запись семинара | Слайды | ||||
| 21.11.2022 | Week11. Embeddings and seq2seq model | Запись лекции Запись семинара | Слайды |
Оценка за курс выставляется по следующей формуле: $$ \frac{\text{Накопленные баллы}{\text{максимальное кол-во баллов}} \cdot 0.65 + \frac{оценка за экзамен (из 10)}{10} \cdot 0.35$$
Теор. мин. является обязательным на экзамене. На усмотрение экзаменатора оценка может быть поднята на 2 бала или понижена на 2 балла из 10.
Теоретический минимум для участия в курсе доступен по ссылке.
Основные книги, которые могут быть полезны в рамках прохождения курса:
- Probabilistic Machine Learning: An Introduction; English link, Русский перевод
- Deep Learning Book: English link. Первая часть (Part I) крайне рекомендуется к прочтению.
- Онлайн-учебник, написанный совместно с ШАД
Более полный список хороших книг/лекционных заметок на русском и английском языке можно найти здесь: link
Также прилагаю небольшую подборка материалов для тех, кто хочет освежить/улучшить знания Python:
-
Хороший и короткий туториал от Stanford’а: http://cs231n.github.io/python-numpy-tutorial/
-
Репозиторий с большим набором примеров/упражнений: https://gitlab.erc.monash.edu.au/andrease/Python4Maths/tree/master
Доступна по ссылке