Факультет компьютерных наук вшэ

Кампусы

Нижний Новгород

Первый региональный кампус был открыт в Нижнем Новгороде в 1996 году. По состоянию на 2018 год в кампусе проживало 2700 студентов и 320 преподавателей. По качеству бюджетного приема он занимает первое место среди вузов Нижнего Новгорода и занимает 19 позицию в рейтингах России по качеству образования.

Санкт-Петербург

Кампус в Санкт-Петербурге был основан в 1997 году. По состоянию на 2018 год Санкт-Петербургский университет занимал третье место среди социально-экономических вузов России и второе место в городе по рейтингу среднего балла поступающих на ЕГЭ абитуриентов. По состоянию на 2019 год в кампусе проживает 5500 студентов и 485 преподавателей.

Пермь

Третий региональный кампус в Перми также был открыт в 1997 году. По состоянию на 2018 год в университете было около 2000 студентов и 120 преподавателей, и он занял 29-е место в рейтинге России по качеству приема. В 2017 году бакалаврская программа «Бизнес-информатика» заняла четвертую позицию в этом же рейтинге). Кампус сотрудничает с Университетом Эссекса и Университетом Эври Валь д’Эссонн, чтобы предложить совместные двойные степени с этими учреждениями.

Боевой листок

Лекции

Лекция 1: Метод максимального правдоподобия: точечные и интервальные оценки.

Лекция 2: Тест отношения правдоподобия и тест Вальда.

Лекция 3: Тест множителей Лагранжа и энтропия.

Лекция 4: EM-алгоритм.

Лекция 5: EM-алгоритм и Bootstrap.

Лекция 6: Регрессия и нормальное распределение.

Лекция 7: Распределение хи-квадрат и F-распределение. F-тест.

Лекция 8: Повтор про F-распределение, t-распределение.

Конспект от руки

Лекция 9: Гетероскедастичность и бутстрэп

Лекция 10: разбор задач из контрольной

Лекция 11: Гостевая лекция: метрики, MDE, бутстрэп.

Лекция 12: Байесовский подход

Лекция 13: Байесовский подход: продолжение

Лекция 14: Алгоритм Метрополиса-Гастингса

Лекция 15:

Семинары

Семинар 1: Метод максимального правдоподобия.

Семинар 2: Тесты LR, LM и Wald.

Семинар 3: Энтропия и дивергенция Кульбака-Лейблера.

Семинар 4: EM-алгоритм.

Семинар 5: EM-алгоритм и Bootstrap.

Семинар 6: Геометрия МНК.

Семинар 7: Распределения.

Семинар 8: Тестирование гипотез в линейной регрессии.

Семинар 9: Гетероскедастичность.

Семинар 10: Мультиколлинеарность. Отбор регрессоров.

Семинар 11: Эндогенность.

Семинар 12: Множественное тестирование. Байесовские методы.

Семинар 13: Байесовские методы.

Семинар 14: Байесовские методы.

Домашние задания

Домашнее задание 1. Метод максимального правдоподобия.

Дедлайн: 11.10.2020, 23:59 МСК

Домашнее задание 2. EM-алгоритм. Линейная регрессия.

Дедлайн: 01.12.2020, 23:59 МСК

Домашнее задание 3. Тестирование гипотез. Байесовский подход.

Дедлайн: 17.12.2020, 23:59 МСК

Бонусное домашнее задание

Дедлайн: 17.12.2020, 23:59 МСК

Задания для подготовки

Квиз 2. Дивергенция Кульбака-Лейблера. EM-алгоритм.

Квиз 3. Проверка гипотез в линейной модели. Гетероскедастичность.

Квиз 4. Тестирование гипотез. Байесовский подход.

Домашние задания

Домашние задания загружаются в личный репозиторий в GitHub Classroom.

Правила оформления решений находятся на первой странице каждого домашнего задания.

Контрольная работа

Контрольная работа состоится онлайн 7-го ноября с 18:00 до 21:00. В контрольную работу войдут задачи по темам лекций и семинаров.

Экзамен

Экзамен состоится онлайн 21 декабря с 13:00 до 16:00. По формату экзамен будет похож на контрольную работу. Вопрос об автоматах уточняется.

Написание пропущенных работ

19 декабря (время уточняется) можно будет:

1. Написать неограниченное число пропущенных по уважительной причине квизов или контрольную.
2. Написать один любой пропущенный по любой причине квиз.
3. Переписать один любой квиз со штрафом: максимум можно будет получить 8 баллов (выставляется минимум из количества набранных баллов и 8).

Преподаватели

Лекции ведут:

Бурова Маргарита Борисовна

• telegram: @burritas

Курмуков Анвар Илдарович

• email: kurmukovai@gmail.com
• telegram: @anvarki

Семинары ведут:

Группа	Семинарист	Ассистент
K1, K2	Степанов Артём Алексеевич, @arstep, stepartm@gmail.com	Турсунходжаев Агзамходжа Махсудхужаевич, @agzamg, amtursunkhodzhaev@edu.hse.ru
К3, К4, К5	Волосникова Марина Сергеевна, @marinamarina123, mvolosnikova@gmail.com	Черных Татьяна Олеговна, @tanicher, tochernykh@edu.hse.ru
Я1, Я2	Кириллов Алексей Павлович, @KirillovAP, KirillovAl@yandex.ru	Орлов Александр Викторович, @TheLordOfSiberia, alexander.orlov98@gmail.com
Р2, А2	Саломатин Юрий Владимирович, @Drizir, yuvsalomatin@edu.hse.ru
Р1, А1	Вельдяйкин Николай Олегович, @NickVeld, noveldyaykin@edu.hse.ru , nickveldhw@gmail.com
Я3, Я4	Кротова Елена Борисовна, @Lena_Kr, kroelebor@gmail.com

Презентация курса

Цель освоения дисциплины

• Обучить студентов методам решения и исследования качественного поведения решений дифференциальных уравнений, составляющих основу математических моделей различных теоретических и практических инженерно-экономических задач
• Выработать навыки математического исследования прикладных вопросов и умения перевести инженерно-экономическую задачу на математический язык
• Повысить общий уровень математической культуры
• Научить самостоятельно изучать учебную и научную литературу по дифференциальным уравнениям

Планируемые результаты обучения

• Владеть навыками анализа естественнонаучных задач с помощью дифференциальных уравнений
• Владеть навыками численного решения дифференциальных уравнений
• Знать доказательства основных теорем теории дифференциальных уравнений
• Знать определения основных понятий теории дифференциальных уравнений
• Знать примеры приложения теории дифференциальных уравнений к экономическим и естественнонаучным задачам
• Уметь исследовать качественные свойства дифференциальных уравнений
• Уметь решать основные типы дифференциальных уравнений
• Уметь строить фазовые портреты дифференциальных уравнений

Преподаватели

Семинаристы:

Электронная почта ansidiana@yandex.ru. Для быстрой связи лучше писать в телеграм @ansidiana.

Ассистент в группе 1: Лежанкина Александра, электронная почта ailezhankina@edu.hse.ru, телеграм @smallbnha (лучше писать в телеграм).

Ассистент в группе 2: Каган Елизавета, электронная почта eakagan_1@edu.hse.ru, телеграм @eakagan (лучше писать в телеграм).

Электронная почта azapryagaev@hse.ru. Телеграм (там ответы быстрее): @azapryagaev.

Ассистент в группе 3: Мануйленко Никита, электронная почта nsmanuylenko@edu.hse.ru, телеграм @WheelDeal.

Ассистент в группе 4: Сусла Диана, электронная почта dmsusla@edu.hse.ru, телеграм @call_me_Dory.

Электронная почта: agalkin@hse.ru. Telegram: @artemgalkin

Ассистент в группе 5: Погосян Ростом, электронная почта: rapogosyan@edu.hse.ru, telegram: @ra_poghosyan

Люди

Факультет

Изначально Вышка подавала заявки на гранты для приглашения иностранных ученых, которые, особенно в начале истории вуза, обладали большим опытом, чем местные специалисты. По состоянию на 2016 год около 11% от общего числа иностранных специалистов составляли профессора со степенью доктора философии.

Благодаря сотрудничеству с Министерством экономического развития университет пригласил министров экономики и политиков для проведения занятий и чтения лекций. В 1990-е годы средний возраст преподавателей составлял 33 года, к 2011 году их число увеличилось до 43 лет. Большинство молодых ученых приехали из Российской академии наук и МГУ. В НИУ ВШЭ действует конкурентоспособная система поиска специалистов. В 1990-е годы из-за в целом низкой заработной платы большинство профессоров работали по несколько раз. Так, в НИУ ВШЭ был введен «эффективный контракт» — финансовая система, побуждающая профессоров рассматривать Высшую школу экономики в качестве основного места работы. Тем, кто долгое время проработал в университете, присваивается статус «Заслуженный профессор».

Выпускников

Высшая школа экономики заняла высокие места по уровню трудоустройства выпускников. В 2016 году издание The Future Today поместило НИУ ВШЭ в список лучших вузов России, выпускники которых являются наиболее вакантными на рынке с уровнем трудоустройства 85%. Опрос внутри вуза также показал, что 93% выпускников трудоустраиваются в течение первого года после выпуска. Некоторые из них устраиваются на внештатную работу или продолжают образование.

Среди известных выпускников ВШЭ — Максим Орешкин, который впоследствии будет назначен министром экономического развития Российской Федерации, и Константин Носков, который станет министром цифрового развития, связи и массовых коммуникаций Российской Федерации.

Формирование оценок по дисциплине

Подведение итогов промежуточной аттестации по дисциплине проводится только на основании результатов текущего контроля без проведения аттестационного испытания в форме экзамена, т.е.:

О_рез = О_нак

Накопленная оценка по дисциплине рассчитывается по формуле:

O_нак = 0,6*O_тек + 0.4*O_итоговое эссе

Текущая оценка вычисляется как средняя арифметическая по всем промежуточным формам контроля: 2 онлайн-теста и эссе по storytelling. На выполнение промежуточных заданий студентам дается 7 календарных дней. Если задание выполнено позже указанного срока, студент получает минус балл за каждый день опоздания.

Детальная инструкция по первому тесту

Инструкция по прохождению теста

При прохождении теста советуем использовать ноутбук с браузерами Google Chrome / Firefox / Safari. С мобильных платформ отображение теста может быть некорректным
Мы так же обратили внимание, что с внутренней сети ВШЭ иногда не работают картинки. Дабы не возникало проблем с их отображением, картинки отдельно выложены в wiki

Придумайте для себя кодовое слово (желательно — на русском языке, без дефисов и других символов).

Отправляем со своего email свое кодовое слово на указанный на первой странице теста email с указанной темой

Важно — это достаточно сделать один раз. Проходим тест

На прохождение выдается 120 минут, в это время для данной вкладки браузера нельзя нажимать кнопки назад или обновить страницу — результаты не будут засчитаны.

В финальном окне теста вводим в разделе «Введите свое имя» своей Email (тот же, что и в начале). Рядом появится галочка — нажмите ее.

Очень не советуем списывать друг у друга или из интернета текстовые ответы — как вы знаете, с помощью анализа данных можно легко рассчитать расстояния между строками и проверить схожесть двух ответов. Для тех, у кого текстовые ответы будут совпадать слишком сильно, баллы за тест обратятся в 0.

Вы можете проходить тест сколько угодно раз, но засчитывать для вашего Email мы будем только первые три результата по времени. Из них будет выбираться наилучший, и этот результат мы и будем считать финальной итоговой оценкой за данный тест.

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 несколько базовых решений (бейзлайнов), каждое из которых соответствует определённой оценке. Например, для получения оценки не ниже 8 баллов необходимо, чтобы ваше решение на приватном лидерборде оказалось лучше соответствующего бейзлайна. Далее для студента, преодолевшего бейзлайн на N_1 баллов, но не преодолевшего бейзлайн 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 — (N_2 — N_1) * i / M,

где M — количество студентов (из всех студентов, изучающих курс), преодолевших бейзлайн на N_1 баллов, но не преодолевших бейзлайн на N_2 балла;

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

Единственное исключение из формулы — студенты, преодолевшие самый сильный бейзлайн, получают прибавку 1/M к своей оценке.

Чтобы вас не пропустили при проверке решений соревнования, необходимо использовать следующий формат для имени команды (вкладка Team):

« Имя Фамилия номер_группы»

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-3 согласно приватному лидерборду, смогут получить бонусные баллы, если в течение недели после окончания соревнования сдадут в anytask отчет о получении решения, фигурирующего в приватном лидерборде. Если не оговорено иное, использовать любые внешние данные в соревнованиях запрещено. Под внешними данными понимаются размеченные данные, где разметка имеет прямое отношение к решаемой задаче. Грубо говоря, сборник текстов с википедии не считается внешними данными.

В некоторых соревнованиях данные взяты из завершившегося соревнования на Kaggle.
Категорически запрещено использовать данные из оригинального соревнования для восстановления целевой переменной на тестовой выборке.

Домашние задания

БМБ178, БММ171

не менее 1000 объектов (строк), не менее 5 признаков (5 колонок)

Сроки сдачи

Группа	Адрес отправки ДЗ	Дедлайн ДЗ1	Дедлайн ДЗ2	Дедлайн ДЗ3	Дедлайн ДЗ4
БММ171	managementdataculture@gmail.com
БММ172	@ppillif в телеграме	14.05.2018
БММ173	aaivanov_5@edu.hse.ru	11 мая 2018 г., 23.59 (UTC +3)
БМБ171	marat.akhmatnurov@yandex.ru zhorasukasyan@ya.ru	2018-05-11 23:59	2018-06-13 23:59		2018-06-16 23:59
БМБ172	eromanova@hse.ru	10.05.2018, 23.59 (UTC +3)
БМБ173
БМБ174
БМБ175	eromanova@hse.ru	10.05.2018, 23.59 (UTC +3)
БМБ176
БМБ177
БМБ178	managementdataculture@gmail.com

Эссе по визуализации

Эссе по визуализации принимается до 30 мая. Работать можно в командах до 5 человек включительно.

Концепция задания следующая:

1. Возьмите данные о каком-либо социальном процессе, явлении, историческом, культурном или политическом событии. Под данными подразумевается некоторый набор статистики.
2. Проведите анализ этих данных — посмотрите на распределения, выделите средние, распределения, медианы и дисперсии — о чем они говорят?
3. Визуализируйте результаты описанными в лекциях графиками и графическими инструментами. Проследите за тем, чтобы визуализации получились наглядными, выдержанными в едином стиле, информационно полными (с соблюдением принципов, описанных в лекциях).
4. Под полученными визуализациями добавьте текстовые аннотации на ± полстраницы текста на каждую графическую единицу.
5. Итоговая размерность задания, если переводить его в word / pdf с 14 Times New Roman — около 3-5 страниц (больше — по желанию).
6. Итоговая работа может быть в любом виде по желанию вашей команды, например:
   1. .docx / .pdf / .pptx с картинками и подписями (самый простой вариант).
   2. веб-страница с графиками и текстом (взгляните, например, на Tableau Public — там можно рисовать графики (включая картографические) и прочее в Web-версии без знания особых инструментов)
   3. Бумажный ватман с распечатанными и наклеенными / нарисованными графиками и подписями (если вдруг такое взбредет вам в голову, получится что-то похожее на стенгазету).
   4. любой неперечисленный выше формат лучше все таки уточнить у нас (я правда не знаю что еще может прийти в голову, но если вдруг).
   5. Позаботьтесь о том, чтобы в вашем задании был некоторый осмысленный и осязаемый из графиков вывод об объекте изучения. Он должен быть не менее 3-х предложений по теме.

N.B. Постарайтесь подойти к этому заданию творчески. Возможно, вы захотите чтобы оно вошло в портфолио ваших проектов — получится явная польза помимо курса.

Возможные вопросы:

Q: Я не умею в сложный web и не очень хорошо рисую, как мне сделать это задание?

A: Самый простой способ — возьмите обычный Excel и Word, разберите данные там, сделайте графики в Excel и перенесите их в Word.

Q: А где брать данные?

A: Вопрос непростой, но есть некоторые базовые локации:

1. Социальная / экономическая статистика:
2. Любые цифровые выкладки по вашему предмету визуалиации — желательно чтобы данные были открытыми.
3. В сообществе ods.ai в канале #datasets есть самые разнообразные данные (даже картинки со сканом легких). Зарегистрируйтесь (это займет около 1 дня на рассмотрение регистрации) — и спросите там (или у нас)
4. Спросите нас — может сможем что-нибудь подсказать.

Q: Можно ли мне сделать что-нибудь по данным с realtime API (twitter / google / etc)?

A: Конечно же да, но тогда должно быть понятно о чем именно вы рассказываете.

Q: А какими инструментами можно пользоваться?

Критерии оценивания эссе по визуализации

1. Логическая связность повествования — от 1 до 5 баллов
2. Понятность графических объектов (не менее 3-х графических объектов, меньше — 1 балл) — от 1 до 10 баллов
3. Аккуратность, информативность графиков, подписанные оси, грамотные аннотации — от 1 до 10 баллов
4. Наличие логичного вывода в концовке эссе и его связность с темой — от 1 до 5 баллов

Научно-исследовательский семинар

Расписание

Индивидуальные беседы — 13:20 — 14:20

Темы

• Декабрь — Мировые ИТ компании
• Январь — Языки программирования
• Февраль — Интересное приложение
• Март — Цифровой стартап
• Апрель-май — История одной железки
• Сентябрь — Основы верстки научных тексов в Latex.
• Октябрь — Визуализация

Доклады

Выбрать определенный предмет изучения
Подготовить конспект (1-2 страницы)
Записать 15-20 минутный доклад (презентация + рассказ)

Задание в Latex

Необходимо выбрать пять заданий по математике и информатике, например, из ЕГЭ:

• два задания по алгебре, где требуется решения уравнений;
• два задания по геометрии, где для решения требуется построение чертежа;
• одно задание по информатике, где требуется написать код.

Ваша задача заключается в том, чтобы подготовить подробный текст в Latex условий и решений выбранных заданий с записью всех уравнений, графиков, чертежей и оформления кода:

Для каждой задачи запишите ее условие и подробное образцовое решение.

В результате Вам необходимо подготовить и отправить:

• Архив tex файлом и всеми дополнительными файлами (в overleaf есть кнопка «Download» в списке проектов)
• Итоговый PDF файл (в overleaf при редактировании есть «Download PDF»)

Задание будет оцениваться по количеству задач и качеству оформления текста.

Задание на визуализацию

Вам необходимо выбрать пять каких-то понятий или явлений и построить для них диаграмму связей (mind map, ментальная карта).
Что такое диаграммы связей можно почитать, например, тут:

• и еще много где, загуглив «mind map»

Явления или понятия Вы можете выбрать сами, например, это может быть что-то из Ваших лицейских предметов, или просто вещи, которыми Вы интересуетесь, и в которых Вы разбираетесь.

Сделайте карты достаточно подробными, в каждой из них должно быть не менее 20 связных элементов. Если Вам кажется, что для данного явления или понятия нет 20 элементов, то:

• либо подумайте еще, скорее всего еще не до конца разобрались;
• либо выберете другое понятие или явление.

Семинары групп 181, 182

Неделя 1. 1 сентября. Миникр «Вспомнить всё» и МНК

• Домашнее задание:

ИП: 1.2, 1.3, 1.7, 1.8, 1.9, 1.10, 2.1, 2.2, 2.3, будет миникр по мотивам: 1.2, 1.3, 2.2, 2.3

БП: 1.1, 1.2, 1.3, 1.7, 1.8, 1.9, 1.10, будет миникр по мотивам: 1.2, 1.3, 1.4, 1.7

Неделя 2. 7 сентября. Геометрия МНК

• Домашнее задание:

ИП: 1.6, 1.15-1.18, 2.5, 3.1, будет миникр по мотивам 3.1, 3.3

БП: 1.5, 1.6, 1.15-1.18, 3.1, будет миникр по мотивам 3.1, 3.3

Неделя 3. 14 сентября. Матрица-шляпница и R^2

• Миникр-3: Нарисуйте картинку МНК, отметить 4 прямых угла и выписать 4 теоремы Пифагора. Выпишите матрицы X, X’X, X’y для данной модели и данной выборки.
• Домашнее задание: установите julia

Запускаем первую клетку с помощью shift + Enter. Ждём пока на виртуальный комп гугла установится julia. Примерно 5 минут. Перезагружаем страничку (ctrl + r). Во второй клетке тестируем, например, находим exp(1). Локальная установка julia Установите расширение Julia для VS Code: Запустите VS Code. Внутри VS Code переместитесь во вкладку Extensions (расширения) (ctrl + shift + x) Во вкладке Extensions (расширения) просто найдите Julia (можно вписать в строку поиска). Выберете расширение Julia 1.0.7 и нажмите кнопку install (установить). Вам возможно понадобится перезапустить VS Code после этого шага. Запустите VS Code, если он у вас не запущен, cоздайте файл test.jl со строкой exp(1), сохраните, нажмите ctrl + enter. Все хорошо, если вы увидели во вкладке Terminal 2.71828182… 🙂 Тонкости с локальной настройкой расширения Julia Если вы установили Julia в стандартную папку на Mac или Windows, расширение Julia VS Code должно автоматически найти вашу установку Julia, и вам не нужно ничего настраивать. Если расширение не находит вашу установку Julia автоматически, вы можете установить julia.executablePath для того чтобы указать VS Code на исполняемый файл языка Julia. Чтобы изменить параметры конфигурации, выполните команду Preferences: Open User Settings (вы также можете получить доступ к ней через меню File->Preferences->Settings), а затем убедитесь, что ваши пользовательские настройки включают julia.executablePath. Если нет, то необходимо вручную указать на расположение исполняемого файла Julia. Формат адресной строки должен соответствовать вашей операционной системе и имейте в виду, что \ является escape-символом в JSON, поэтому вам нужно использовать \\ в качестве символа разделителя пути в Windows.

Домашние задания

Для каждого задания предоставляется ссылка на сервис, содержащий описание задания и реализующий тестирование решений. Данные сервисы размещаются на платформе Everest (см. далее).

	Задание	Мягкий дедлайн	Жесткий дедлайн
1	3 октября 00:00 MSK	5 октября 00:00 MSK
2	17 октября 00:00 MSK	19 октября 00:00 MSK
3	8 ноября 00:00 MSK	9 ноября 00:00 MSK
4	21 ноября 00:00 MSK	23 ноября 00:00 MSK
5	5 декабря 00:00 MSK	7 декабря 00:00 MSK
6	12 декабря 00:00 MSK	14 декабря 00:00 MSK

Тестирование решений

На странице каждого сервиса содержится описание задания и выполняемых тестов. Данные тесты могут не покрывать все возможные ошибки и не заменяют самостоятельное тестирование своих решений. Тем не менее, результаты тестов позволяют составить представление о работе вашей программы и используются при проверке решений преподавателями.

Для тестирования решения необходимо перейти во вкладку Submit Job, загрузить требуемые файлы и нажать кнопку Submit. При этом происходит перенаправление на страницу нового задания (job), где можно отслеживать его состояние. Информация на странице обновляется автоматически. После окончания выполнения задания (состояние DONE или FAILED) становится доступной вкладка Outputs, где можно увидеть вывод с результатами тестирования.

Время выполнения тестов обычно составляет несколько минут, однако при большом количестве одновременных запросов к сервису время ожидания увеличивается. Поэтому лучше не откладывать тестирование на последний момент. Число попыток при тестировании не ограничено.

Сдача решений

Для сдачи решения надо перейти в раздел Задачи, нажать Сдать напротив нужного задания и отправить текст, содержащий:

• краткое описание вашего решения (основная идея, особенности реализации, соответствие условиям задания и т.д.), которое бы позволило проверяющему быстрее разобраться в нём (приветствуются также комментарии в коде),

Число попыток сдачи решения не ограничено. В случае, если решение отправлено заранее, есть шанс получить комментарий преподавателя до окончания срока сдачи и, в случае необходимости, исправить решение. Досрочные комментарии даются по мере возможности и вероятность их стремится к нулю с приближением срока сдачи.

Проверка решений

Проверка решений обычно происходит в течение недели после срока сдачи задания. При проверке оценивается последняя присланная до срока версия решения. В качестве начального приближения оценки берутся баллы, полученные решением на тестах. Так как тесты могут не покрывать все возможные проблемы, оценка может корректироваться преподавателем в ходе проверки. После окончания проверки в Anytask должен появиться ответ преподавателя с оценкой и комментариями.

Каждое задание оценивается по 10-балльной шкале. За каждый день просрочки после мягкого дедлайна снимается 2 балла. После жёсткого дедлайна решения не принимаются.

Доклады, проверочные работы и рецензирование

Доклады
В течение года каждый студент выступает с докладами по темам, связанным с машинным обучением. Стандартная продолжительность доклада — 30 минут, то есть на одном занятии проводится два выступления. Каждый студент должен сделать два доклада за год. Если такое количество докладов не будет укладываться в рамки курса по времени, то студенты с лучшим выступлением будут освобождены от второго доклада.

Два раза в год студент должен утвердить тему своего выступления у преподавателя в назначенные для этого сроки. Минимум за неделю до даты выступления докладчик должен прислать преподавателю на согласование:

1. Краткий план доклада. Он должен быть достаточно подробным, чтобы из него были понятны основные идеи, связи между ними и уровень подробности рассказа про каждую идею.
2. Список вопросов по материалу доклада. 3-4 вопроса для проверочной по вашему выступлению. Вопросы должны соответствовать целям доклада и покрывать важные идеи, которые человек из вашего доклада должен вынести. Вопросы должны быть достаточно конкретными (не надо ударяться в философию), в адекватной степени математичными (спросить про формулу функции потерь модели — отличная идея, но спросить выписать все градиенты для обучения модели — плохая) и больше проверять понимание материала, а не запоминание.

Сразу после выступления необходимо прислать свою презентацию. При невыполнении перечисленных условий в поставленные сроки преподаватель имеет право снизить оценку за соответствующий доклад. Если вы присылаете план выступления позднее, чем в 9:00 дня, следующего за последним проведенным семинаром перед вашим выступлением (в нашем случае среды предыдущей недели), оценка за доклад может быть снижена на 2 балла. Если вы присылаете свою презентацию позднее, чем в 9:00 следующего после даты выступления дня, оценка за доклад может быть снижена на 1 балл.

Неявка на свой доклад без уважительной причины приводит к нежелательным последствиям. При наличии уважительной причины, пожалуйста, предупреждайте о ней преподавателя заранее.

Оценка за доклад складывается на 75% из оценки преподавателя и на 25% из оценки студентов (по итогам рецензирования).

У 3 курса многие доклады будут связаны с темами курса Introduction to Deep Learning, поэтому нужно будет прослушивать определенные части этого курса до дат по определенным выступлениям (обо всем будет заранее сообщаться).

Рецензии
Каждый доклад оценивается не только преподавателем, но и студентами. Трое одногруппников докладчика, присутствовавшие на занятии, пишут короткую рецензию на выступление и оценивают его по 10-бальной шкале в форме, ссылка на которую находится в верхней части страницы. Рецензенты назначаются преподавателем на занятии.

Проверочные работы
Доклады в течение года будут разбиты по темам на блоки. В конце каждого блока (примерно раз в 3-4 недели) будет проводиться проверочная работа на 30 минут. Список вопросов будет составляться из вопросов по докладам, которые подготовили выступающие, с последующей корректировкой преподавателем. Полный список вопросов будет известен студентам заранее, на проверочной им нужно будет ответить на несколько случайных вопросов из этого списка. При написании проверочной нельзя пользоваться никакими материалами.

План курса

Еженедельные тесты

В начале каждого семинаре будет проходить короткий тест по теме лекции с предыдущей недели.
На первом семинаре (19.01.21) пройдет пробный тест, за который не будет выставляться баллов.
Подробнее о правилах проведения будет рассказано на первом семинаре.

Домашние задания

Выдаются каждые 2 или 3 недели.

Домашнее задание 1

Задание состоит из теоретических задач в .pdf-файле и практической задачи в Jupyter Notebook (не забудьте дополнительно скачать видеофайлы из папки).

Выдается: 18.01.21.

Дедлайн (строгий): 08.02.21 в 21:59.

Домашнее задание 2

Задание состоит из теоретических задач в .pdf-файле и практической задачи в Jupyter Notebook.

Выдается: 09.02.21.

Дедлайн (строгий): 24.02.21 в 23:59.

Домашнее задание 3

Задание состоит из теоретических задач в .pdf-файле и практической задачи в Jupyter Notebook (не забудьте дополнительно скачать папку data).

Дедлайн (строгий): 24.03.21 в 23:59.

Домашнее задание 4

Задание состоит из теоретических задач в .pdf-файле и практической задачи в Jupyter Notebook (не забудьте дополнительно скачать файл cameraman.tif).

Дедлайн (строгий): 29.04.21 в 23:59.

Домашнее задание 5

Задание состоит из теоретических задач в .pdf-файле и практической задачи в Jupyter Notebook. resistors.svg — справочный материал, скачивать не обязательно.

Дедлайн (строгий): 16 мая 2021 в 23:59.

Домашнее задание 6

Задание состоит из теоретических задач в .pdf-файле и практической задачи в Jupyter Notebook.

Дедлайн (строгий): 31 мая 2021 в 23:59.

Домашнее задание 7

Задание состоит из теоретических задач в .pdf-файле и практической задачи в Jupyter Notebook.

Дедлайн (строгий): 15 июня 2021 в 23:59.

Итоговая оценка за курс

Итог = Округление(min(10, 0.4 * ДЗ + 0.1 * Б + 0.1 * ПР + 0.2 * КР + 0.3 * Э))

ДЗ –– средняя оценка за домашние задания

Б –– средняя оценка за бонусные задачи в ДЗ,
ПР — средняя оценка за самостоятельные работы на семинарах,
КР –– оценка за контрольную работу (проводится в первой половине 4-го модуля),
Э –– письменный экзамен.

Округление арифметическое.

Автоматы не предусмотрены.