Финансовые технологии и анализ данных

Problem sheets

Module 4

The obligatory homework for group 191:

HW 28 (release: 17.05.2020; deadline: 22.05.2020)

HW 27 (release: 10.05.2020; deadline: 15.05.2020)

HW 26 (release: 26.04.2020; deadline: 01.05.2020)

HW 25 (release: 19.04.2020; deadline: 15.04.2020)

HW 24 (release: 11.04.2020; deadline: 17.04.2020)

The obligatory homework for groups 192 and 193:

HW N9 (in progress) (release: 26.05.2020+later; deadline: 05.05.2020, impossible to extend no matter what!)

HW N8 (release: 21.05.2020; deadline: 28.05.2020, extended to evening of 31.05.2020)

HW N7 (15 pts) (release: 19.04.2020+08.05.2020; deadline: 14.05.2020)

HW N6 (release: 19.04.2020; deadline: 25.04.2020)

Module 3

The obligatory homework for group 191:

HW 23 (release: 22.03.2020; deadline: 27.03.2020)

HW 22 (release: 08.03.2020; deadline: 13.03.2020)

HW 21 (release: 01.03.2020; deadline: 06.03.2020)

HW 20 (release: 23.02.2020; deadline: 28.02.2020)

HW 19 (release: 15.02.2020; deadline: 21.02.2020)

HW 18 (release: 08.02.2020; deadline: 14.02.2020)

HW 17 (release: 01.02.2020; deadline: 07.02.2020)

HW 16 (release: 25.01.2020; deadline: 31.01.2020)

HW 15 (release: 11.01.2020; deadline: 17.01.2020)

The obligatory homework for groups 192 and 193:

HW N5 (note: extra large HW, weighs 20 points) (release: 21.03.2020; deadline: 31.03.2020, extended to 01.04.2020)

HW N4 (release: 21.02.2020; deadline: 28.02.2020)

HW N3 (release: 09.02.2020; deadline: 19.02.2020)

HW N2 (release: 31.01.2020; deadline: 14.02.2020)

HW N1 (release: 31.01.2020; deadline: 07.02.2020)

Module 2

The obligatory homework for group 191:

HW 13 (release: 15.12.2019; deadline: 20.12.2019)

HW 12 (release: 01.12.2019; deadline: 06.12.2019)

HW 11 (release: 24.11.2019; deadline: 29.11.2019)

HW 10 (release: 17.11.2019; deadline: 22.11.2019)

HW 9 (release: 09.11.2019; deadline: 15.11.2019)

HW 8 (release: 02.11.2019; deadline: 08.11.2019)

The obligatory homework for groups 192 and 193:

HW 13 was skipped because of the oral test.

HW 12 (release: 02.12.2019; deadline: 09.12.2019)

HW 11 (release: 24.11.2019; deadline: 02.12.2019)

HW 10 (release: 17.11.2019; deadline: 22.11.2019)

HW 9 (release: 10.11.2019; deadline: 15.11.2019)

HW 8 (release: 03.11.2019; deadline: 08.11.2019)

Module 1

The obligatory homework for group 191:

HW 7 (release: 19.11.2019; deadline: 01.11.2019)

HW 6 (release: 11.11.2019; deadline: 18.10.2019)

HW 5 (release: 04.11.2019; deadline: 11.10.2019)

HW 4 (release: 27.09.2019; deadline: 04.10.2019)

HW 3 (release: 20.09.2019; deadline: 27.09.2019)

HW 2 (release: 13.09.2019; deadline: 20.09.2019)

HW 1 (release: 06.09.2019; deadline: 13.09.2019)

The obligatory homework for groups 192 and 193:

HW 7 was skipped.

HW 6 (release: 13.11.2019; deadline: 18.10.2019)

HW 5 (release: 04.11.2019; deadline: 11.10.2019)

HW 4 (release: 29.09.2019; deadline: 04.10.2019)

HW 3 (release: 20.09.2019; deadline: 27.09.2019)

HW 2 (release: 13.09.2019; deadline: 20.09.2019)

HW 1 (release: 06.09.2019; deadline: 13.09.2019)

Правила оценивания

Итоговая оценка рассчитывается по формуле:

Итоговая = min(0.2*Oonline + 0.2*КР + 0.3*ДЗсреднее + 0.3*Exam + 0.1*B, 10)

ДЗсреднее — средняя оценка по всем домашним заданиям (без округления)

Oonline = (% решенных задач на on-line курсе)/10 (без округления)

В (<=10) — бонусы, получаются за активную работу на семинарах, не более 1 за семинар

Округляется только итоговая. 0.5 округляется вверх.

Окончательная оценка за КР и ДЗ ставится после защит (приглашение студентов на защиты по усмотрению преподавателя).
В случае плагиата одна задача обнуляет всю КР или ДЗ.

Необходимое условие получения автомата (решение за преподавателем):

• оценка за КР 8 и выше
• наличие не менее 5 бонусов (В)
• вычисляемая по формуле итоговая оценка 8 и выше

В таком случае оценка за экзамен ставится по оценке за КР, далее итоговая рассчитывается по формуле.

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.

Набор баллов через блиц

Блиц предоставляется для того, чтобы дать студентам возможность набрать от 0 до 2 баллов к накопленной оценке.
Блиц проводится преподавателем или ассистентом в формате опроса после занятия, в рамках блица может быть задано от 1 до 5 вопросов из нижеприведенного списка в 10 вопросов.
Если у студента максимальный балл, прохождение блица не улучшит результат за курс.

Распределение добавляемых баллов за блиц:

Количество верных ответов	Добавляемый балл
5	2
4	1,6
3	1,2
2	0,8
1	0,4

Вопросы к блицу:

1. Что такое тестовая и обучающая выборка? Для чего выделяется тестовая выборка?
2. Что такое задача классификации в машинном обучении?
3. Опишите что такое линейная регрессия и что означают коэффициенты в модели линейной регрессии?
4. Что такое распределение? Какие бывают распределения?
5. Как влияет ассиметрия распределения на медиану и среднее?
6. Что такое нормальное распределение? Почему оно так называется? Какие особые свойства есть у нормального распределения?
7. Что такое искусственная нейронная сеть? Какие задачи можно решать с помощью таких сетей?
8. Что такое GAN? Как ( и чему) обучаются такие сети?
9. Что такое большие данные? В чем состоит сложность работы с большими данными?
10. Data driven организации — что это за компании? Приведите пример и объясните, чем они отличаются от других компаний

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.

Описание учебного заведения Национальный исследовательский университет «Высшая школа экономики»

Высшая школа экономики — это отличный старт для карьеры в науке, бизнесе и на государственной службе. Сочетание фундаментальности образовательных программ с возможностью уже с первого курса участвовать в научных проектах и исследованиях рядом с авторитетными российскими и зарубежными учеными позволяет выпускникам Вышки добиться профессионального успеха. Сегодня Высшая школа экономики -это: 4 кампуса (Москва, Санкт-Петербург, Нижний Новгород, Пермь) 

3 500 преподавателей 29 400 студентов 57 500 выпускников Этапы развития НИУ ВШЭ 1992 — создание Высшей школы экономики 1993 — первый прием в университет: 65 бакалавров и 92 магистра 1996 — открытие кампуса в Нижнем Новгороде 1997 — открытие совместно с Лондонским университетом Международного института экономики и финансов (МИЭФ) 1998 — открытие кампусов в Санкт-Петербурге и Перми 2000 — проведение первой Международной Апрельской конференции ВШЭ 2010 — ВШЭ получает статус национального исследовательского университета (НИУ). Создан Международный консультативный комитет ВШЭ, его возглавил лауреат Нобелевской премии по экономике Эрик Маскин 2011 — к НИУ ВШЭ присоединяется Московский институт электроники и математики (МИЭМ) 2013 — победа в конкурсе «5/100» по повышению между¬народной конкурентоспособности российских вузов 2014 — реорганизация внутренней структуры университета: создание «больших» факультетов. ВШЭ и Яндекс открывают факультет компьютерных наук Бакалавриат 64 образовательные программы  самостоятельная работа с 1 курса под контролем курирующего преподавателя возможность получать несколько стипендий сразу за высокие оценки и активное участие в жизни университета; возможность заниматься исследованиями в научно-учебных и проектно-учебных лабораториях и группах; обязательное получение международного сертификата об уровне владения английским языком; ·участие в международных научных конференциях наравне с ведущими мировыми учеными; ·участие в программах обмена с университетами-партнерами ВШЭ в Австрии, Бельгии, Бразилии, Великобритании, Венгрии, Германии, Канаде, Китае, США, Южной Корее, Франции, Японии и других странах; возможность стать оплачиваемым учебным ассистентом; доступ к одной из крупнейших университетских библиотек России. Магистратура 29 направлений подготовки 129 магистерских программ 

21 программа на английском языке возможность сменить направление обучения и овладеть новой специальностью · участие в международных стажировках и студенческих обменах · участие в программах двойных дипломов · возможность стать оплачиваемым учебным ассистентом или преподавателем · участие в исследовательской и проектной работе в лабораториях и научных институтах ВШЭ. Обучение за рубежом и двойные дипломы Высшая школа экономики тесно сотрудничает с ведущими зарубежными университетами, бизнес-школами и исследовательскими центрами. Каждый факультет НИУ ВШЭ предлагает студентам возможность пройти стажировку и участвовать в программах обмена с вузами-партнерами. Основные образовательные партнеры НИУ ВШЭ за рубежом: Университет Эразмус (Нидерланды) Университет им. Дж. Мэйсона (США) Сорбонна (Франция) Университет Болоньи (Италия) Университет Гумбольдта (Германия) Университет Поля Сезанна Вестфальский университет имени Вильгельма (Германия) Технический университет Эйндховена (Нидерланды) и др/ Аспирантура Высшая школа экономики первой из российских университетов перешла к системе аспирантских школ по отдельным отраслям науки, которые должны задать общие внутри каждой школы стандарты исследований и подготовки диссертаций. Особенности программы академической аспирантуры: полная занятость и участие в исследовательских проектах университета; руководитель из числа зарубежных исследователей; обязательная стажировка в зарубежном университете-партнере НИУ ВШЭ. В НИУ ВШЭ 120 научно-исследовательских институтов и центров, 27 научно-учебных и проектно-учебных лабораторий, 21 международных лабораторий под руководством ведущих зарубежных ученых. НИУ ВШЭ имеет собственный Издательский дом, который специализируется на выпуске научной, учебной и справочной литературы по профильным дисциплинам университета: экономике, менеджменту, бизнес-информатике, социологии, политологии, психологии, праву, философии и другим.

Справочная информация по 1 тесту

Структура теста:

1. 15 вопросов с одним или несколькими вариантами ответа
2. 3 открытых вопроса (ответ в 3-4 предложения)
3. 2 вопроса по картинке и матрице ошибок классификации (ответ в 3-4 предложения)

Примеры вопросов 1 части:

1. Установите последовательность преобразования сигнала в знание (лекция 2)
2. Представлена генеральная совокупность автомобилей 3 цветов из 6 элементов (например,ЧЧККЖЖ, где Ч — черный, К — красный, Ж — желтый). Необходимо сделать такую выборку, которая репрезентативна по признаку цвета. Выберите репрезентативную выборку из вариантов — (ЧКК, ЧЖЖ, ЧКЖ)
3. Выберите, каким методом необходимо решать следующие задачи (дан набор задач, для каждой необходимо выбрать между классификацией, регрессией и кластеризацией)
4. Выберите качественные признаки из (и 4 варианта признаков)
5. Выберите количественные признаки из (и 4 варианта признаков)
6. Данные утверждения верны для матрицы объект-признак (даны утвержения, выберите верные)
7. Дано уравнение линейной регрессии цены квартиры в зависимости от площади: price=20*square+10 (где price — цена, square — площадь). Рассчитайте цену квартиры при площади 30.
8. Приведен пример дерева решений, дан вектор признаков на объекте. Укажите, каково будет предсказание дерева решений на данном объекте.

Примеры вопросов 2 части:

1. В чем смысл метода kNN (k ближайших соседей) в задаче классификации? Почему не стоит выбирать K четным? Объясните суть метода и ответьте на вопрос (3-4 предложения).
2. Можно ли оцифровать картинку? Если да, в какую математическую структуру ее можно преобразовать?

Примеры вопросов 3 части:

1. Дан график рассеяния точек зависимости роста от возраста, на нем проведены три линии. Выберите ту, которая в смысле метода наименьших квадратов является наиболее релевантной к приведенным данным. Объясните смысл метода наименьших квадратов.
2. Опишите, чем отличаются ошибки первого и второго рода. Рассчитайте accuracy по заданной матрице ошибок классификации

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

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).

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.

Лекции

Неделя	Дата	Темы
1	07.09.2018	Введение в параллельные вычисления. Параллельные вычислительные системы.
2	14.09.2018	Многопоточное программирование.
3	21.09.2018	Многопоточное программирование (ч.2). Альтернативные модели программирования.
4	28.09.2018	Теоретические основы параллельных вычислений. Типовые структуры параллельных алгоритмов.
5	05.10.2018	Принципы разработки параллельных алгоритмов. Методология PCAM.
6	12.10.2018	Введение в вычисления на GPU.
7	19.10.2018	Шаблоны вычислений на GPU.
8	02.11.2018	Параллельное программирование на MPI.
9	09.11.2018	Параллельное программирование на MPI (ч.2).
10	16.11.2018	Введение в распределенные вычисления.
11	23.11.2018	Отказы, репликация и согласованность.
12	30.11.2018	(Лекции не будет)
13	07.12.2018	Распределенная обработка больших данных.
14	14.12.2018	Облачные вычисления.

Сроки сдачи домашних заданий

For Group 201

• CW 1 (задачи 3b)d), 4 b)c)e)f)), выполнить дома
• HW 1 (первый домашний лист, задачи 1-4) — 1.10, 22:00
• HW 2 (первый домашний лист, задачи 5-9) — 8.10, 22:00
• HW 3 (второй домашний лист, задачи 1-3) — 15.10, 22:00
• HW 4 (второй домашний лист, задачи 4-10) — 25.10, 22:00
• HW 5 (второй домашний лист, задачи 11-15) — 5.11, 22:00
• HW 6 (второй домашний лист, задачи 16,17, 21,22) — 12.11, 22:00.
• HW 7 (второй домашний лист, задачи 18-20) — 19.11, 22:00
• HW 8 (третий домашний лист, задачи 1-5) — 5.12, 22:00
• HW 9 (третий домашний лист, задачи 6-12) — 19.12, 22:00
• HW 10 (четвертый домашний лист, задачи 1-9) — 30.01, 00:00
• HW 11 (четвертый домашний лист, задачи 10-13) — 6.02, 00:00
• HW 12 (пятый домашний лист, задачи 1,4,6,10) — 13.02, 00:00
• HW 13 (пятый домашний лист, задачи 2,5,8,9,13) — 20.02, 00:00
• HW 14 (пятый домашний лист, задачи 7,11,12) — 27.02, 00:00
• HW 15 (пятый домашний лист, задачи 3,14-16) — 6.03, 00:00
• HW 16 (шестой домашний лист, весь!) — 20.03, 00:00
• HW 17 (седьмой домашний лист, задачи 1-4, 6, 8) — 5.04, 00:00
• HW 18 (седьмой домашний лист, задачи 5,7, 9-14) — 17.04, 00:00
• HW 19 (восьмой домашний лист, задачи 1-4) — 23.05, 00:00

For Group 210:

• CW 1 (задачи 3b)d), 4 b)c)e)f)), выполнить дома
• HW 1 (первый домашний лист, задачи 1-4) — 1.10, 22:00
• HW 2 (первый домашний лист, задачи 5-9) — 8.10, 22:00
• HW 3 (второй домашний лист, задачи 1-3) — 18.10, 22:00
• HW 4 (второй домашний лист, задачи 4-7 и 9-12) — 8.11, 22:00
• HW 5 (второй домашний лист, задачи 8, 13-17, 21,22) — 15.11, 22:00.
• HW 6 (второй домашний лист, задачи 18-20) — 21.11, 22:00
• HW 7 (третий домашний лист, задачи 1-5) — 5.12, 22:00
• HW 8 (третий домашний лист, задачи 6-12) — 19.12, 22:00
• HW 9 (четвертый домашний лист, задачи 1-9) — 30.01, 00:00
• HW 10 (четвертый домашний лист, задачи 10-13) — 6.02, 00:00
• HW 11 (пятый домашний лист, задачи 1,4,6,10) — 13.02, 00:00
• HW 12 (пятый домашний лист, задачи 2,5,8,9,13) — 20.02, 00:00
• HW 13 (пятый домашний лист, задачи 7,11,12) — 27.02, 00:00
• HW 14 (пятый домашний лист, задачи 3,14-16) — 6.03, 00:00
• HW 15 (шестой домашний лист, весь!) — 20.03, 00:00
• HW 16 (седьмой домашний лист, задачи 1-4, 6, 8) — 5.04, 00:00
• HW 17 (седьмой домашний лист, задачи 5,7, 9-14) — 17.04, 00:00
• HW 18 (восьмой домашний лист, задачи 1-4) — 23.05, 00:00

БПИ 202

• 3 октября — ДЗ1
• 21 ноября — ДЗ2
• 18 декабря — ДЗ3
• 5 февраля — ДЗ4
• 12 марта — ДЗ5
• 22 марта — ДЗ6
• 25 апреля — ДЗ7
• 28 мая — ДЗ8
• 20 июня — ДЗ9

For Group 203,204:

HW 1 (задачи 1-6) — 24.09, до начала семинара

БПИ 206:

HW1 5 октября, 23:59 (Гугл-форма)

HW2 20 ноября, 23:59 (Гугл-форма)

HW3 18 декабря, 23:59 (Гугл-форма)

HW4 10 февраля, 23:59 (Гугл-форма)

HW5 10 марта, 23:59 (Гугл-форма)

HW6 28 марта, 23:59 (Гугл-форма)

HW7 30 апреля, 23:59 (Гугл-форма)

HW8 31 мая, 23:59 (Гугл-форма)

HW9 20 июня, 23:59 (Гугл-форма)

Материалы курса

Лекции

№	Тема	Презентация !
1	Введение
2	Обзор инструментов. Python
3	Обзорная лекция про математику
4	Этапы проекта. Рынок данных. Задачи Data Science
5	Еще про Python. Кейс

Инструкция по установке и запуску среды

Скачать и установить анаконду:

Домашнее задание и семнары вы будете выполнять в Jupyter’е. Чтобы его запустить, нужно открыть Ananconda Navigator и там под иконкой Jupyter Notebook (не путать с Jupyterlab) нажать на launch.

Семинары

Внутри каждого IPython-ноутбука есть семинарский материал и задача для самостоятельного выполнения. Датасеты доступны либо в правом столбце, либо в каждом из ноутбуков есть ссылка на скачивание нужного датасета.

№	Тема	Ноутбук	Датасет
1	Введение в язык	Нет
2	Введение в Pandas
3	Описательная статистика в Python
4	Визуализация данных
5	A/B-тестирование
6 — 7	Классификация. Метрики качества
8	Кластеризация
9	Регрессия. Метрики качества
10	Анализ текстов