Факультет компьютерных наук вшэ

Содержание курса

Интернет грамотность

Интернет как глобальная сеть. Интернет-адреса (IP4 и IPv6). Протокол TCP/IP. HTTP, HTML и браузеры. Web-адреса (структура URL). HTTPS, шифрование с открытым ключом, цепочки сертификатов. DNS. Интернет вещей. Будущее сети интернет.

Академическая грамотность

Научный метод познания окружающей действительности. Зачем люди занимаются наукой. Как правильно читать научные статьи и где их брать. Стандарты цитирования. Библиографические менеджеры: Zotero.

Техническая грамотность: работа с таблицами

Знакомство с интерфейсом Google speadsheets и Excel. Элементарные операции в Excel. Первичная обработка данных. Анализ табличных данных. Сводные таблицы. Визуализация данных.

Создание сайтов в конструкторе

Работа с конструктором сайтов Tilda Publishing. Создание сайта с использованием готовых блоков. Настройка внешнего вида сайта.

Цифровое сохранение культурного наследия

Europeana. Стандарты электронной публикации. Цифровые архивы. Метаданные и онтологии. Стандарт хранения данных TEI.

Бюджет и недвижимость

В 2018 году доход вуза составил 17,76 млрд рублей (на январь 2020 года это примерно 259 405 579 евро). Основными источниками финансирования являются государственные средства, услуги частного образования, фундаментальные и прикладные исследования, гранты, пожертвования и другие виды поддержки.

Прикладные исследования по заказу государственных органов, частных компаний или международных организаций составляют до 40% дохода университета. Среди постоянных клиентов Минобрнауки, Департамент информационных технологий Москвы   , Минэкономразвития , Роснефть , Аэрофлот , Газпром , РЖД . За один учебный год вуз выполняет в среднем около 300 проектов. Другие источники поддержки — это государственные субсидии и научные гранты, в том числе международные программы. Например, только на Российский проект академического совершенства государство выделило 950 миллионов рублей (по состоянию на январь 2020 года это составляет примерно 13 874 037 евро).

В 2007 году соучредители НИУ ВШЭ учредили финансовый эндаумент НИУ ВШЭ — некоммерческую организацию, которая принимает пожертвования от имени университета и инвестирует полученные средства. Прибыль идет на развитие университетских проектов. По состоянию на декабрь 2018 года размер эндаумент-фонда составлял 742,5 млн рублей (на январь 2020 года это примерно 10 845 942 евро).

Всего в Москве университету принадлежит более пятидесяти зданий, расположенных на Мясницкой улице, Покровском бульваре, Шаболовке, Старой Басманной улице и других местах. В Санкт-Петербурге университетские городки расположены на канале Грибоедова , на улице Союза Печатников, на улице Кантемировской. В Перми у ВШЭ шесть корпусов, а в Нижнем Новгороде всего четыре.

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

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).

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.

Формула оценки

Аттестация проводится по результатам текущего контроля, без проведения экзамена.

О_итог = О_нак = 0.2*О_онлайн + 0.2*О_тест + 0.1*О_док + 0.1*О_сбор + 0.1*О_табл + 0.1*О_сайт + 0.2*О_защ,

где О_итог — итоговая оценка, О_нак — накопленная оценка,

О_онлайн — оценка за прохождение оцениваемых заданий в курсе на онлайн-платформе,

О_тест — оценка за промежуточный тест,

О_док — оценка за задание 1 вне онлайн-платформы (оформление плана проекта в Google Docs),

О_сбор — оценка за задание 2 вне онлайн-платформы (сбор данных через Google Forms или при помощи анализа текстовых корпусов),

О_табл — оценка за задание 3 вне онлайн-платформы (анализ данных в Google Sheets),

О_док — оценка за задание 4 вне онлайн-платформы (создание сайта-визитки),

О_защ — оценка за защиту проекта.

Результирующая оценка по учебной дисциплине округляется к ближайшему целому.

Примерные вопросы к тесту №2 по теме «Статистика»

В тесте 12 вопросов, 10 оцениваются в 2 балла (итого 20), 2 вопроса — в 5 балла (итого 10), суммарно можно получить 30 баллов. На тест дается 60 минут (по 5 минут на вопрос).

Суммарно за тест можно набрать 30 баллов (20 за секцию с вопросами с одним ответом и 10 за секцию с вопросами с многочисленным выбором ответа).

Вопросы с одним ответом (2 балла за каждый вопрос, всего 10 баллов за секцию):

1. Медиана — это (выберите определение)
2. Дана выборка цветов, выберите моду и введите ответ
3. Рассчитайте среднее числового ряда
4. Статистический выброс — это (выберите определение)
5. Дисперсия — это (выберите определение)
6. Распределение, имеющее два ярко выраженных пика — это (выберите название распределения)
7. Коэффициент корреляции равный единице означает что между признаками имеется (X) связь (выберите X)
8. Квантиль — это (выберите определение)
9. Большое значение дисперсии означает что (выберите, что означает)
10. Представлен график распределения, на нем отмечены точки A,B,C. Выберите точку, которая соответствует среднему данного распределения.

Вопросы с выбором ответа (5 баллов за каждый вопрос, всего 10 баллов за секцию):

1. Представлен график распределения, выберите верные утверждения относительно данного распределения (дан набор утверждений)
2. Представьте, что вы на телешоу, в котором вам нужно выбрать одну из трех дверей. За одной из дверей автомобиль, а за двумя другими — козы. Вы выбираете дверь номер 1, после чего ведущий, который знает где находится автомобиль, открывает одну из дверей (например, дверь номер 3), и за ней оказывается коза. Какова вероятность вашего выигрышав случае когда вы меняете свой выбор? Запишите ответ в процентах, округлив его до целого числа.

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.

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.

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.

Программирование и анализ данных на Python (часть 1)

Идентификатор конференции: 261 255 6227

Код доступа: 939738

Расписание

• Лекция — 10:00 — 10:50
• Индивидуальные беседы — 11:10 — 14:00

Курс посвящён изучению основ и методологии программирования на основе языка Python, который широко используется для разработки и реализации методов анализа данных. Рассматриваются основные алгоритмы и структуры данных, средства разработки и отладки программ.

Изучается возможность использования языка Python для создания web-приложений на микрофремворке Flask.

Изучаются основы работы с библиотекой поддержки больших многомерных массивов NumPy, пакетом анализа данных Pandas и пакетом машинного обучения Scikit-learn. Также в курсе излагаются базовые вопросы из теории вероятностей и математической статистики, необходимые для понимания алгоритмов машинного обучения.

Учебный ассистент Денис Семенов @ltybc138.

Занятия

03.12.2020

10.12.2020

Теория:

• Проблема оценки сложности работы программ
• Асимптотический анализ: Понятие O («О» большое)

17.12.2020

Теория:

Асимптотический анализ для полиномов.

24.12.2020

Теория:

Асимптотический анализ для a^n и log(n).

14.01.2021
Теория:

• Бинарный поиск
• Инвариант цикла
• Поиск аргумента, при которой возрастающая функция принимает заданное значение.

21.01.2021

Теория:

• Сортировка пузырьком, сортировка вставкой
• Сложность сортировок, инвариант сортировок

28.01.2021

Теория:

Нижняя оценка сложности алгоритмов сортировки: n*log(n).

04.02.2021

Теория:

• Сортировка слиянием.
• Быстрая сортировка.
• Оценка времени работы и использованной памяти.

11.02.2021

Теория:

Приоритетная очередь. Формулировка задачи. Построение на базе массивов.

18.02.2021

Теория:

• Структура данных куча. Добавление, изменение значений, изъятие минимального элемента.
• Сортировка массива при помощи кучи.

25.02.2021

Теория:

Связный список. Сравнение с массивом.

04.03.2021

Теория:

Хеш-таблица. Разрешение коллизий методом цепочек (списка)

О курсе

Курс читается для студентов 1-го курса факультета гуманитарных наук.

Проводится с 2017 года.

Лекции первого потока (БИЯ171-176) проходят по понедельникам 12:10-13:30

Лекции второго потока (БИЯ177-1712) проходят по понедельникам 13:40-15:00

Лектор на филологии: Борис Орехов

Лекции проходят по пятницам 10:30-12:00

Лектор на истории искусств и культурологии: Мороз Георгий

Лекции проходят по пятницам 13:40-15:00

Каналы в telegram для объявлений:

Филология:

Семинары

Направление подготовки	Преподаватель	Группа	Время	Кабинет	Ассистент
Филология	БФИЛЛ171	пятница 12:10-13:30	401
Филология	БФИИЛ172	пятница 12:10-13:30	509
Филология	БФИИЛ173	пятница 13:40-15:00	509
Филология	БФИЛЛ174	пятница 13:40-15:00	401
ИстИск	БИИ171	пятница 15:10-16:30	402
ИстИск	БИИ172	пятница 16:40-18:00	402
Культурология	БКТ171	пятница 15:10-16:30	401
Культурология	БКТ172	пятница 16:40-18:00	401
ИЯМК	БИЯ171	понедельник 9:00-10:20	324
ИЯМК	БИЯ172	понедельник 10:30-11:50	324
ИЯМК	БИЯ173	понедельник 9:00-10:20	320а
ИЯМК	БИЯ174	понедельник 10:30-11:50	319
ИЯМК	БИЯ175	понедельник 13:40-15:00	324
ИЯМК	БИЯ176	понедельник 9:00-10:20	326
ИЯМК	БИЯ177	понедельник 12:10-13:30	324
ИЯМК	БИЯ178	понедельник 12:10-13:30	320
ИЯМК	БИЯ179	понедельник 15:10-16:30	324
ИЯМК	БИЯ1710	понедельник 16:40-18:00	324
ИЯМК	БИЯ1711	понедельник 15:10-16:30	326
ИЯМК	БИЯ1712	понедельник 16:40-18:00	326

Чат для группы БКТ171

Чат для группы БКТ172

Правила выставления оценок

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 для студентов ОП «ИЯМК», «Филология», «Культурология», «История искусств» рассчитывается по формуле:
O_нак = 0.7*O_тек + 0.3*O_кр

Текущая оценка вычисляется как средняя арифметическая по всем домашним заданиям (причем
средняя оценка по всем домашним заданиям не может быть больше 10 баллов).

Одна контрольная работа, которая пройдет *здесь появится дата и время* (распределение по аудиториям вышлет учебная часть).

Результирующая оценка по учебной дисциплине округляется к ближайшему целому (*.5 округляется вверх).

Магистратура

Программа направлена на подготовку специалистов в области вычислительной биологии, способных применять математический аппарат для решения биологических и медицинских задач. 

Программа посвящена подготовке специалистов в области современных методов анализа данных, математических методов моделирования и прогнозирования. В рамках этой программы действует совместная специализация Школы анализа данных и ФКН «Анализ интернет-данных» где студенты изучают современные методы работы с большими данными, машинное обучение, анализ изображений и текстов. В ходе обучения они посещают часть занятий и участвуют в научных семинарах ШАДа. 

Программа готовит специалистов в области разработки программного обеспечения и информационно-коммуникационных технологий, в том числе облачных и мобильных приложений.

Программа направлена на подготовку разработчиков и исследователей, способных развивать новейшие технологии создания системного программного обеспечения. 

Программа выпускает специалистов на стыке математики и компьютерных наук, математической статистики, машинного обучения, оптимизации, теории информации и теории сложности. 

Созданная ФКН и Сбербанком программа готовит профессионалов в области анализа данных и предиктивной аналитики, готовых создавать стоимость для бизнеса с помощью математических моделей. 

Grading system

During the academic year, the student will be formally graded on the following:

• two in-class oral tests (O₁ and O₂);
• two in-class written tests (W₁ and W₂);
• several quizzes (Q₁ and Q₂, where Q_i is the average grade of all the quizzes in the i-th semester);
• several homework assignments (H₁ and H₂, where H_i is the average grade of all the homework assignments in the i-th semester);
• two written exams (E₁ and E₂).

All grades (namely, O₁, O₂, W₁, W₂, Q₁, Q₂, H₁, H₂, E₁, and E₂) are real numbers from 0 to 10.

The cumulative course grade for the first semester, C₁, is obtained without rounding by the following formula:

C₁ = 8/28*O₁ + 8/28*W₁ + 7/28*Q₁ + 5/28*H₁.

The intermediate course grade for the first semester, I₁, is obtained by the following formula:

I₁ = Round₁(3/10*E₁ + 7/10*C₁),

where the function Round₁(x) is defined as follows: if the decimal part of x is less than 0.2, the grade is rounded downwards; if the decimal part of x is greater than 0.6, the grade is rounded upwards; if the decimal part of x is from the interval and the student’s seminar attendance during the first semester is not below 60%, the grade is rounded upwards; otherwise the grade is rounded downwards.

The cumulative course grade for the second semester, C₂, is obtained without rounding by the following formula:

C₂ = 8/28*O₂ + 8/28*W₂ + 7/28*Q₂ + 5/28*H₂.

The intermediate course grade for the second semester, I₂, is obtained by the following formula:

I₂ = Round₂(3/10*E₂ + 7/10*C₂),

where the function Round₂(x) is defined as Round₁(x) but with «during the first semester» replaced by «during the second semester».

The final grade for the course, F, is obtained by the following formula:

F = Round(1/4*I₁ + 3/4*I₂),

where the function Round(x) is defined as Round₁(x) but with «during the first semester» replaced by «during the academic year».

The final grade for the course is included in a diploma supplement.

Критерии оценки знаний, навыков

Оценки по всем формам текущего контроля выставляются по 10-ти балльной шкале. В диплом выставляется результирующая оценка по учебной дисциплине.

Оценка по курсу формируется из следующих составляющих:

• Домашнее задание 1 (оценивается от 0 до 10) – О_дз1
• Домашнее задание 2 (оценивается от 0 до 10) – О_дз2
• Домашнее задание 3 (оценивается от 0 до 10) – О_дз3
• Самостоятельные работы (оцениваются от 0 до 10) – О_ср
• Защита проекта (оценивается от 0 до 10) – О_проект

Оценка за самостоятельные работы (О_ср) расчитывается как среднее арифметическое лучших 6 оценок.

Результирующая оценка рассчитывается следующим образом:
О_рез=0,15* О_дз1 + 0,15* О_дз2+ 0,15* О_дз3+ 0,15* О_проект+ 0,4* О_ср

Способ округления результирующей оценки по учебной дисциплине — арифметический. Проведение итогового экзамена не предусматривается.

Дедлайны

Все домашние задания, самостоятельные работы и проект имеют жесткий дедлайн, который объявляется заранее. По решению преподавателя работы после дедлайна могут приниматься с понижением оценки.
Дедлайн по самостоятельным работам по решению преподавателя может быть продлен.

Сроки сдачи Самостоятельных работ (О_ср):

• Самостоятельные работы вывешиваются в день проведения семинарских занятий (у каждой группы вариант немного отличается)
• Самостоятельные работы могут быть сданы в течение одного дня без потери балла. Для сдачи самостоятельной работы присутствие на семинаре не обязательно.
• Самостоятельные работы могут быть сданы на следующий день с коэффициентом 0.8 . На третий и четвертый дни с коэффициентами 0.6 и 0.4 соответственно.

Сроки сдачи Домашних работ (О_дз1,2,3):

• Домашние задания разрешается сдавать с опозданием (вплоть до 1 недели).
• С опозданием на 3 дня — (понижающий) коэффициент 0.8, 5 дней — 0.6, 7 дней — 0.4

Финальное эссе

Сроки: до 17 июня включительно

Формат: в виде .pdf документа с Times New Roman 12, 1,5 интервал на почту aibdcourse2018@gmail.com

Данное эссе посвящено теме будущего ИИ и Больших данных с точки зрения студентов.

Работы выполняются самостоятельно, в случае нахождения плагиата будет проставлено строго 0 баллов всем, у кого этот плагиат будет.

Это эссе должно быть предельно коротким и емким (не более 2-5 страниц в 12 Times New Roman с отступом 1,5).

Ожидаемое содержание эссе:

1. Введение
   1. Расскажите о том, в какой области вам было бы интересно применять методы и механизмы искусственного интеллекта (и/или анализа больших данных). В этой секции желательно описать практические проблемы, которые можно решить с помощью методов ИИ и БД.
2. Текущая практика
   1. В этой секции необходимо со ссылками на источники описать примеры применения ИИ и БД в указанной профессиональной отрасли или сфере. В случае, если такие примеры совершенно отсутствуют, это необходимо явно указать.
3. Возможное будущее
   1. Данная секция является ключевой для эссе. Опишите, своими словами, какими методами ИИ и БД из изученных (или известных вам) можно улучшить тот или иной процесс, интерфейс или отрасль за счет использования искусственного интеллекта или анализа больших данных. Хорошим тоном так же будет сослаться на анализ отрасли c точки зрения технологических евангелистов и развить их идеи в своем рассуждении.

Критерии оценивания эссе

1. Размерность — менее 1 страницы — 0 баллов, более 5 страниц — 1 балл, от 2 до 5 — 3 балла
2. Практическая секция — менее одного примера текущего использования технологий — 1 балл, 1 и более — 2 балла
3. Возможное будущее — корректное, обоснованное источниками (или логическими аргументами) описание возможностей применения ИИ в отрасли или процессе — 5 баллов. Полное отсутствие ссылок на любые источники — 4 балла. Отсутствие базовых логических аргументов — 2 балла.

Итого по данному эссе можно получить 10 баллов (они не будут шкалироваться к максимуму, как тесты и эссе по визуализации).

Аттестация и оценки

Во 2-ом модуле производится промежуточная аттестация за осенний
семестр.

В осеннем семестре проводятся две контрольные работы (КР1 и
КР2); выдается и проверяется домашнее задание (ДЗ2). Оценка за
контрольную работу выставляется в долях единицы без округления (т.е. с
максимальной доступной используемым вычислительным средствам
точностью). Оценка ДЗ2 также выставляется в долях единицы без
округления. Оценка ДЗ2 может быть больше единицы за счет «бонусных
баллов».

Накопленная оценка НК2 за осенний семестр вычисляется по формулам:

НК2′ = 10 * min (1, 0.35 * КР1 + 0.35 * КР2 + 0.3 * ДЗ2)

НК2 = ОКРУГЛ (НК2′).

Здесь и далее ОКРУГЛение производится к ближайшему целому числу, причем
полуцелые числа округляются вверх.

Если НК2 >= 4, то промежуточная оценка за осенний семестр Э2 = НК2.

Если НК2 < 4, студенту предлагается выполнить итоговое контрольное
задание ИК2, оцениваемое по десятибалльной системе. В этом случае
промежуточная оценка за осенний семестр

Э2 = ОКРУГЛ (0.7 * ИК2 + 0.3 * НК2′).

В весеннем семестре проводятся две контрольные работы (КР3 и
КР4); выдается и проверяется домашнее задание (ДЗ4). Оценки
выставляются так же, как и в осеннем семестре.

Накопленная оценка НК4 за весенний семестр вычисляется по формулам:

НК4′ = 10 * min (1, 0.35 * КР3 + 0.35 * КР4 + 0.3 * ДЗ4)

НК4 = ОКРУГЛ (НК4′).

Если НК4 >= 4, то итоговая оценка за весенний семестр Э4 = НК4.

Если НК4 < 4, студенту предлагается выполнить итоговое контрольное
задание ИК4, оцениваемое по десятибалльной системе. В этом случае
итоговая оценка за весенний семестр

Э4 = ОКРУГЛ (0.7 * ИК4 + 0.3 * НК4′).

Результирующая оценка Р по дисциплине выставляется по десятибалльной
шкале согласно формуле

Математические основы информатики

Идентификатор конференции: 581 195 5118

Код доступа: pE6Umj

Расписание

• Группа 1 — 11:10 — 12:30
• Группа 2 — 12:40 — 14:00

Занятия будут проходить следующим образом: половина занятия лекционная, т.е. введение в тему, обсуждение общих принципов и подходов решения предлагаемых задач. Вторая половина семинарская, т.е. непосредственное решение задач в рамках пройденных тем и, исходя из решения, формулирование обобщающих принципов, которые позволяют использовать полученные знания в приложениях. Домашние задания планируется давать по результатам пройденных на занятиях тем почти после каждого занятия для обеспечения текущего контроля успеваемости; периодически обучающимся будут предлагаться аудиторные контрольные работы с задачами схожими с задачами домашних заданий. Все темы и задачи будут разбираться детально, поэтому у каждого будет школьника будет возможность задать все интересующие его вопросы как преподавателю, так и ассистенту. Требования к подготовке: необходима хорошая успеваемость по алгебре и информатике, умение логически мыслить и рассуждать.

— для получения положительных оценок необходимо, во-первых, посещать занятия и проявлять на них активность; под активностью понимается вовлеченность в процесс обсуждения и решения задач, в частности постановка вопросов для группы, преподавателя и ассистента. Во-вторых, необходимо решать домашние задания и в первую очередь именно производить попытки решения. В-третьих, решать аудиторные контрольные работы. При подведении итогов будет возможно повысить свой балл посредством решения дополнительных задач.

Темы курса
Раздел №1 Комбинаторика

1. Множества и операции с ними. Геометрия комбинаторных задач;
2. комбинаторное правило суммы и произведения событий (дерево решений);
3. общая схема решения комбинаторных задач, урновая схема шаров и урн (случаи различимых и неразличимых объектов);
4. формула включений-исключений;
5. перестановки, размещения с повторениями и без повторений;
6. сочетания, доказательство Эйлера для формулы сочетаний без повторений;
7. свойства биномиальных коэффициентов;
8. бином Ньютона;
9. разбиения на упорядоченные группы;
10. разбиения на неупорядоченные группы, задача о разбиении натурального числа на сумму натуральных;
11. принцип отражения и лемма о баллотировке;
12. задача о разборчивой невесте;
13. принцип Дирихле;
14. инверсии, игра в 15.
15. перечисление цветов, группы симметрии.

Раздел №2 Рекурсия и производящие функции

1. рекуррентные отношения
2. конечные разности;
3. факториальные многочлены;
4. числа Стирлинга первого рода и числа Стирлинга второго рода;
5. суммирование разностей;
6. производящие функции, сущность подхода;
7. производящие функции, рекуррентные отношения и комбинаторные подсчеты.

Раздел №3 Теория графов

1. основные определения теории графов;
2. ориентированные графы
3. деревья;
4. пути и циклы Эйлера;
5. игра “Мгновенное безумие”;
6. алгебраические свойства графов;
7. планарные графы;
8. пути и циклы Гамильтона;
9. алгоритм поиска кратчайшего пути.

Раздел №4 Логика

1. исчисление предикатов;
2. основные положения теории доказательств;
3. математическая индукция;
4. сравнения.

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.