Факультет компьютерных наук вшэ

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.

Администрация

Первый ректор Ярослав Кузьминов   , 2010 г.

Вышка была создана 27 ноября 1992 года постановлением правительства РФ. С тех пор университетом руководит бессменный ректор Ярослав Кузьминов  , который также участвовал в создании университета.

В июле 2021 года Ярослав Кузьминов подал в отставку. Новым ректором стал Никита Анисимов   . Кузьминов был избран на должность научного руководителя, которую Евгений Ясин оставил по состоянию здоровья.

До этого бывший министр экономики Евгений Ясин занимал должность научного руководителя и представлял университет в других академических организациях, а президент университета Александр Шохин представлял его во взаимодействии с государственными органами. Посты проректоров НИУ ВШЭ заняли экономисты Вадим Радаев   , Лев Якобсон   и Александр Шамрин.

В состав советов университета входят российский политик Сергей Кириенко , бывший помощник президента Владимира Путина Вячеслав Володин , основатель « Сбербанка » Герман Греф , президент Группы « Ренова» Виктор Вексельберг , российский миллиардер, технологический предприниматель Аркадий Волож , председатель правления банка «ФК Открытие» Михаил Михайлович Задорнов , Леонид Михельсон, крупный акционер российской газовой компании « Новатэк» , меценат Вадим Мошкович , а также бизнесмен и политический деятель Михаил Прохоров .

Состав

• Лицей НИУ ВШЭ  
• Факультет математики НИУ ВШЭ
• Факультет физики НИУ ВШЭ
• НИУ ВШЭ Московский институт электроники и математики им. Тихонова (МИЭМ НИУ ВШЭ)
  • Школа электронной инженерии
  • Школа компьютерной инженерии
  • Школа прикладной математики
• Факультет компьютерных наук  
  • Школа программной инженерии
  • Школа анализа данных и искусственного интеллекта
  • Школа больших данных и информационного поиска
• Факультет бизнеса и менеджмента
  • Школа делового администрирования
  • Школа логистики
  • Школа бизнес-информатики
  • Высшая школа бизнес-информатики
  • Институт инновационного менеджмента
  • Международный центр обучения логистике
  • Высшая школа проектного менеджмента
  • Высшая школа маркетинга и развития бизнеса
• Факультет права
  • Кафедра гражданского права
  • Кафедра конституционного и административного права
  • Кафедра международного публичного и частного права
  • Кафедра практического права
  • Департамент судебной власти
  • Кафедра теории права и сравнительного правоведения
  • Департамент права труда и социальной защиты населения
  • Кафедра уголовного права
  • Совместное управление с Федеральной антимонопольной службой
  • Кафедра финансового, налогового и таможенного права
• Факультет гуманитарных наук  
  • Школа истории
  • Школа Культурологии
  • Школа лингвистики
  • Школа истории и теории литературы
  • Школа философии
  • Школа иностранных языков
• Факультет социальных наук
  • Школа политики и управления
  • Школа социологии
  • Школа Психологии
  • Институт Образования
  • Институт демографии
  • Департамент общественной политики
• Факультет коммуникаций, медиа и дизайна
  • Школа СМИ
  • Школа интегрированных коммуникаций
  • Школа Искусства и Дизайна  
• Факультет мировой экономики и мировой политики
  • Школа Мировой Экономики
  • Школа международных отношений
  • Школа международных региональных исследований
  • Школа востоковедения
• Факультет экономических исследований
  • Кафедра теоретической экономики
  • Кафедра прикладной экономики
  • Школа Финансов
  • Кафедра математики
  • Департамент статистики и анализа данных
• Международный колледж экономики и финансов
• Факультет городского и регионального развития
• Химический факультет
• Факультет биологии и биотехнологии
• Факультет географии и геоинформационных технологий

Независимые отделы

• Кафедра высшей математики
• Совместный отдел с Музеем современного искусства «Гараж»
• Кафедра физического воспитания
• Департамент инновационного менеджмента
• Департамент исследований безопасности
• Кафедра военной подготовки

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)

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.

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. 

Бакалавриат

Программа нацелена на подготовку исследователей, инженеров-исследователей и инженеров-разработчиков в области теоретической и прикладной информатики.

«Прикладная математика и информатика» была разработана в 2014 году с учётом опыта ведущих факультетов компьютерных наук университетов EPFL в Швейцарии и Стэнфорда в США, а также Школы анализа данных Яндекса. Кроме профессионального цикла (major) студент может пройти обучение по дополнительному профилю (minor). На старших курсах студенты выбирают в качестве специализации «Машинное обучение и приложения», «Распределённые системы», «Анализ и принятие решений» и «Анализ данных и интеллектуальные системы».

Программа готовит ведущих разработчиков и архитекторов программного обеспечения, менеджеров проектов, менеджеров по качеству программного обеспечения и менеджеров процессов его разработки. Договоры более чем со 100 компаниями открывают перед студентами возможности получения практического опыта в работе над реальными IT-проектами.  

Программа полностью соответствует международным рекомендациям по преподаванию программной инженерии в высших учебных заведениях в областях Computing, Computer Science и Software Engineering и международному профессиональному стандарту SWEBOK. В 2011 году программа получила престижную награду IBM Faculty Award.

Совместная программа Высшей школы экономики и Лондонского университета. Всё обучение проходит на английском языке, а выпускники получают два диплома: диплом бакалавра по направлению «Прикладная математика и информатика» НИУ ВШЭ и диплом Bachelor of Science (BSc) in Data Science and Business Analytics, University of London. Программа готовит аналитиков и специалистов в области Data Science, понимающих задачи экономики и финансовой сферы. Выпускник сможет стать ведущим специалистом в современных финансовых организациях, в консалтинге, в IT-компаниях и в стартапах. 

Разработчиком и куратором британской части программы является London School of Economics and Political Science (LSE), один из ведущих университетов мира. ФКН дополняет программу традиционно сильными математикой, программированием и машинным обучением. В процессе обучения студенты получают возможность принять участие в летних школах LSE, познакомиться с жизнью британских студентов. 

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).

Конспект Лекций

Модуль 1

Лекция 5 (29.09.2021). Графы, Часть-II: Деревья; понятия леса и дерева; теорема об описании лесов (эквивалентные определения леса); теорема об описании деревьев (эквивалентные определения дерева); размерность графа и ее основные комбинаторные свойства; теорема о размерности леса; теорема о размерности дерева (связь числа вершин и ребер в дереве); листья в девере; теорема об остовных деревьях; теорема Кэли о числе остовных деревьев в полном графе (без доказательства).

Лекция 4 (22.09.2021). Графы, Часть-I: Введение; понятие графа, матрицы смежности и инцидентности; теорема о сумме степеней вершин графа; связность, области достижимости и компоненты связности графа.

Лекция 3 (17.09.2021). Комбинаторика, Часть-I; основные комбинаторные принципы: правило произведения и правило суммы; понятие последовательности; теорема о числе слов в конечном алфавите; формула включения-исключения.

Лекция 2 (15.09.2021). Введение в теорию множеств; основные способы задания множества; основные операции над множествами; (полный) принцип математической индукции.

Лекция 1 (08.09.2021). Введение в алгебру логики; понятие высказывания, простые и сложные (= составные) высказывания; основные логические связки; логически эквивалентные высказывания; примеры эквивалентностей; тавтологии и противоречия; кванторы всеобщности и существования.

2-й модуль

Дата-время: 25 декабря, 10:00

Материалы для подготовки к экзамену:

II: список задач для подготовки к 1-й контрольной

III: приводимые ниже задачи (рассортированы по темам, номера с пометкой «П» даны по задачнику Проскурякова, номера с пометкой «К» — по задачнику Кострикина):

• Комплексные числа: К 20.1, 20.2, 20.4, 20.11, 21.1, 21.2, 21.9, 22.7
• Линейная зависимость в векторных пространствах: П 639–644, 646–650, 652–655, 1824–1828; К 34.2, 34.3
• Линейные комбинации, линейные оболочки: П 665–669, 679–681 (база = максимальная линейно независимая подсистема)
• Подпространства, базис, размерность: П 1297–1304, 1308, 1310–1313; К 34.14, 35.2, 35.3, 35.7(а,в,г), 35.8, 35.11, 35.16
• Фундаментальная система решений однородной системы линейных уравнений: П 724–732, К 8.4
• Ранг матрицы: П 612, 613, 619–622, 623–628; К 7.1–7.3, 7.5–7.7, 7.10, 7.12

Комментарий к I. Данный список продолжает список определений и формулировок для коллоквиума. В качестве одного из заданий экзаменационной работы может быть предложено дать какое-нибудь определение или сформулировать какую-нибудь теорему из списка, также могут быть задачи на применение теории (определений/формулировок) в конкретных примерах. Наконец, знание определений и формулировок может просто помочь при решении тех или иных задач экзаменационной работы.

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).

О курсе

Проводится с 2016 года.

Полезные ссылки

Почта для сдачи домашних заданий (на самом деле задания сдаются в AnyTask, но если он не работает, то присылайте на почту): hse.cs.ml+<номер группы>@gmail.com (например, hse.cs.ml+171@gmail.com)

Семинары

Группа	Преподаватель
191 (МОП)	Хрушков Павел Вадимович
192 (МОП)
193 (МОП)
194 (АДИС)
195 (РС)	Каюмов Эмиль Марселевич
196 (РС)	Шабалин Александр Михайлович
197 (АПР)
198 (ТИ)
199 (МИ)
1910 (ПР)
ФЭН
Пермь (БИ)
Пермь (ПИ)

Правила выставления оценок

В курсе предусмотрено несколько форм контроля знания:

• Самостоятельные работы на семинарах, проверяющие знание основных фактов с лекций и семинаров
• Практические домашние работы на Python
• Письменная контрольная работа
• Письменный экзамен

Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:

Итог = Округление(0.15 * ПР + 0.4 * ДЗ + 0.15 * КР + 0.3 * Э)

ПР — средняя оценка за самостоятельные работы на семинарах

ДЗ — средняя оценка за практические домашние работы на Python

КР — оценка за контрольную работу

Э — оценка за экзамен

Округление арифметическое.

Правила сдачи заданий

За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее. Есть исключение: в течение семестра каждый студент может не более 2 раз сдать задание после жёсткого дедлайна — в этом случае за каждый день просрочки продолжает вычитаться по одному баллу (если не оговорено иное).

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

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).

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

Лекции и семинары

№	Тема лекции	презентация	конспект семинара	домашнее задание	дедлайн
1	Данные в науке и в жизни	Задание 1	27.01.18 23:59
2	Цифровая среда	Больше презентаций		02.02.18 23:59
3	Открытые данные	в telegram-канале	23.02.18 23:59
4	Базы данных		25.02.18 23:59
5	Корпусные технологии
6	Работа с корпусами. Частотность			11.03.18 23:59
7	Параллельные корпуса		13.04.18 23:59
8	Машинный перевод
9	Визуализация данных
10	Сетевой анализ			29.04.18 23:59
11	Машинное обучение
12	Нейронные сети
13	Электронные словари
14	Оцифровка изображений и компьютерное зрение			01.06.18 23:59
15	«Футурология»

№	Тема лекции	презентация	конспект семинара	домашнее задание	дедлайн
1	Данные в науке и в жизни	Задание 1	27.01.18 23:59
2	Цифровая среда		02.02.18 23:59
3	Открытые данные	23.02.18 23:59
4	Базы данных	25.02.18 23:59
5	Корпусные технологии		11.03.18 23:59
6	Cultural Analytics		09.04.18 23:59
7	Визуализация данных
8	Сетевой анализ		29.04.18 23:59
9	Современные цифровые методы и технологии консервации
10	Машинное обучение	19.05.18 23:59
11	Оцифровка изображений и компьютерное зрение
12	Методы пространственного анализа
13	«Футурология»
14	Компьютерное моделирование
15	Работа с видеоматериалами