• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
02
Июль

Машинное обучение на больших данных

2023/2024
Учебный год
RUS
Обучение ведется на русском языке
5
Кредиты
Статус:
Курс по выбору
Когда читается:
4-й курс, 1, 2 модуль

Преподаватель

Программа дисциплины

Аннотация

Дисциплина направлена на ознакомление с теоретическими основами и основными принципами машинного обучения, овладение инструментарием, моделями и методами машинного обучения, а также приобретение навыков исследователя данных (data scientist) и разработчика математических моделей, методов и алгоритмов анализа данных.
Цель освоения дисциплины

Цель освоения дисциплины

  • Формирование у студентов теоретических знаний и практических навыков по основам работы с продвинутыми алгоритмами машинного обучения.
Планируемые результаты обучения

Планируемые результаты обучения

  • Знает ключевые понятия, цели и задачи использования машинного обучения, методологические основы применения алгоритмов машинного обучения.
  • Умеет визуализировать результаты работы алгоритмов машинного обучения, выбирать метод машинного обучения, соответствующий исследовательской задаче, интерпретировать полученные результаты.
  • Имеет навыки чтения и анализа академической литературы по применению методов машинного обучения, построения и оценки качества моделей.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Раздел 1. Анализ размерности данных и работа с признаками
  • Раздел 2. Анализ распределения данных
  • Раздел 3. Интерпретация результатов
Элементы контроля

Элементы контроля

  • блокирующий Проект
    В процессе изучения предмета обучающиеся должны будут применить изученные методы в задаче на данных с платформы Kaggle. Предполагается разделение учащихся на группы.
  • блокирующий Экзамен
    Проверка качества освоения дисциплины производится в форме устного экзамена. Экзамен проводится в формате разбора научной статьи по анализу данных и машинному обучению. Экзаменуемый должен продемонстрировать знание предмета на достаточном уровне для интерпретации современной научной литературы.
Промежуточная аттестация

Промежуточная аттестация

  • 2023/2024 учебный год 2 модуль
    0.5 * Проект + 0.5 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Murphy, K. P. (2012). Machine Learning : A Probabilistic Perspective. Cambridge, Mass: The MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=480968

Рекомендуемая дополнительная литература

  • Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning : Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008
  • Richert, W., & Coelho, L. P. (2013). Building Machine Learning Systems with Python. Birmingham: Packt Publishing. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=619996