Machine Learning

2025/2026

Academic Year

RUS

Instruction in Russian

6

ECTS credits

Category 'Best Course for Career Development'

Delivered at:

Department of Informatics

Course type:

Compulsory course

When:

1 year, 2, 3 module

Instructors

Mitrankova, Maria

Мосейчук Артемий Николаевич

Программа дисциплины

Аннотация

Курс представляет собой комплексную дисциплину по машинному обучению, охватывающую полный путь от математических основ обучения моделей до построения прогностических систем на временных данных. Программа структурирована в четыре модуля. Первый модуль закладывает фундамент: жизненный цикл модели и стандарт CRISP-DM, обучение с учителем на примере линейной регрессии, работа с признаковым пространством, регуляризация (LASSO, Ridge), а также строгая постановка задачи через сингулярное разложение матрицы признаков и решение некорректных задач при помощи псевдообратной матрицы. Второй модуль посвящён методам обучения моделей: безусловной минимизации функционала ошибки методами спуска, стохастическому градиентному спуску и его сходимости, нелинейным моделям, логистической регрессии и методу опорных векторов с ядровым обобщением. Третий модуль охватывает снижение размерности (линейный и нелинейный метод главных компонент), обучение без учителя и кластеризацию (k-means, агломеративные методы, DBSCAN, частичное обучение), настройку моделей безградиентными методами и средствами AutoML (Optuna), а также ансамблевые методы — от случайного леса и AdaBoost до промышленных бустингов XGBoost, LightGBM и CatBoost. Четвёртый модуль переносит освоенный аппарат на временные ряды: статистический анализ и модели семейства ARIMA/SARIMA, машинное обучение для рядов со специфическим Feature Engineering, корректная валидация без «заглядывания в будущее», нейросетевые архитектуры для последовательностей (LSTM, GRU, Transformers) и современные библиотеки автоматического прогнозирования (Prophet, NeuralProphet). Все темы подкрепляются практической работой на открытых и реальных индустриальных наборах данных. По итогам курса слушатель владеет полным циклом построения моделей машинного обучения: от подготовки данных и обучения базовых алгоритмов до ансамблирования, интерпретации результатов и прогнозирования временных последовательностей с выбором адекватных метрик качества.