Modern Methods of Decision Making

2026/2027

Academic Year

RUS

Instruction in Russian

3

ECTS credits

Delivered at:

Department of Informatics

Course type:

Compulsory course

When:

1 year, 4 module

Программа дисциплины

Аннотация

Дисциплина направлена на формирование теоретических знаний о математических методах поиска и анализа данных для принятия и реализации решений, включая методы оптимизации, ранжирования, выбора, вероятностного моделирования и обучения с подкреплением. В результате изучения дисциплины у студента будет сформировано представление о математических подходах к разработке и исследованию методов анализа и принятия решений. Для освоения дисциплины необходимы знания языка программирования Python и основ машинного обучения.

Цель освоения дисциплины

• формирование теоретических знаний о математических методах поиска и анализа данных для принятия и реализации решений, включая методы оптимизации, ранжирования, выбора, вероятностного моделирования и обучения с подкреплением

Планируемые результаты обучения

• знает основные понятия теории принятия решения
• использует методы поддержки принятия решений для оценки шансов и выбора оптимальных стратегий
• оценивает качество моделей принятия решений
• строит вероятностные графические модели для поддержки принятия решений
• строит модели ранжирования
• формулирует рекомендации в предметной области по результатам моделирования
• проектирует гибридные системы «человек-ИИ»
• владеет навыками внедрения LLM-ассистентов и инструментами минимизации алгоритмических рисков

Содержание учебной дисциплины

• Введение, основные понятия теории принятия решений
• Выбор и ранжирование
• Вероятностные графические модели
• Обучение с подкреплением
• LLM в принятии решений

Элементы контроля

• Домашнее задание: ранжирование
  На предоставленных преподавателем данных построить модель ранжирования любым алгоритмом, описать выбранный алгоритм и оценить качество ранжирования. Написать отчет о модели, включающий краткое описание алгоритма; построенную модель; оценку качества модели (NDCG/MAP/...); пример ранжирования для примера из тестовой выборки.
• Экзамен
  Работа представляет собой тест с закрытыми и открытыми вопросами (теоретическими и практическими). Тест может содержать от 15 до 25 вопросов, покрывающих рассмотренные на занятиях темы.
• Проект
  Проектирование системы с функциональностью для автоматизированного принятия решений с использованием методов, изученных в курсе. Проект может выполняться индивидуально или в группах до трех человек, объединенных общей идеей, но с индивидуальной реализацией методов
• Домашнее задание: байесовские сети
  Структурированное эссе по возможностям применения вероятностных графических моделей с частичным повторением результатов с помощью симуляции. Необходимо найти любую статью про применение байесовских сетей (не про разработку алгоритмов, а именно про применение в какой-то задаче) и написать короткий отчет с указанием выбранной статьи, описанием задачи, которую решали авторы, и того, каким образом в этой статье построена структура. После этого необходимо повторить (полностью или частично) сеть из статьи и привести примеры вывода по ней
• Упражнения
  Упражнения из асинхронных материалов и во время синхронных практических занятий

Промежуточная аттестация

• 2026/2027 4th module
  0.2 * Упражнения + 0.2 * Домашнее задание: байесовские сети + 0.2 * Экзамен + 0.1 * Домашнее задание: ранжирование + 0.3 * Проект

Список литературы

Рекомендуемая основная литература

• Corrigan, R. (2008). Back to the future: digital decision making. Information & Communications Technology Law, 17(3), 199–220. https://doi.org/10.1080/13600830802473006
• 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
• Принципы верификации и тестирования моделей искусственного интеллекта : учебное пособие для вузов / А. Л. Золкин, Р. А. Вербицкий, Х. З. Ксенофонтова [и др.]. — Санкт-Петербург : Лань, 2025. — 160 с. — ISBN 978-5-507-52396-2. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/488984 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

• Højsgaard, S., Lauritzen, S. L., & Edwards, D. (2012). Graphical Models with R. New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=534901
• Wiering, M., & Otterlo, M. van. (2012). Reinforcement Learning : State-of-the-Art. Berlin: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=537744
• Кузьменко О.В. - Промптология. Искусство диалога с нейросетями - 978-5-9729-2715-9 - Инфра-Инженерия - 2025 - https://znanium.ru/catalog/document?id=469350 - 469350 - ZNANIUM

Авторы

• Суворова Алёна Владимировна