• A
  • A
  • A
  • ABC
  • ABC
  • ABC
  • А
  • А
  • А
  • А
  • А
Regular version of the site

Modern Methods of Decision Making

2021/2022
Academic Year
RUS
Instruction in Russian
4
ECTS credits
Delivered at:
Department of Informatics
Course type:
Compulsory course
When:
1 year, 4 module

Instructor

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

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

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
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение, основные понятия теории принятия решений
  • Выбор и ранжирование
  • Вероятностные графические модели
  • Обучение с подкреплением
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание 1
    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.
  • неблокирующий Контрольная работа
  • неблокирующий Письменный экзамен
  • неблокирующий Домашнее задание 2
    Эссе по возможностям применения вероятностных графических моделей. 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 (экспертно/по данным, какие теории / методы / концепции использовали авторы).
  • неблокирующий Домашнее задание 3
    На предоставленных преподавателем данных построить байесовскую сеть разными методами построения структур, сравнить полученные модели по любой метрике качества структуры (BIC, BD, AIC), написать краткий отчет о результатах с описанием, какую модель вы бы выбрали в качестве итоговой и почему. Дополнительно на бонусные баллы можно сравнить качества предсказаний по модели (не забыв разделить на тестовую и обучающую выборки)
  • неблокирующий Упражнения
    Упражнения из асинхронных материалов и во время синхронных практических занятий
Промежуточная аттестация

Промежуточная аттестация

  • 2021/2022 учебный год 4 модуль
    0.25 * Упражнения + 0.15 * Домашнее задание 1 + 0.2 * Письменный экзамен + 0.1 * Домашнее задание 2 + 0.1 * Контрольная работа + 0.2 * Домашнее задание 3
Список литературы

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

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