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

Data Analysis and Machine Learning

2023/2024
Academic Year
RUS
Instruction in Russian
9
ECTS credits
Delivered at:
Department of Informatics
Course type:
Compulsory course
When:
1 year, 1-3 module

Instructor

Программа дисциплины

Аннотация

Дисциплина направлена на изучение студентами основных принципов машинного обучения, эффективных алгоритмов обучения и применения обученных моделей. В результате изучения дисциплины у студента будет сформировано представление об основных задачах, решаемых с помощью моделей машинного обучения, как в области анализа пользователей информационных систем, так и при построение сервисов и приложений, основанных на данных.
Цель освоения дисциплины

Цель освоения дисциплины

  • изучение основных принципов машинного обучения и построение моделей для решения задач автоматизации и анализа пользователей
Планируемые результаты обучения

Планируемые результаты обучения

  • Выделяет подгруппы пользователей с помощью инструментов анализа данных
  • Выделяет правила из данных методами машинного обучения
  • Выявляет смещения (bias) в моделях
  • Знает основные понятия машинного обучения
  • Интерпретирует результаты предсказания
  • Интерпретирует результаты статистического анализа с учетом ограничений использованных методов
  • Обосновывает выбор методов и инструментария для проверки гипотез
  • Применяет основные конструкции языка Python и библиотек для анализа данных
  • Строит ансамблевые модели на языке Python
  • Строит модели с применением методов интерпретируемого машинного обучения
  • Строит предсказательные модели на языке Python
  • Строит регрессионные модели, оценивает различные типы эффектов
  • Строит нейросетевые модели
  • Проектирует системы с использованием машинного обучения
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение, основные понятия анализа данных, анализ данных в HCI
  • Выводы на основе данных
  • Сегментация данных
  • Предсказания на основе данных. Классификация и регрессия
  • Сложные модели и их применение
  • Проектирование систем, использующих машинное обучение
Элементы контроля

Элементы контроля

  • неблокирующий Онлайн-курс
    Для закрепления навыков по работе с задачами по статистике студентам предлагается выполнить упражнения из онлайн-курса. Источник упражнений определяется преподавателем (по умолчанию -- курс "Основы статистики"), но может быть изменен студентом по согласованию с преподавателем (например, если содержание предложенного курса уже пройдено студентом).
  • неблокирующий Экзамен 1
  • неблокирующий Эссе
    Структурированное эссе по одной из статей, связанных с методологией или применением A/B тестирования. Статья выбирается из предложенного преподавателем списка или самостоятельно студентом по согласованию с преподавателем.
  • неблокирующий Проект
    Проект по анализу данных на датасете по выбору студента. Задача зависит от выбранного датасета (например, предсказание показателя, выявление факторов, сегментация)
  • неблокирующий Дневники проекта
    Результаты выполнения заданий по темам курса на индивидуальных данных итогового проекта
  • неблокирующий Упражнения
    Для закрепления навыков по работе с инструментарием студентам предлагается выполнить упражнения по работе на языке Python. Источник упражнений определяется преподавателем (по умолчанию -- задания из скриптов лабораторных работ), но может быть изменен студентом по согласованию с преподавателем (например, если студент уже имеет опыт работы с инструментарием).
  • неблокирующий Домашнее задание
    Проектирование информационной системы с моделями машинного обучения
  • неблокирующий Экзамен 2
    Письменный экзамен с теоретическими и практическими вопросами по материалам курса
Промежуточная аттестация

Промежуточная аттестация

  • 2023/2024 учебный год 1 модуль
    0.2 * Онлайн-курс + 0.25 * Эссе + 0.3 * Упражнения + 0.25 * Экзамен 1
  • 2023/2024 учебный год 3 модуль
    0.1 * Упражнения + 0.25 * Проект + 0.15 * Экзамен 2 + 0.15 * Домашнее задание + 0.35 * Дневники проекта
Список литературы

Список литературы

Рекомендуемая основная литература

  • Trevor Hastie, Robert Tibshirani , et al., The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edition, 2017. Free from the publisher: https://web.stanford.edu/~hastie/ElemStatLearn/printings/ESLII_print12.pdf
  • Григорьев Алексей - Машинное обучение. Портфолио реальных проектов. - (Серия «Библиотека программиста»). - 978-5-4461-1978-3 - Санкт-Петербург: Питер - 2023 - 390208 - https://ibooks.ru/bookshelf/390208/reading - iBOOKS
  • Масис С. - Интерпретируемое машинное обучение на Python: Пер. с англ. - 978-5-9775-1735-5 - Санкт-Петербург: БХВ-Петербург - 2023 - 389646 - https://ibooks.ru/bookshelf/389646/reading - iBOOKS
  • Нарбут, В. В., Статистика: теория и практика = Statistics: Theory and Practice : учебник / В. В. Нарбут, Е. П. Шпаковская, В. Н. Салин. — Москва : КноРус, 2022. — 389 с. — ISBN 978-5-406-09450-1. — URL: https://book.ru/book/944515 (дата обращения: 25.08.2023). — Текст : электронный.
  • Ростовцев, В. С. Искусственные нейронные сети / В. С. Ростовцев. — 3-е изд., стер. — Санкт-Петербург : Лань, 2023. — 216 с. — ISBN 978-5-507-46446-3. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/310184 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

  • Herzog, M. H., Francis, G., & Clarke, A. (2019). Understanding Statistics and Experimental Design ; How to Not Lie with Statistics. Springer International Publishing. https://doi.org/10.1007/978-3-030-03499-3
  • Molnar, C. (2018). iml: An R package for Interpretable Machine Learning. https://doi.org/10.5281/zenodo.1299058