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

Research Seminar "Machine Learning and Applications"

2019/2020
Academic Year
RUS
Instruction in Russian
4
ECTS credits
Delivered at:
Department of Informatics
Course type:
Compulsory course
When:
1 year, 1-4 module

Instructor

Программа дисциплины

Аннотация

Является обязательной дисциплиной. Дисциплина относится к циклу дисциплин проектной и исследовательской работы и блоку дисциплин, обеспечивающих магистерскую подготовку. Целями освоения дисциплины являются:  развитие навыков участия в научно-исследовательской деятельности;  знакомство с современными методами машинного обучения и их практическими применениями;  развитие навыков презентации результатов исследования и оформления презентационных материалов. Настоящая дисциплина относится к циклу дисциплин проектной и исследовательской работы и блоку дисциплин, обеспечивающих магистерскую подготовку. Основные положения дисциплины должны быть использованы в дальнейшем при изучении любых дисциплин, связанных с научно-исследовательской деятельностью студентов, а так же при подготовке ВКР. Дисциплина включает в себя следующие разделы: классические методы машинного обучения и практические прикладные задачи; глубокое обучение и его применение; технологические вопросы применения методов машинного обучения.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целями освоения дисциплины Научно-исследовательский семинар " Машинное обучение и приложения" являются: • развитие навыков участия в научно-исследовательской деятельности; • знакомство с современными методами машинного обучения и их практическими применениями; • развитие навыков презентации результатов исследования и оформления презентаци-онных материалов.
Планируемые результаты обучения

Планируемые результаты обучения

  • Знает классические методы машинного обучения и владеет понятием практических прикладных задач. Применяет широкий спектр регрессий: линейные, логистиче-ские, LASSO, ElasticNet. Владеет понятиями регуляризации и переобучения.
  • Проводит анализ статей посвященных нейронным сетям и методам их обучения. Знает о практическом применении нейронных сетей в задачах распознавания образов или речи и в других областях. Владеет понятием обработки текста.
  • Анализирует статьи реализации методов машинного обучения в "промышленных" задачах. Разбирается в вопросах нагрузки и отказоустойчивости. Владеет понятием обучения нейросетей на процессорах и видеокартах. Знает особенности инфраструктуры.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Классические методы машинного обучения и практические прикладные задачи
    Применение широкого спектра регрессий: линейные, логистические, LASSO, ElasticNet. Вопросы регуляризации и переобучения
  • Классические методы машинного обучения и практические прикладные задачи
    Деревья, беггинг и бустинг.
  • Глубокое обучение и его применение
    Анализ статей посвященных нейронным сетям и методам их обучения. Практическое при-менение нейронных сетей в задачах распознавания образов или речи и в других областях.
  • Глубокое обучение и его применение
    Обработка текста.
  • Технологические вопросы применения методов машинного обучения
    Анализ статей и разбор реальных практик реализации методов машинного обучения в "про-мышленных" задачах.
  • Технологические вопросы применения методов машинного обучения
    Вопросы нагрузки и отказоустойчивости. Обучение нейросетей на процессорах и видеокартах. Особенности инфраструктуры.
Элементы контроля

Элементы контроля

  • неблокирующий Эссе
  • неблокирующий Аудиторная работа
  • блокирующий Экзамен
    Экзамен проводится в письменной форме с использованием синхронного прокторинга и состоит из ответов на два теоретических вопроса. Экзамен проводится на платформе Moodle (https://et.hse.ru), прокторинг на платформе Экзамус (hse.student.examus.net). К экзамену необходимо подключиться за 15 минут. На платформе Экзамус доступно тестирование системы. Компьютер студента должен удовлетворять следующим требованиям: https://elearning.hse.ru/data/2020/05/07/1544135594/Технические%20требования%20к%20ПК%20студента.pdf) Для участия в экзамене студент обязан: заранее зайти на платформу прокторинга, провести тест системы, включить камеру и микрофон, подтвердить личность. Время выполнения задания два часа. Время начала экзамена 11:00, завершение в 13:00. Во время выполнения студент записывает свой ответ на чистом листе бумаги, после фотографирует и высылает решение фотографию на электронную почту преподавателя. На отсылку решения дается 5 минут по завершении экзамена. Во время экзамена студентам запрещено: общаться (в социальных сетях, с людьми в комнате), списывать, использовать любые материалы. Во время экзамена студентам разрешено иметь при себе ручку и чистые листы бумаги, во время отправки решений разрешается использовать мобильный телефон или сканер. Кратковременным нарушением связи во время экзамена считается прерывание связи до 5 минут, если после этого студенту удается вернуться в ту же сессию работы с Экзамус. Долговременным нарушением связи во время экзамена считается прерывание связи 5 минут и более. При долговременном нарушении связи студент не может продолжить участие в экзамене. Процедура пересдачи аналогична процедуре сдачи.
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (4 модуль)
    0.3 * Аудиторная работа + 0.4 * Экзамен + 0.3 * Эссе
Список литературы

Список литературы

Рекомендуемая основная литература

  • Радаев, В.В. Как организовать и представить исследовательский проект. 75 простых правил / В.В. Радаев ; Нац. исслед. ун-т «Высшая школа экономки». — 2-е изд. (эл.). — Электрон. текстовые дан. (1 файл pdf: 204 с.). — Москва : Изд. дом Высшей школы экономики, 2019. — Систем. требования: Adobe Reader XI , либо Adobe Digital Editions 4.5 ; экран 10'. - ISBN 978-5-7598-1469-6. - Текст : электронный. - URL: https://new.znanium.com/catalog/product/1040849 - Текст : электронный. - URL: http://znanium.com/catalog/product/1040849

Рекомендуемая дополнительная литература

  • Spiliopoulou, M., Gesellschaft für Klassifikation, Schmidt-Thieme, L., & Janning, R. (2014). Data Analysis, Machine Learning and Knowledge Discovery. Cham: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=669270