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

Introduction to Machine Learning

2023/2024
Academic Year
RUS
Instruction in Russian
6
ECTS credits
Course type:
Compulsory course
When:
1 year, 3, 4 module

Instructor


Забашта Алексей Сергеевич

Программа дисциплины

Аннотация

Целями освоения дисциплины является знакомство студентов с основными задачами и методами машинного обучения; применение методов машинного обучения для решения задач автоматической обработки текстов, умение пользоваться предобученными моделями и обучать собственные модели на разных типах данных.
Цель освоения дисциплины

Цель освоения дисциплины

  • познакомить студентов с основными задачами и методами машинного обучения;
  • научить применять машинное обучения для решения задач автоматической обработки текстов.
Планируемые результаты обучения

Планируемые результаты обучения

  • анализирует преимущества и недостатки разных алгоритмов кластеризации, подбирает оптимальное количество классов
  • использует предобученные модели для получения контекстных векторных представлений
  • анализирует преимущества и недостатки разных алгоритмов классификации; обучает модели бинарной и многоклассовой классификации
  • воспроизводит и интерпретирует основные термины и понятия, используемые в дальнейшем при освоении курса умеет анализировать функцию и построить график функций
  • обучает регрессионные модели; понимает особенности использования различных регрессионных моделей.
  • обучает случайный лес, градиентный бустинг, пользовуется xgboost, lightgbm и catboost, применяет стекинг; обучает нейронные классификаторы с использованием сверточных слоев в cnn, подбирает параметры в сверточных слоях
  • обучает нейронные классификаторы с использованием рекуррентных слоев в keras (gru, lstm), обучает seq2seq модели, использует предобученные векторные представления; обучает нейронные классификаторы с использованием слоев Embedding, Dense в keras, выбирает нужную функцию потерь и оптимизатор
  • обучает нейронные классификаторы с использованием рекуррентных слоев в rnn (gru, lstm), используя предобученные векторные представления
  • обучает ранжирующие модели; оценивает результаты ранжирования
  • разбивает выборку на обучающую и тестовую; разбивает выборку на фолды и производит кросс-валидацию
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение. Понятие «машинное обучение».
  • Классификация.
  • Регрессия
  • Валидация.
  • Ансамбли.
  • Кластеризация.
  • Ранжирование.
  • Нейронные сети (keras)
  • Нейронные сети (cnn).
  • Нейронные сети (rnn)
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание
    Домашние задания представляют собой небольшие практические задания, которые выполняются студентами вне аудитории. Домашние работы сдаются за 2 дня до следующего занятия (до 23:59 предыдущего дня). После проверки заданий студенты получают обратную связь и оценку по своей работе по почте. Работы, которые были сданы после крайнего срока, штрафуются на три балла. Оценки за домашние задания выставляются в рабочую ведомость, перед экзаменом модуля оценки за домашние задания усредняются и выставляется единая средняя оценка по десятибалльной шкале. При необходимости осуществляется дистанционная поддержка контроля (выдача заданий, проверка работ и др.) с помощью электронных ресурсов филиала.
  • неблокирующий Проект
    На итоговом контроле студент должен продемонстрировать владение основными навыками из пройденных тем дисциплины. Итоговый контроль проводится в форме индивидуального проекта. Проект подразумевает самостоятельное решение студентом практической задачи с помощью машинного обучения от начала (подготовка данных) и до конца (оценка качества и анализ ошибок, выбор лучшего метода). Студент может использовать как уже существующие данные, так и собрать всё самостоятельно. Темы должны быть заранее (не менее 3 недель до сдачи) согласованы с преподавателем. Проект сдаётся письменно. Оценка за проект выставляется по десятибалльной шкале.
Промежуточная аттестация

Промежуточная аттестация

  • 2023/2024 учебный год 4 модуль
    0.35 * Домашнее задание + 0.35 * Домашнее задание + 0.3 * Проект
Список литературы

Список литературы

Рекомендуемая основная литература

  • Златопольский, Д. М. Основы программирования на языке Python / Д. М. Златопольский. — 2-ое изд., испр. и доп. — Москва : ДМК Пресс, 2018. — 396 с. — ISBN 978-5-97060-641-4. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/131683 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
  • Федоров, Д. Ю.  Программирование на языке высокого уровня Python : учебное пособие для среднего профессионального образования / Д. Ю. Федоров. — 2-е изд. — Москва : Издательство Юрайт, 2019. — 161 с. — (Профессиональное образование). — ISBN 978-5-534-11961-9. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/446505 (дата обращения: 28.08.2023).

Рекомендуемая дополнительная литература

  • Лучано, Р. Python. К вершинам мастерства / Р. Лучано , перевод с английского А. А. Слинкин. — Москва : ДМК Пресс, 2016. — 768 с. — ISBN 978-5-97060-384-0. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/93273 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Авторы

  • Кессель Ксения Витальевна
  • Забашта Алексей Сергеевич