We use cookies in order to improve the quality and usability of the HSE website. More information about the use of cookies is available here, and the regulations on processing personal data can be found here. By continuing to use the site, you hereby confirm that you have been informed of the use of cookies by the HSE website and agree with our rules for processing personal data. You may disable cookies in your browser settings.

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

Introduction to Machine Learning in Python

2022/2023
Academic Year
RUS
Instruction in Russian
3
ECTS credits
Course type:
Compulsory course
When:
2 year, 2 module

Instructor


Terpilowski, Maksim

Программа дисциплины

Аннотация

Данный курс включает рассмотрение широкого круга тем, связанных с машинным обучением. В рамках курса у студентов будет сформирован большой набор навыков, который позволит им в дальнейшем ставить и выполнять ключевые задачи машинного обучения. Курс начинается с самых основ машинного обучения. Последующие темы курса посвящены задачам классификации и предсказания, восстановлению пропущенных значений и выявлению аномалий в данных. Среди классов алгоритмов, которые рассматриваются в курсе — регрессионный и кластерный анализ, различные классификаторы (например, решающие деревья), вероятностные алгоритмы, ансамбли, а также алгоритмы кросс-валидации и отбора признаков. Курс предназначен для студентов магистратуры и предусматривает самостоятельные занятия студентов на популярной образовательной онлайн-платформе, а также семинарские занятия с преподавателем.
Цель освоения дисциплины

Цель освоения дисциплины

  • Сформировать системное представление о машинном обучении
  • Научить студентов понимать и ставить задачи в рамках машинного обучения
  • Осветить ключевые проблемы, возникающие при использовании машинного обучения, и существующие методы их решения
  • Сформировать навыки практического применения машинного обучения к решению широкого спектра задач
Планируемые результаты обучения

Планируемые результаты обучения

  • Называет и определяет основные понятия машинного обучения
  • Восстанавливает пропущенные или некорректные значения с помощью моделей машинного обучения
  • Выявляет наблюдения с аномальными значениями признаков
  • Кластеризует наблюдения в заданной предметной области
  • Использует регрессионный анализ данных для предсказания поведения объектов
  • Классифицирует наблюдения в заданной предметной области
  • Объясняет преимущества одних алгоритмов классификации перед другими
  • Называет методы выбора оптимальных параметров алгоритмов
  • Объясняет необходимость применения и использует кросс-валидацию в машинном обучении
  • Объясняет принцип обучения решающих деревьев
  • Использует решающие деревья для предсказания и классификации данных
  • Использует вероятностные алгоритмы в задачах машинного обучения
  • Использует ансамбли алгоритмов машинного обучения для более точного предсказания или классификации данных
  • Отбирает релевантные признаки с помощью алгоритмов машинного обучения
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение в машинное обучение и основы статистики
  • Восстановление пропущенных значений
  • Поиск выбросов и аномальных значений
  • Кластерный анализ
  • Регрессионный анализ
  • Классификация и линейные классификаторы
  • Кросс-валидация
  • Решающие деревья
  • Вероятностные алгоритмы
  • Ансамбли алгоритмов
  • Отбор признаков
Элементы контроля

Элементы контроля

  • неблокирующий Контрольная работа 1
  • неблокирующий Контрольная работа 2
  • блокирующий Прохождение онлайн-курса
  • неблокирующий Самостоятельная работа
Промежуточная аттестация

Промежуточная аттестация

  • 2022/2023 учебный год 2 модуль
    0.6 * Прохождение онлайн-курса + 0.1 * Контрольная работа 2 + 0.2 * Самостоятельная работа + 0.1 * Контрольная работа 1
Список литературы

Список литературы

Рекомендуемая основная литература

  • Aurélien Géron. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow : Concepts, Tools, and Techniques to Build Intelligent Systems: Vol. Second edition. O’Reilly Media.
  • Knox, S. W. (2018). Machine Learning : A Concise Introduction. Hoboken, New Jersey: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1729639
  • Machine learning fundamentals : a concise introduction, Jiang, H., 2021
  • Machine learning in action, Harrington, P., 2012
  • Müller, A. C., & Guido, S. (2017). Introduction to Machine Learning with Python : A Guide for Data Scientists: Vol. First edition. Reilly - O’Reilly Media.
  • The hundred-page machine learning book, Burkov, A., 2019
  • Введение в машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2018
  • Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow : концепции, инструменты и техники для создания интеллектуальных систем: пер. с англ., Жерон, О., 2018

Рекомендуемая дополнительная литература

  • Machine learning : beginner's guide to machine learning, data mining, big data, artificial intelligence and neural networks, Trinity, L., 2019
  • Python для сложных задач: наука о данных и машинное обучение : пер. с англ., Плас, Дж. Вандер, 2019

Авторы

  • Цветкова Екатерина Андреевна
  • Терпиловский Максим Александрович