Introduction to Machine Learning in Python

2022/2023

Academic Year

RUS

Instruction in Russian

3

ECTS credits

Delivered at:

Department of Sociology

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

• 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

• 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

• 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

• Контрольная работа 1
• Контрольная работа 2
• Прохождение онлайн-курса
• Самостоятельная работа

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

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