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

2024/2025
Academic Year
RUS
Instruction in Russian
3
ECTS credits
Course type:
Compulsory course
When:
2 year, 1 module

Instructor


Ярошенко Евгения Игоревна

Программа дисциплины

Аннотация

Данный курс включает рассмотрение широкого круга тем, связанных с машиннымобучением. В рамках курса у студентов будет сформирован большой набор навыков,который позволит им в дальнейшем ставить и выполнять ключевые задачи машинногообучения.Курс начинается с самых основ машинного обучения. Последующие темыкурса посвящены задачам классификации и предсказания, восстановлению пропущенныхзначений и выявлению аномалий в данных. Среди классов алгоритмов, которыерассматриваются в курсе — регрессионный и кластерный анализ, различныеклассификаторы (например, решающие деревья), вероятностные алгоритмы, ансамбли,а также алгоритмы кросс-валидации и отбора признаков.Курс предназначен для студентов магистратуры и предусматривает самостоятельныезанятия студентов на популярной образовательной онлайн-платформе, а такжесеминарские 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 Прохождение онлайн-курса
  • неблокирующий Контрольная работа 2
  • неблокирующий Контрольная работа 1
Промежуточная аттестация

Промежуточная аттестация

  • 2024/2025 1st module
    0.2 * Контрольная работа 1 + 0.3 * Контрольная работа 2 + 0.5 * Прохождение онлайн-курса
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

  • Ильина Мария Ивановна
  • Ярошенко Евгения Игоревна