Systems Reliability Engineering

Delivered at:: Department of Informatics

Course type:: Elective course

When:: 2 year, 2, 3 module

Instructor

Aksenov, Alexander

Дополнительные материалы в LMS Задать вопрос

Аннотация

Цель первой части курса - научить слушателей ставить задачи, если методы машинного обучения привлекаются к решению проблем, какие математические инструменты используется в алгоритмах обучения. Основное внимание уделено внутреннему устроийству таких методов, оценке их параметров и своийств. В результате прохождения курса студенты приобретут практическое понимание границ применимости различных методов машинного обучения. Во второй части курса студенты научатся осуществлять постановку задач интеллектуального анализа, познакомятся с некоторыми применениями интеллектуального анализа данных и машинного обучения решения бизнес-задач. Помимо теоретических знаниий студенты будут получать практические задания, которые помогут практиковаться в применении классических алгоритмов для решения задач на анализ данных.

Цель освоения дисциплины

Формирование у обучающихся профессиональных компетенций в области постановки и решения задач машинного обучения и интеллектуального анализа данных, включая освоение математических инструментов, лежащих в основе алгоритмов обучения, понимание внутреннего устройства методов, оценку их параметров и свойств, а также приобретение практических навыков применения классических алгоритмов для решения бизнес-задач в высоконагруженных информационных системах.

Планируемые результаты обучения

Формулирует задачу машинного обучения в терминах математической оптимизации. Выбирает функцию потерь и метрики качества в соответствии с постановкой задачи.
Оценивает свойства модели с использованием методов кросс-валидации. Диагностирует переобучение и недообучение модели на основе анализа смещения и дисперсии.
Реализует алгоритмы обучения с учителем для решения задач классификации и регрессии.
Оценивает параметры моделей с использованием аналитических и численных методов.
Сравнивает различные алгоритмы по критериям качества и вычислительной сложности.
Обосновывает выбор метода машинного обучения для конкретной прикладной задачи.
Применяет методы кластеризации для сегментации данных в корпоративных системах. Снижает размерность признакового пространства с сохранением информативности данных. Извлекает ассоциативные правила и закономерности из больших наборов данных. Выявляет аномалии в данных с использованием статистических и алгоритмических подходов.
Проектирует архитектуру нейронной сети для решения прикладной задачи. Обучает нейросетевые модели с использованием методов обратного распространения.
Применяет механизмы регуляризации для повышения обобщающей способности модели. Адаптирует предобученные модели для решения задач конкретной предметной области.
Ставит задачу интеллектуального анализа данных в терминах конкретной бизнес-проблемы. Разрабатывает решение для прогнозирования временных рядов на основе исторических данных.
Оценивает экономический эффект от внедрения моделей машинного обучения в бизнес-процессы.
Проектирует пайплайн машинного обучения для интеграции в высоконагруженную информационную систему.
Развёртывает модели машинного обучения в контейнерной среде с использованием инструментов MLOps.

Содержание учебной дисциплины

Постановка задач машинного обучения и математические основы алгоритмов обучения
Классические методы машинного обучения с учителем
Методы обучения без учителя и интеллектуальный анализ данных
Глубокое обучение и нейросетевые модели
Применение машинного обучения для решения бизнес-задач
Масштабирование и развёртывание моделей машинного обучения в высоконагруженных системах

Элементы контроля

Экзамен
Практическая работа №2
Практическая работа №1

Промежуточная аттестация

2026/2027 3rd module
0.4 * Практическая работа №2 + 0.2 * Экзамен + 0.4 * Практическая работа №1

Список литературы

Авторы

Архимандритов Игорь Борисович