Машинное обучение

2021/2022

Учебный год

RUS

Обучение ведется на русском языке

4

Кредиты

Кто читает:

Департамент информатики

Статус:

Курс обязательный

Когда читается:

1-й курс, 3 модуль

Преподаватель

Шпильман Алексей Александрович

Программа дисциплины

Аннотация

Дисциплина направлена на формирование у студентов теоретических знаний и практических навыков по основам машинного обучения, овладение инструментарием, моделями и методами машинного обучения, а также приобретение навыков исследователя данных (data scientist) и разработчика математических моделей, методов и алгоритмов анализа данных. Для освоения дисциплины студентам необходимо иметь знания из области линейной алгебры и геометрии, основ программирования, дифференциальных уравнений и теории вероятностей и математической статистики.

Цель освоения дисциплины

• Формирование у студентов теоретических знаний и практических навыков по основам машинного обучения.

Планируемые результаты обучения

• Студент знает ключевые понятия, цели и задачи использования машинного обучения; методологические основы применения алгоритмов машинного обучения
• Студент имеет навыки чтения и анализа академической литературы по применению методов машинного обучения, построения и оценки качества моделей
• Студент умеет визуализировать результаты работы алгоритмов машинного обучения, выбирать метод машинного обучения, соответствующий исследовательской задаче, интерпретировать полученные результаты

Содержание учебной дисциплины

• Типы задач машинного обучения
• Метрические классификаторы
• Алгоритмы кластеризации
• Деревья решений
• Линейные классификаторы
• Нейронные сети и глубокое обучение
• Регрессионный анализ
• Ансамблевые методы
• Стохастический поиск

Элементы контроля

• Домашнее задание №1
  Домашнее задание №1 выдается студентам в одном варианте и состоит из 3 задач. Каждой задаче присвоен свой балл. Срок выполнения домашнего задания - 2 недели. Форма представления обучающимися домашнего задания - представленные в письменном виде решения задач.
• Домашнее задание №2
  Домашнее задание №2 выдается студентам в одном варианте и состоит из 4 задач. Каждой задаче присвоен свой балл. Срок выполнения домашнего задания - 2 недели. Форма представления обучающимися домашнего задания - представленные в письменном виде решения задач.
• Домашнее задание №3
  Домашнее задание №3 выдается студентам в одном варианте и состоит из 4 задач. Каждой задаче присвоен свой балл. Срок выполнения домашнего задания - 2 недели. Форма представления обучающимися домашнего задания - представленные в письменном виде решения задач.
• Устный экзамен
  Устный экзамен проводится в форме ответов на вопросы экзаменационного билета. Экзаменационный билет содержит два вопроса из перечня вопросов к экзамену. На подготовку ответа выделяется 2,5 часа.

Промежуточная аттестация

• 2021/2022 учебный год 3 модуль
  Преподаватель учитывает оценку за текущий контроль (домашние задания). Oнакопленная = (Oд/з1 + Oд/з2 + Oд/з3)/3 Результирующая оценка за дисциплину рассчитывается следующим образом: Орезультирующая = 0,5 Онакопленная+0,5 Оэкзамен На экзамене студенту не предоставляется возможность получить дополнительный балл для компенсации оценки за текущий контроль.

Список литературы

Рекомендуемая основная литература

• Murphy, K. P. (2012). Machine Learning : A Probabilistic Perspective. Cambridge, Mass: The MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=480968
• Флах, П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / П. Флах. — Москва : ДМК Пресс, 2015. — 400 с. — ISBN 978-5-97060-273-7. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/69955 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

• Gareth James, Daniela Witten, Trevor Hastie, Rob Tibshirani, & Maintainer Trevor Hastie. (2013). Type Package Title Data for An Introduction to Statistical Learning with Applications in R Version 1.0. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.28D80286
• Spiliopoulou, M., Gesellschaft für Klassifikation, Schmidt-Thieme, L., & Janning, R. (2014). Data Analysis, Machine Learning and Knowledge Discovery. Cham: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=669270