• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Современные методы принятия решений

2019/2020
Учебный год
RUS
Обучение ведется на русском языке
4
Кредиты
Статус:
Курс обязательный
Когда читается:
1-й курс, 4 модуль

Программа дисциплины

Аннотация

Является обязательной дисциплиной. Целью освоения дисциплины «Современные методы принятия решений» является формирование теоретических знаний о математических методах поиска и анализа данных для принятия и реализации решений, включая методы оптимизации, ранжирования, выбора, вероятностного моделирования и обучения с подкреплением. В результате изучения дисциплины у студента будет сформировано представление о математических подходах к разработке и исследованию методов анализа и принятия решений.
Цель освоения дисциплины

Цель освоения дисциплины

  • формирование теоретических знаний о математических методах поиска и анализа данных для принятия и реализации решений, включая методы оптимизации, ранжирования, выбора, вероятностного моделирования и обучения с подкреплением
Планируемые результаты обучения

Планируемые результаты обучения

  • знает основные понятия теории принятия решения
  • использует методы поддержки принятия решений для оценки шансов и выбора оптимальных стратегий
  • строит модели ранжирования
  • формулирует рекомендации в предметной области по результатам моделирования
  • оценивает качество моделей принятия решений
  • строит вероятностные графические модели для поддержки принятия решений
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение, основные понятия теории принятия решений
    Взаимодействие среды и агентов; ручное и автоматизированное принятие решений; потенциально автоматизируемые решения; системы поддержки принятия решений; проектирование агентов; проблемы принятия решения; объяснение решения
  • Выбор и ранжирование
    Постановка задачи оптимизации; градиентный спуск и модификации; А/B тестирование; explore-exploit proplem; "Многорукие бандиты": алгоритмы и оценка качества; задача ранжирования; feature construction (BM25, PageRank); oценка качества (DCG@K, NDCG@K, MAP@K); обучение модели: pointwise, pairwise and listwise подходы; агрегация рангов
  • Вероятностные графические модели
    Байесовские сети; методы построения структур; алгоритмы построения структуры модели (score-based и content-based); марковские цепи
  • Обучение с подкреплением
    Задачи обучения с подкреплением; Q-обучение и глубокое Q-обучение
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание №1
    На предоставленных преподавателем данных построить модель ранжирования любым алгоритмом, описать выбранный алгоритм и оценить качество ранжирования. Написать отчет о модели, включающий краткое описание алгоритма; построенную модель; оценку качества модели (NDCG/MAP/...); пример ранжирования для примера из тестовой выборки.
  • неблокирующий Контрольная работа
  • неблокирующий Экзамен
    Экзамен проходит в письменной форме 23 июня 2020 на русском языке. Длительность экзамена 90 минут без перерыва. Время выполнения каждого задания не ограничено, можно возвращаться к предыдущим заданиям в любом порядке, главное – уложиться в общую длительность экзамена. Студентам предлагается 10 заданий, загруженных в систему «Moodle». Ответы на задания вводятся напрямую в систему в формате теста с разными типами заданий (выбор, числовой, текстовый, эссе). Для выполнения части заданий требуется написать код на Python, файл с кодом, использованным для решения задач, прикрепляется на последнем этапе экзамена в формате ipynb. Для написания кода используется Jupiter Notebook, установленный на компьютере студента, Google Colaboratory или любой другой редактор кода по выбору студента. Во время написания экзамена студенты могут пользоваться всеми материалами курса (open book exam), включая материалы для чтения, записи лекций, презентации, лабораторные работы, выполненные домашние задания, ресурсы с документацией по Python, справочные системы, бумажные конспекты, черновики. Строго запрещено использование социальных сетей, почты, мессенджеров. Задания выполняются индивидуально. По завершению экзамена предоставляется дополнительные 10 минут для загрузки файла, во время которых вносить изменения в ответы запрещено. Экзамен проходит с асинхронным прокторингом на платформе Экзамус (hse.student.examus.net), т.е. все действия записываются. Несмотря на то, что система автоматически помечает переход на новые вкладки как подозрительное действие, запись оценивается проктором в соответствии с указанными выше правилами, т.е. открытие презентации, Colab и т.д. не считается нарушением.
  • неблокирующий Домашнее задание №2
    Эссе по возможностям применения вероятностных графических моделей. Необходимо найти любую статью про применение байесовских сетей (не про разработку алгоритмов, а именно про применение в какой-то задаче) и написать короткий отчет с указанием выбранной статьи, описанием задачи, которую решали авторы, и того, каким образом в этой статье построена структура (экспертно/по данным, какие теории / методы / концепции использовали авторы).
  • неблокирующий Домашнее задание №3
    На предоставленных преподавателем данных построить байесовскую сеть разными методами построения структур, сравнить полученные модели по любой метрике качества структуры (BIC, BD, AIC), написать краткий отчет о результатах с описанием, какую модель вы бы выбрали в качестве итоговой и почему. Дополнительно на бонусные баллы можно сравнить качества предсказаний по модели (не забыв разделить на тестовую и обучающую выборки)
  • неблокирующий Упражнения
    Упражнения из асинхронных материалов и во время синхронных практических занятий
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (4 модуль)
    0.15 * Домашнее задание №1 + 0.1 * Домашнее задание №2 + 0.2 * Домашнее задание №3 + 0.1 * Контрольная работа + 0.25 * Упражнения + 0.2 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Corrigan, R. (2008). Back to the future: digital decision making. Information & Communications Technology Law, 17(3), 199–220. https://doi.org/10.1080/13600830802473006
  • 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

Рекомендуемая дополнительная литература

  • Højsgaard, S., Lauritzen, S. L., & Edwards, D. (2012). Graphical Models with R. New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=534901
  • Wiering, M., & Otterlo, M. van. (2012). Reinforcement Learning : State-of-the-Art. Berlin: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=537744