Кто читает:: Департамент филологии

Статус:: Курс обязательный

Когда читается:: 1-й курс, 3, 4 модуль

Преподаватель

Забашта Алексей Сергеевич

Полная версия программы учебной дисциплины

Аннотация

Целями освоения дисциплины является знакомство студентов с основными задачами и методами машинного обучения; применение методов машинного обучения для решения задач автоматической обработки текстов, умение пользоваться предобученными моделями и обучать собственные модели на разных типах данных.

Цель освоения дисциплины

познакомить студентов с основными задачами и методами машинного обучения;
научить применять машинное обучения для решения задач автоматической обработки текстов.

Планируемые результаты обучения

анализирует преимущества и недостатки разных алгоритмов кластеризации, подбирает оптимальное количество классов
использует предобученные модели для получения контекстных векторных представлений
анализирует преимущества и недостатки разных алгоритмов классификации; обучает модели бинарной и многоклассовой классификации
воспроизводит и интерпретирует основные термины и понятия, используемые в дальнейшем при освоении курса умеет анализировать функцию и построить график функций
обучает регрессионные модели; понимает особенности использования различных регрессионных моделей.
обучает случайный лес, градиентный бустинг, пользовуется xgboost, lightgbm и catboost, применяет стекинг; обучает нейронные классификаторы с использованием сверточных слоев в cnn, подбирает параметры в сверточных слоях
обучает нейронные классификаторы с использованием рекуррентных слоев в keras (gru, lstm), обучает seq2seq модели, использует предобученные векторные представления; обучает нейронные классификаторы с использованием слоев Embedding, Dense в keras, выбирает нужную функцию потерь и оптимизатор
обучает нейронные классификаторы с использованием рекуррентных слоев в rnn (gru, lstm), используя предобученные векторные представления
обучает ранжирующие модели; оценивает результаты ранжирования
разбивает выборку на обучающую и тестовую; разбивает выборку на фолды и производит кросс-валидацию

Содержание учебной дисциплины

Введение. Понятие «машинное обучение».
Классификация.
Регрессия
Валидация.
Ансамбли.
Кластеризация.
Ранжирование.
Нейронные сети (keras)
Нейронные сети (cnn).
Нейронные сети (rnn)

Элементы контроля

Домашнее задание
Домашние задания представляют собой небольшие практические задания, которые выполняются студентами вне аудитории. Домашние работы сдаются за 2 дня до следующего занятия (до 23:59 предыдущего дня). После проверки заданий студенты получают обратную связь и оценку по своей работе по почте. Работы, которые были сданы после крайнего срока, штрафуются на три балла. Оценки за домашние задания выставляются в рабочую ведомость, перед экзаменом модуля оценки за домашние задания усредняются и выставляется единая средняя оценка по десятибалльной шкале. При необходимости осуществляется дистанционная поддержка контроля (выдача заданий, проверка работ и др.) с помощью электронных ресурсов филиала.
Проект
На итоговом контроле студент должен продемонстрировать владение основными навыками из пройденных тем дисциплины. Итоговый контроль проводится в форме индивидуального проекта. Проект подразумевает самостоятельное решение студентом практической задачи с помощью машинного обучения от начала (подготовка данных) и до конца (оценка качества и анализ ошибок, выбор лучшего метода). Студент может использовать как уже существующие данные, так и собрать всё самостоятельно. Темы должны быть заранее (не менее 3 недель до сдачи) согласованы с преподавателем. Проект сдаётся письменно. Оценка за проект выставляется по десятибалльной шкале.

Промежуточная аттестация

2022/2023 учебный год 4 модуль
0.3 * Проект + 0.7 * Домашнее задание

Список литературы

Авторы

Сомов Антон Константинович
Цветкова Екатерина Андреевна

Магистерская программа «Языковые технологии в бизнесе и образовании»

Введение в машинное обучение

Преподаватель

Программа дисциплины