Машинное обучение

2025/2026

Учебный год

RUS

Обучение ведется на русском языке

6

Кредиты

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Кто читает:

Департамент информатики

Статус:

Курс обязательный

Когда читается:

1-й курс, 2, 3 модуль

Преподаватели

Митранкова Мария Михайловна

Мосейчук Артемий Николаевич

Программа дисциплины

Аннотация

Курс представляет собой комплексную дисциплину по машинному обучению, охватывающую полный путь от математических основ обучения моделей до построения прогностических систем на временных данных. Программа структурирована в четыре модуля. Первый модуль закладывает фундамент: жизненный цикл модели и стандарт CRISP-DM, обучение с учителем на примере линейной регрессии, работа с признаковым пространством, регуляризация (LASSO, Ridge), а также строгая постановка задачи через сингулярное разложение матрицы признаков и решение некорректных задач при помощи псевдообратной матрицы. Второй модуль посвящён методам обучения моделей: безусловной минимизации функционала ошибки методами спуска, стохастическому градиентному спуску и его сходимости, нелинейным моделям, логистической регрессии и методу опорных векторов с ядровым обобщением. Третий модуль охватывает снижение размерности (линейный и нелинейный метод главных компонент), обучение без учителя и кластеризацию (k-means, агломеративные методы, DBSCAN, частичное обучение), настройку моделей безградиентными методами и средствами AutoML (Optuna), а также ансамблевые методы — от случайного леса и AdaBoost до промышленных бустингов XGBoost, LightGBM и CatBoost. Четвёртый модуль переносит освоенный аппарат на временные ряды: статистический анализ и модели семейства ARIMA/SARIMA, машинное обучение для рядов со специфическим Feature Engineering, корректная валидация без «заглядывания в будущее», нейросетевые архитектуры для последовательностей (LSTM, GRU, Transformers) и современные библиотеки автоматического прогнозирования (Prophet, NeuralProphet). Все темы подкрепляются практической работой на открытых и реальных индустриальных наборах данных. По итогам курса слушатель владеет полным циклом построения моделей машинного обучения: от подготовки данных и обучения базовых алгоритмов до ансамблирования, интерпретации результатов и прогнозирования временных последовательностей с выбором адекватных метрик качества.