Мы используем файлы cookies для улучшения работы сайта НИУ ВШЭ и большего удобства его использования. Более подробную информацию об использовании файлов cookies можно найти здесь, наши правила обработки персональных данных – здесь. Продолжая пользоваться сайтом, вы подтверждаете, что были проинформированы об использовании файлов cookies сайтом НИУ ВШЭ и согласны с нашими правилами обработки персональных данных. Вы можете отключить файлы cookies в настройках Вашего браузера.

  • A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
01
Февраль

Введение в машинное обучение на Python

2024/2025
Учебный год
RUS
Обучение ведется на русском языке
3
Кредиты
Статус:
Курс обязательный
Когда читается:
2-й курс, 1 модуль

Программа дисциплины

Аннотация

Данный курс включает рассмотрение широкого круга тем, связанных с машиннымобучением. В рамках курса у студентов будет сформирован большой набор навыков,который позволит им в дальнейшем ставить и выполнять ключевые задачи машинногообучения.Курс начинается с самых основ машинного обучения. Последующие темыкурса посвящены задачам классификации и предсказания, восстановлению пропущенныхзначений и выявлению аномалий в данных. Среди классов алгоритмов, которыерассматриваются в курсе — регрессионный и кластерный анализ, различныеклассификаторы (например, решающие деревья), вероятностные алгоритмы, ансамбли,а также алгоритмы кросс-валидации и отбора признаков.Курс предназначен для студентов магистратуры и предусматривает самостоятельныезанятия студентов на популярной образовательной онлайн-платформе, а такжесеминарские занятия с преподавателем.
Цель освоения дисциплины

Цель освоения дисциплины

  • Сформировать системное представление о машинном обучении
  • Научить студентов понимать и ставить задачи в рамках машинного обучения
  • Осветить ключевые проблемы, возникающие при использовании машинного обучения, и существующие методы их решения
  • Сформировать навыки практического применения машинного обучения к решению широкого спектра задач
Планируемые результаты обучения

Планируемые результаты обучения

  • Называет и определяет основные понятия машинного обучения
  • Восстанавливает пропущенные или некорректные значения с помощью моделей машинного обучения
  • Выявляет наблюдения с аномальными значениями признаков
  • Кластеризует наблюдения в заданной предметной области
  • Использует регрессионный анализ данных для предсказания поведения объектов
  • Классифицирует наблюдения в заданной предметной области
  • Объясняет преимущества одних алгоритмов классификации перед другими
  • Называет методы выбора оптимальных параметров алгоритмов
  • Объясняет необходимость применения и использует кросс-валидацию в машинном обучении
  • Объясняет принцип обучения решающих деревьев
  • Использует решающие деревья для предсказания и классификации данных
  • Использует вероятностные алгоритмы в задачах машинного обучения
  • Использует ансамбли алгоритмов машинного обучения для более точного предсказания или классификации данных
  • Отбирает релевантные признаки с помощью алгоритмов машинного обучения
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение в машинное обучение и основы статистики
  • Восстановление пропущенных значений
  • Поиск выбросов и аномальных значений
  • Кластерный анализ
  • Регрессионный анализ
  • Классификация и линейные классификаторы
  • Кросс-валидация
  • Решающие деревья
  • Вероятностные алгоритмы
  • Ансамбли алгоритмов
  • Отбор признаков
Элементы контроля

Элементы контроля

  • неблокирующий Прохождение онлайн-курса
  • неблокирующий Контрольная работа 2
  • неблокирующий Контрольная работа 1
Промежуточная аттестация

Промежуточная аттестация

  • 2024/2025 1st module
    0.2 * Контрольная работа 1 + 0.3 * Контрольная работа 2 + 0.5 * Прохождение онлайн-курса
Список литературы

Список литературы

Рекомендуемая основная литература

  • Aurélien Géron. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow : Concepts, Tools, and Techniques to Build Intelligent Systems: Vol. Second edition. O’Reilly Media.
  • Knox, S. W. (2018). Machine Learning : A Concise Introduction. Hoboken, New Jersey: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1729639
  • Machine learning fundamentals : a concise introduction, Jiang, H., 2021
  • Machine learning in action, Harrington, P., 2012
  • Müller, A. C., & Guido, S. (2017). Introduction to Machine Learning with Python : A Guide for Data Scientists: Vol. First edition. Reilly - O’Reilly Media.
  • The hundred-page machine learning book, Burkov, A., 2019
  • Введение в машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2018
  • Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow : концепции, инструменты и техники для создания интеллектуальных систем: пер. с англ., Жерон, О., 2018

Рекомендуемая дополнительная литература

  • Machine learning : beginner's guide to machine learning, data mining, big data, artificial intelligence and neural networks, Trinity, L., 2019
  • Python для сложных задач: наука о данных и машинное обучение : пер. с англ., Плас, Дж. Вандер, 2019

Авторы

  • Ильина Мария Ивановна
  • Ярошенко Евгения Игоревна