Основы машинного обучения

2024/2025

Учебный год

RUS

Обучение ведется на русском языке

5

Кредиты

Кто читает:

Департамент бизнес-информатики и операционного менеджмента

Статус:

Курс обязательный

Когда читается:

3-й курс, 2, 3 модуль

Преподаватель

Аносов Алексей Петрович

Программа дисциплины

Аннотация

Курс посвящён основам анализа данных и машинного обучения. По результатам слушатели освоят способы предобработки и визуализации данных, изучат основные методы машинного обучения (линейные, метрические, решающие деревья и их композиции), научатся оценивать качество моделей. Курс пригодится всем, кто хочет «с нуля» погрузиться в область машинного обучения, получить первые практические навыки и начать применять их для решения собственных задач по извлечению пользы из данных.

Цель освоения дисциплины

• Знает основные понятия и постановки задач машинного обучения
• Знает основные модели классического машинного обучения и умеет с ними работать
• Знает основные модели классического машинного обучения и умеет с ними работать
• Знает основы работы с изображениями
• Знает основы работы с текстами

Планируемые результаты обучения

• Практические навыки работы с классическими моделями
• Понимание основ машинного обучения.
• Навыки работы с нейронными сетями
• Навыки работы с изображениями
• Навыки работы с текстами

Содержание учебной дисциплины

• Классическое машинное обучение
• Глубокое обучение

Элементы контроля

• Домашние задания
  - Запланировано 11 заданий - Оценка за элемент контроля вычисляется как среднее арифметическое оценок за каждое задание - Критерии оценивания каждого задания будут содержаться в тексте задания - Для сдачи задания необходимо выслать ссылку на GitHub репозиторий с кодом и устно защитить решение на занятии - У каждого задания есть срок сдачи, указанный тексте задания, после которого за каждую неделю просрочки снимается 1 балл.
• Экзамен
  Письменный экзамен с теоретическими вопросами

Промежуточная аттестация

• 2024/2025 3rd module
  0.7 * Домашние задания + 0.3 * Экзамен

Список литературы

Рекомендуемая основная литература

• Ian Goodfellow, Yoshua Bengio, & Aaron Courville. (2016). Deep Learning. The MIT Press.
• Müller, A. C., & Guido, S. (2017). Introduction to Machine Learning with Python : A Guide for Data Scientists: Vol. First edition. Reilly - O’Reilly Media.

Рекомендуемая дополнительная литература

• Chris Albon. (2018). Machine Learning with Python Cookbook : Practical Solutions From Preprocessing to Deep Learning: Vol. First edition. O’Reilly Media.
• Jeremy Howard, & Sylvain Gugger. (2020). Deep Learning for Coders with Fastai and PyTorch. O’Reilly Media.

Авторы

• Орлова Екатерина Дмитриевна