Бакалавриат
2024/2025
Дополнительные главы анализа данных
Статус:
Курс обязательный (Технологии искусственного и дополненного интеллекта)
Когда читается:
3-й курс, 3 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Шимко Алексей Андреевич
Язык:
русский
Программа дисциплины
Аннотация
«Дополнительные главы анализа данных» – дисциплина, посвященная углубленному изучению методов машинного обучения и их применению для анализа данных. Курс охватывает широкий спектр алгоритмов и техник, от линейных моделей до ансамблевых методов и обучения без учителя, с акцентом на их практическое использование и оценку эффективности. В результате изучения дисциплины студенты получат глубокие знания в области современных методов анализа данных и смогут применять их для решения практических задач в различных областях
Цель освоения дисциплины
- Формирование глубоких знаний и практических навыков в области современных методов машинного обучения и их применения для анализа данных. В результате изучения курса студенты должны научиться выбирать и адаптировать соответствующие алгоритмы под конкретные задачи, оценивать эффективность моделей, а также интерпретировать полученные результаты.
Планируемые результаты обучения
- Применять метод k-ближайших соседей для решения задач классификации и регрессии, настраивая параметры и оценивая качество модели.
- Интерпретировать и оценивать линейные регрессионные модели, применяя методы регуляризации и прогнозируя значения зависимой переменной.
- Применять градиентный спуск для оптимизации моделей, настраивать шаги обучения и анализировать процесс сходимости.
- Строить и настраивать линейные классификаторы для задач классификации, оценивать их производительность и подбирать оптимальные гиперпараметры.
- Анализировать и сравнивать различные методы линейной классификации, оценивать их эффективность и применять регулярные методы для предотвращения переобучения.
- Создавать и интерпретировать решающие деревья для задач классификации и регрессии, настраивать гиперпараметры и предотвращать переобучение
- Применять ансамблевые методы, такие как бэггинг, для повышения точности моделей и уменьшения дисперсии предсказаний.
- Применять градиентный бустинг для улучшения точности моделей, настраивать гиперпараметры и минимизировать ошибку предсказаний.
- Применять методы обучения без учителя для анализа и визуализации неразмеченных данных, включая кластеризацию и снижение размерности.
- Разрабатывать и оценивать рекомендательные системы, используя методы коллаборативной фильтрации, контентной фильтрации и гибридные подходы
Содержание учебной дисциплины
- Композиции (бэггинг)
- Градиентный бустинг
- Обучение без учителя
- Рекомендательные системы
Элементы контроля
- Домашняя работа
- Домашняя работа
- Домашняя работа
- Домашняя работа
- Домашняя работа
- Домашняя работа
- ЭкзаменDemo day
Промежуточная аттестация
- 2024/2025 3rd module0.1 * Домашняя работа + 0.1 * Домашняя работа + 0.1 * Домашняя работа + 0.1 * Домашняя работа + 0.1 * Домашняя работа + 0.1 * Домашняя работа + 0.4 * Экзамен
Список литературы
Рекомендуемая основная литература
- Искусственный интеллект и принятие решений, ежеквартальный научный журнал, учред. Институт системного анализа РАН ; гл. ред. С. В. Емельянов, , 2010
- Искусственный интеллект. Современный подход. Т.3: Обучение, восприятие и действие, Рассел, С., 2022
Рекомендуемая дополнительная литература
- Introduction to machine learning, Alpaydin, E., 2020
- Введение в машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2018
- Искусственный интеллект, аналитика и новые технологии : пер. с англ., , 2022
- Искусственный интеллект. Введение в многоагентные системы : учебник для вузов, Бессмертный, И. А., 2024
- Методы и алгоритмы интеллектуального анализа данных о сложных проблемных ситуациях с использовани... : автореф. дис. ... канд. техн. наук : 05.13.17, Ивлиев, С. А., 2020