Бакалавриат
2021/2022
Машинное обучение 2
Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус:
Курс по выбору (Прикладная математика и информатика)
Направление:
01.03.02. Прикладная математика и информатика
Где читается:
Факультет компьютерных наук
Когда читается:
3-й курс, 3, 4 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для всех кампусов НИУ ВШЭ
Преподаватели:
Каюмов Эмиль Марселевич,
Садртдинов Ильдус Рустемович,
Соколов Евгений Андреевич,
Ульянкин Филипп Валерьевич,
Шабалин Александр Михайлович
Язык:
русский
Кредиты:
6
Контактные часы:
80
Программа дисциплины
Аннотация
Дисциплина Машинное обучение 2 является продолжением Машинного обучения 1 и посвящена дополнительным темам этой науки, а также отработки практических навыков по выполнению задач анализа данных. Изучаются продвинутые разделы машинного обучения (метрические методы и быстрый поиск ближайших соседей, ранжирование, рекомендательные системы, поиск аномалий) и теоретические основы машинного обучения. Также в курсе выполняется проект, направленный на полноценное решение реальной задачи с помощью Python и инструментов data scientist'а.
Цель освоения дисциплины
- Знать продвинутые постановки задач в машинном обучении
- Владеть методами для решения нестандартных задач машинного обучения
- Уметь выполнять полный цикл решения задачи анализа данных
Планируемые результаты обучения
- Владеть методами построения рекомендательных систем
- Знать метрические методы машинного обучения и владеть методами быстрого поиска ближайших соседей
- Знать продвинутые постановки задач машинного обучения
- Уметь решать задачи поиска аномалий и кластеризации
- Уметь решать задачи ранжирования
Содержание учебной дисциплины
- 1. Обучение с учителем
- Обучение без учителя
- Ранжирование и рекомендательные системы
- Задача адаптации признакового пространства (domain adaptation), transfer learning
Элементы контроля
- Домашние задания (ДЗ)
- Проверочные работы на семинарах (ПЗ)
- Коллоквиум
- Проект по анализу данных (П)
- Письменный экзамен (Э)Экзамен письменный. Экзамен проходит с прокторингом через Examus в системе Moodle. Студенты получают задание, решают на бумаге, в конце загружают фотографии/сканы решений. Экзамен длится 2 астрономических часа. Во время экзамена разрешено только смотреть в условия задач и писать на листах бумаги, которые были чистыми до начала экзамена. Если у студента случился обрыв связи продолжительностью менее пяти минут, он может продолжить написание экзамена (дополнительное время при этом не предоставляется). Если случился обрыв связи продолжительностью дольше 5 минут, то считается, что студент пропустил экзамен. В этом случае ему будет предложено без штрафов сдать экзамен устно в течение недели с момента данного экзамена.
Промежуточная аттестация
- 2021/2022 учебный год 4 модуль0.1 * Проверочные работы на семинарах (ПЗ) + 0.2 * Коллоквиум + 0.3 * Проект по анализу данных (П) + 0.4 * Домашние задания (ДЗ)
Список литературы
Рекомендуемая основная литература
- Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705
- Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning : Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008
- Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.
Рекомендуемая дополнительная литература
- Trevor Hastie, Robert Tibshirani, & Jerome Friedman. New York. (n.d.). Book Reviews 567 The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.45E1D521