Бакалавриат 2021/2022

Машинное обучение

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 (Экономика)

Направление: 38.03.01. Экономика

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет экономических наук

Когда читается: 3-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Ананьева Марина Евгеньевна, Кантонистова Елена Олеговна, Липатов Иван Константинович

Язык: русский

Кредиты: 5

Контактные часы: 60

Программа дисциплины

Аннотация

Курс "Машинное обучение" является факультативным курсом для студентов 3го и 4го года обучения факультета экономических наук. Курс читается в первом семестре. У студентов факультета экономических наук есть возможность посещать майнор аналогичной тематики. Курс "Машинное обучение" позиционируется как более сложный. В ходе обучения студенты решают как теоретические задачи на бумаге, так и домашние задания с помощью Python, участвуют в соревнованиях.

Цель освоения дисциплины

• Знать основные модели и методы машинного обучения и разработки данных
• Уметь применять указанные модели и методы, а также программные средства, в которых они реализованы
• Владеть навыками анализа реальных данных с помощью изученных методов

Планируемые результаты обучения

• Владеть навыками анализа реальных данных с помощью изученных методов
• Владеть навыками анализа реальных данных с помощью изученных методов
• Знать основные модели и методы машинного обучения и разработки данных
• Уметь применять указанные модели и методы, а также программные средства, в которых они реализованы

Содержание учебной дисциплины

• Введение в машинное обучение
• Линейные методы регрессии
• Линейные методы классификации
• Обработка признаков и работа с выбросами
• Снижение размерности данных
• Решающие деревья
• Композиции алгоритмов
• Прогнозирование временных рядов
• Метод опорных векторов. Нелинейные модели классификации.
• Введение в нейронные сети
• Кластеризация и визуализация данных

Элементы контроля

• Домашнее задание
• Коллоквиум
• Работа на семинаре
  Оценка за самостоятельные работы считается как среднее арифметическое всех оценок
• Экзамен

Промежуточная аттестация

• 2021/2022 учебный год 2 модуль
  0.3 * Экзамен + 0.3 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре

Список литературы

Рекомендуемая основная литература

• Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.

Рекомендуемая дополнительная 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