Научно-исследовательский семинар "Машинное обучение и приложения"

Магистратура 2020/2021

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

Статус: Курс обязательный (Анализ больших данных в бизнесе, экономике и обществе)

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Департамент математики

Где читается: Санкт-Петербургская школа физико-математических и компьютерных наук

Когда читается: 2-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Преподаватели: Сироткин Александр Владимирович

Прогр. обучения: Анализ больших данных в бизнесе, экономике и обществе

Язык: русский

Кредиты: 5

Контактные часы: 64

Полная версия программы учебной дисциплины

Аннотация

Целями освоения дисциплины Научно-исследовательский семинар "Машинное обучение и приложения" являются: • развитие навыков участия в научно-исследовательской деятельности; • знакомство с современными методами машинного обучения и их практическими при-менениями; • развитие навыков презентации результатов исследования и оформления презентационных материалов. В рамках дисциплины изучаются такие разделы, как "Классические методы машинного обучения и практические прикладные задачи", " Глубокое обучение и его применение" и "Технологические вопросы применения методов машинного обучения".

Цель освоения дисциплины

развитие навыков участия в научно-исследовательской деятельности
знакомство с современными методами машинного обучения и их практическими применениями
развитие навыков презентации результатов исследования и оформления презентационных материалов

Планируемые результаты обучения

Демонстрирует знание классических методов машинного обучения
Умеет применять линейные и логистические регрессии, регрессию LASSO
Демонстрирует знание вопросов регуляризации и переобучения
Умеет применять нейронные сети в задачах распознавания образов или речи, обрабатывать текст
Демонстрирует знание, как обучать нейросети на процессорах и видеокартах

Содержание учебной дисциплины

Классические методы машинного обучения и практические прикладные задачи
Изучение статей и разбор примеров применения классических методов машинного обучения. Применение широкого спектра регрессий: линейные, логистические, LASSO, ElasticNet. Вопросы регуляризации и переобучения. Деревья, беггинг и бустинг.
Глубокое обучение и его применение
Анализ статей посвященных нейронным сетям и методам их обучения. Практическое применение нейронных сетей в задачах распознавания образов или речи и в других областях. Обработка текста
Технологические вопросы применения методов машинного обучения
Анализ статей и разбор реальных практик реализации методов машинного обучения в "промышленных" задачах. Вопросы нагрузки и отказоустойчивости. Обучение нейросетей на процессорах и видеокартах. Особенности инфраструктуры.

Элементы контроля

Аудиторная работа
Эссе
Экзамен

Промежуточная аттестация

Промежуточная аттестация (2 модуль)
0.36 * Аудиторная работа + 0.4 * Экзамен + 0.24 * Эссе

Программа дисциплины