Современные методы принятия решений

Магистратура 2020/2021

Лучший по критерию «Новизна полученных знаний»

Статус: Курс обязательный (Машинное обучение и анализ данных)

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Департамент информатики

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

Когда читается: 1-й курс, 1-4 модуль

Формат изучения: без онлайн-курса

Преподаватели: Ершов Василий Алексеевич, Шпильман Алексей Александрович

Прогр. обучения: Машинное обучение и анализ данных

Язык: русский

Кредиты: 6

Контактные часы: 100

Полная версия программы учебной дисциплины

Аннотация

Является обязательной дисциплиной. Целями освоения дисциплины «Современные методы принятия решений» являются: формирование теоретических знаний о математических методах поиска и анализа данных для принятия и реализации решений; формирование представление о системах поддержки принятия решений. В процессе освоения дисциплины изучаются следующие темы: основы теории принятия решений, основы теории коллективного выбора, графические модели, основы нейронных сетей, психологические теории поведения человека при принятии решений.

Цель освоения дисциплины

Целью освоения дисциплины «Современные методы принятия решений» является формирование теоретических знаний о математических методах поиска и анализа данных для принятия и реализации решений. В результате изучения дисциплины у студента будет сформировано представление о математических подходах к разработке и исследованию методов анализа и принятия решений.

Планируемые результаты обучения

Знает основные понятия теории принятия решения. Знает цели принятия решения, альтернативы, критерии, ЛПР (лицо, принимающее решение). Знает основные этапы принятия решений; формирование набора альтернатив и критериев; бинарные отношения и функции выбора
Знает основы теории коллективного выбора: коллективные решения на графах. Решения, основанные на голосовании. Принятие решений в малых группах. Принципы голосования. Метод идеальной точки. Согласование групповых решений методом ранжирования по Парето. Методы кластеризации.
Знает определения, обозначения, примеры графических моделей. Знает: маргинализация в общем виде, вывод на графе без циклов. Вывод на графе с циклами: вариационные приближения. Алгоритм EM в общем виде. Сэмплирование как метод приближённого вычисления. Методы сэмплирования. Тематическое моделирование и модель LDA. Вывод в моделях со сложными факторами: Expectation Propagation. Байесовские рейтинг-системы.
Владеет понятием нейронные сети: перцептрон. Знает виды функций активации; обучение одного перцептрона. Изучил историю развития нейронных сетей. Владеет понятием градиентный спуск. Способен сделать градиентный спуск быстрее и лучше.
Умеет применять навыки работы с нейронными сетями для новых, в том числе творческих, задач. Знает неопределенность и риск при принятии решений. Изучил проблемы принятия решений человеком. Владееи понятием кратковременной и долговременной памяти. Изучил стратегии принятия решений человеком. Знает психологические теории поведения человека при принятии решений.

Содержание учебной дисциплины

Основы теории принятия решений
Основы теории коллективного выбора
Графические модели
Основы нейронных сетей
Психологические теории поведения человека при принятии решений

Элементы контроля

Домашнее задание
Контрольная работа
Экзамен
Длительность экзамена 90 минут без перерыва. Время выполнения каждого задания не ограничено, можно возвращаться к предыдущим заданиям в любом порядке, главное – уложиться в общую длительность экзамена. Студентам предлагается 10 заданий, загруженных в систему «Moodle». Ответы на задания вводятся напрямую в систему в формате теста с разными типами заданий (выбор, числовой, текстовый, эссе). Для выполнения части заданий требуется написать код на Python, файл с кодом, использованным для решения задач, прикрепляется на последнем этапе экзамена в формате ipynb. Для написания кода используется Jupiter Notebook, установленный на компьютере студента, Google Colaboratory или любой другой редактор кода по выбору студента. Во время написания экзамена студенты могут пользоваться всеми материалами курса (open book exam), включая материалы для чтения, записи лекций, презентации, лабораторные работы, выполненные домашние задания, ресурсы с документацией по Python, справочные системы, бумажные конспекты, черновики. Строго запрещено использование социальных сетей, почты, мессенджеров. Задания выполняются индивидуально. По завершению экзамена предоставляется дополнительные 10 минут для загрузки файла, во время которых вносить изменения в ответы запрещено. Экзамен проходит с использованием платформы Zoom.

Промежуточная аттестация

Промежуточная аттестация (2 модуль)
0.3 * Домашнее задание + 0.3 * Контрольная работа + 0.4 * Экзамен
Промежуточная аттестация (3 модуль)
0.2 * Домашнее задание + 0.3 * Контрольная работа + 0.5 * Экзамен
Промежуточная аттестация (4 модуль)
0.2 * Домашнее задание + 0.3 * Контрольная работа + 0.5 * Экзамен

Программа дисциплины