Магистратура 2021/2022

Научно-исследовательский семинар "Анализ Интернет-данных"

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 обязательный (Науки о данных (Data Science))

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Базовая кафедра Яндекс

Где читается: Факультет компьютерных наук

Когда читается: 2-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Преподаватели: Бабенко Артем Валерьевич

Прогр. обучения: Науки о данных

Язык: русский

Кредиты: 8

Контактные часы: 48

Программа дисциплины

Аннотация

Основной целью научно-исследовательского семинара "Анализ интернет-данных" является ознакомление студентов с последними достижениями и тенденциями машинного обучения. Обзор основных фреймворков для глубинного обучения: PyTorch, tensorflow, MXNet. Анализ выложенного в открытый доступ кода современных статей. Обзор лучших практик при написании воспроизводимого кода для научных экспериментов.

Цель освоения дисциплины

• Ознакомление студентов с последними достижениями и тенденциями машинного обучения, формирование навыков чтения и понимания научных статей
• ознакомление студентов с последними достижениями и тенденциями машинного обучения.

Планируемые результаты обучения

• Ознакомление с последними исследованиями в области анализа интернет данных.
• Ознакомление с приложениями Data Science
• Формирование компетенций в использовании современных нейросетевых алгоритмов для решения классических задач комбинаторной оптимизации
• Формирование компетенций в сфере применения байесовских методов.
• Формирование навыков чтения и понимания научных статей
• Формирование у студентов компетенций в работе с генеративно-состязательными нейронными сетями
• Формирование у студентов компетенций в работе с графами с помощью нейронных сетей
• Формирование у студентов компетенций по работе с современными фреймворками для глубинного обучения.

Содержание учебной дисциплины

• Обзор фреймворков для глубинного обучения
• Разбор статей по тематике анализа интернет-данных и гостевые лекции от приглашённых специалистов
• Байесовские методы в глубинном обучении
• Обзор приложений Data Science
• Нейросетевые методы в задачах комбинаторной оптимизации
• Генеративно-состязательные сети в применении к задачам компьютерного зрения
• Анализ графов с помощью нейронных сетей

Элементы контроля

• Домашняя работа
• Домашняя работа
• Экзамен
  Оценка за дисциплину выставляется в соответствии с формулой оценивания от всех пройденных элементов контроля. Экзамен не проводится.
• Домашняя работа 1
• Домашняя работа 2
• Экзамен
• Домашняя работа 1
• Домашняя работа 2
• Экзамен

Промежуточная аттестация

• 2020/2021 учебный год 4 модуль
  0.4 * Экзамен + 0.3 * Домашняя работа + 0.3 * Домашняя работа
• 2021/2022 учебный год 2 модуль
  0.3 * Домашняя работа 1 + 0.3 * Домашняя работа 2 + 0.4 * Экзамен

Список литературы

Рекомендуемая основная литература

• Neklyudov, K., Molchanov, D., Ashukha, A., & Vetrov, D. (2017). Structured Bayesian Pruning via Log-Normal Multiplicative Noise. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsarx&AN=edsarx.1705.07283
• Статистический анализ данных на компьютере, Тюрин, Ю. Н., 1998
• Статистический анализ данных, моделирование и исследование вероятностных закономерностей. Компьютерный подход / Б.Ю. Лемешко, С.Б. Лемешко, С.Н. Постовалов и др. - М.: НИЦ ИНФРА-М, 2015. - 890 с.: 60x90 1/16 ISBN 978-5-16-103267-1 (online) - Режим доступа: http://znanium.com/catalog/product/515227

Рекомендуемая дополнительная литература

• Attentional PointNet for 3D-Object Detection in Point Clouds. (2019). Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EC02C194
• Jaritz, M., Gu, J., & Su, H. (2019). Multi-view PointNet for 3D Scene Understanding. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsarx&AN=edsarx.1909.13603
• Neklyudov, K., Molchanov, D., Ashukha, A., & Vetrov, D. (2017). Structured Bayesian Pruning via Log-Normal Multiplicative Noise. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.C5A9C3F2
• Statistica 6. Статистический анализ данных : учеб. пособие для вузов, Халафян, А. А., 2008
• Блягоз З.У. - Теория вероятностей и математическая статистика. Курс лекций - Издательство "Лань" - 2018 - 224с. - ISBN: 978-5-8114-2934-9 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/103061
• Боровков А. А. - Математическая статистика - Издательство "Лань" - 2010 - 704с. - ISBN: 978-5-8114-1013-2 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/3810

Авторы

• Бабенко Артем Валерьевич