• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
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
Когда читается: 2-й курс, 1, 2 модуль
Формат изучения: без онлайн-курса
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

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

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

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

Элементы контроля

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

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

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