2020/2021

Прикладные задачи анализа 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: Майнор

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 3, 4 модуль

Преподаватели: Гущин Михаил Иванович, Кантонистова Елена Олеговна, Ковалёв Алексей Константинович, Кузнецов Максим Дмитриевич, Соколов Евгений Андреевич, Чесаков Даниил Георгиевич

Язык: русский

Кредиты: 5

Контактные часы: 72

Программа дисциплины

Аннотация

Данная дисциплина является заключительной на майноре ИАД и посвящена обзору приложений методов машинного обучения, а также включает в себя некоторые важные смежные темы. Изучаются генеративные методы, модели для работы со звуком, диалоговые системы, рекомендательные системы. Рассматриваются методы продуктовой аналитики, а также обсуждаются вопросы промышленного использования моделей машинного обучения.

Цель освоения дисциплины

• Знать основы генеративных моделей в машинном обучении
• Знать методы для работы с данными сложной структуры
• Владеть инструментами внедрения моделей машинного обучения

Планируемые результаты обучения

• Владеть методами прогнозирования временных рядов
• Знать основные метрики качества рекомендательных систем
• Знать основные генеративные методы в машинном обучении
• Уметь строить рекомендательные системы

Содержание учебной дисциплины

• Прогнозирование временных рядов
  Статистические методы прогнозирования. Прогнозирование с помощью машинного обучения.
• Генеративные модели
  GAN, WGAN. Нормализационные потоки.
• Глубинное обучение для последовательностей
  Методы анализа звуковых данных. Вопросно-ответные системы.
• Продуктовая аналитика
• Внедрение моделей машинного обучения
• Рекомендательные системы
  Методы на основе памяти. Коллаборативная фильтрация. Матричные разложния. Контентные рекомендации. Метрики качества рекомендаций.

Элементы контроля

• Домашние задания
• Контрольная работа
• Экзамен

Промежуточная аттестация

• Промежуточная аттестация (4 модуль)
  0.5 * Домашние задания + 0.2 * Контрольная работа + 0.3 * Экзамен

Список литературы

Рекомендуемая основная литература

• Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning : Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008

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