2020/2021
Современные методы машинного обучения
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
Когда читается:
1, 2 модуль
Язык:
русский
Кредиты:
5
Контактные часы:
60
Программа дисциплины
Аннотация
Изучение дисциплины «Современные методы машинного обучения» нацелено на освоение продвинутых методов и алгоритмов машинного обучения с применением языка программирования Python. Курс является третьим в майноре «Интеллектуальный анализ данных». Предполагается, что в результате освоения курса студенты будут способны самостоятельно выбирать методы машинного обучения для решения сложных задач анализа данных.
Цель освоения дисциплины
- Знать: основные понятия и методы машинного обучения; о месте и ценности методов машинного обучения и разработки данных в современной науке и практической деятельности; основные каналы научной и прикладной информации по анализу данных и машинному обучению.
- Уметь: использовать освоенные методы машинного обучения для обработки конкретных наборов данных, анализировать результаты, делать выводы; формализовать конкретную задачу и разработать алгоритм решения.
- Владеть: методами программирования, отлаживания и тестирования современных алгоритмов машинного обучения.
Планируемые результаты обучения
- Понимает общие принципы построения ансамблей классификаторов.
- Знает основные типы ансамблей классификаторов и основанные на них алгоритмы машинного обучения.
- Знает и может использовать программные реализации алгоритмов ансамблей классификаторов для решения задач машинного обучения
- Понимает концепцию многослойного персиптрона, сверточной нейронной сети
- Знает основные слои, использующиеся в архитектурах глубоких (в.т.ч. сверточных) нейронных сетей; методы регуляризации; алгоритм обратного распространения ошибки.
- Знает и умеет использовать фреймворки глубокого обучения для решения задач распознавания изображений.
Содержание учебной дисциплины
- Ансамбли классификаторовАнсамбли классификаторов. Общие принципы. Причина успеха. Bias-variance tradeoff (компромисс между сдвигом и разбросом). Бэггинг, бустинг. Бутстрэп. Блендинг алгоритмов. Сравнение с Random Forest. Оценка out-of-bag. Алгоритм AdaBoost. Различные функции потерь для бустинга. Градиентный бустинг.
- Нейронные сетиПростейшие однослойные и многослойные нейронные сети, функции активации. Алгоритм обратного распространения ошибки для обучения нейронной сети. Регуляризации. Глубокие сети. Cвёрточные слои, пулинг, нормализации.
Элементы контроля
- Контрольная работа
- Лабораторная работаТема лабораторной: Ансамблевые модели.
- Лабораторная работаТема лабораторной: Нейронные сети.
- Экзамен
Промежуточная аттестация
- Промежуточная аттестация (2 модуль)0.1 * Контрольная работа + 0.2 * Лабораторная работа + 0.2 * Лабораторная работа + 0.5 * Экзамен
Список литературы
Рекомендуемая основная литература
- Aggarwal C. Data Mining: The Textbook. Springer International Publishing, 2015. DOI: 10.1007/978-3-319-14142-8
- Ian Goodfellow and Yoshua Bengio and Aaron Courville. Deep Learning, 2016. URL: http://www.deeplearningbook.org
Рекомендуемая дополнительная литература
- Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.
- Mirkin, B. Core concepts in data analysis: summarization, correlation and visualization. – Springer Science & Business Media, 2011. – 388 pp.
- Глубокое обучение : погружение в мир нейронных сетей, Николенко, С., 2018