Магистратура
2021/2022
Машинное обучение для построения моделей
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус:
Курс по выбору (Системный анализ и математические технологии)
Направление:
01.04.04. Прикладная математика
Кто читает:
Департамент прикладной математики
Когда читается:
1-й курс, 4 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Прогр. обучения:
Системный анализ и математические технологии
Язык:
русский
Кредиты:
3
Контактные часы:
44
Программа дисциплины
Аннотация
The course introduces the students to mathematical modeling using machine learning techniques, including supervised and unsupervised methods such as linear and logistic regressions, decision trees, bootstrapping, random forests, boosting, regularized methods and several topics in deep learning, such as artificial neural networks, convolutional neural networks, transformers and auto-encoders, etc. The course uses Google Colaboratory, GitHub Classroom, and DataCamp products and services and aims to raise practical skills in using machine learning methods to solve typical problems of mathematical modeling.
Цель освоения дисциплины
- Цель дисциплины «Принципы построения математических моделей» - обеспечить введение слушателей в предмет математического моделирования с использованием методов машинного обучения, получение ими практических навыков в области использования методов машинного обучения для решения типичных задач.
Планируемые результаты обучения
- Специфика моделей машинного обучения, их сильные и слабые стороны. Статистические методы, используемые при построении моделей ML. Построение линейных регрессий
- Освоение различных подходов к линейной классификации. Изучение приемов подготовки данных и использования признаков
- Построение универсальных моделей с помощью решающих деревьев. Принципы работы с деревьями. Способы построения композиций алгоритмов для усиления результата
- Принцип использования нейронных сетей как универсального представления модели. Типы нейронных сетей. Обучение нейронных сетей. Использование нейронных сетей для задач различных типов
Содержание учебной дисциплины
- Машинное обучение, статистика, линейные методы регрессии
- Линейные методы классификации, Особенности работы с реальными данными, Работа с признаками
- Решающие деревья, Композиции алгоритмов
- Нейронные сети, Обучение без учителя
Промежуточная аттестация
- 2021/2022 учебный год 4 модульОценка = 0.4 (средняя оценка за домашние работы) + 0.2 (аудиторные занятия) + 0.4 (экзамен)
