2023/2024
Прикладные задачи анализа данных
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус:
Майнор
Где читается:
Факультет компьютерных наук
Когда читается:
3, 4 модуль
Онлайн-часы:
20
Охват аудитории:
для всех кампусов НИУ ВШЭ
Язык:
русский
Кредиты:
5
Контактные часы:
72
Программа дисциплины
Аннотация
Дисциплина "Прикладные задачи анализа данных" является завершающей в майноре "Интеллектуальный анализ данных" и направлена на выполнение двух целей. Первая — научить прикладной статистике, которая связана с внедрением машинного обучения и анализом результатов. Сюда относится анализ и сравнение моделей, интерпретация моделей машинного обучения, планирование и анализ результатов A/B-тестов. Вторая — дать опыт решения сложных задач с помощью методов машинного обучения. А именно, рассматриваются задачи обработки естественного языка, работы с изображениями и сигналами, прогнозирования временных рядов, построение рекомендательных систем.
Цель освоения дисциплины
- Владеть методами прикладной статистики
- Уметь решать прикладные задачи методами машинного обучения
Планируемые результаты обучения
- Владеть базовыми методами анализа текстов
- Владеть методами прогнозирования временных рядов
- Знать основные метрики качества рекомендательных систем
- Уметь интерпретировать модели машинного обучения
- Уметь планировать и анализировать результаты A/B-тестов
- Уметь решать основные задачи анализа изображений и сигналов
- Уметь решать сложные задачи анализа текстов (машинный перевод и пр.)
- Уметь строить рекомендательные системы
Содержание учебной дисциплины
- Прикладная статистика в машинном обучении
- Прогнозирование временных рядов
- Рекомендательные системы
- Анализ изображений и сигналов
- Анализ естественного языка
Элементы контроля
- ЭкзаменПисьменный экзамен (Э)
- Контрольная работаКонтрольная работа (КР)
- Домашнее заданиеПрактические домашние задания (ДЗ)
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
- Parul Aggarwal, Vishal Tomar, & Aditya Kathuria. (2017). Comparing Content Based and Collaborative Filtering in Recommender Systems. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.32D5064E
Рекомендуемая дополнительная литература
- James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.