Бакалавриат 2022/2023

Научно-исследовательский семинар "Машинное обучение и приложения"

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 по выбору (Прикладная математика и информатика)

Направление: 01.03.02. Прикладная математика и информатика

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 3-й курс, 1-4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Кодрян Максим Станиславович, Пахалко Илья Александрович, Степанов Никита Сергеевич, Трошин Сергей Дмитриевич

Язык: русский

Кредиты: 4

Контактные часы: 72

Программа дисциплины

Аннотация

Данный семинар является одной из форм организации научно-исследовательской деятельности студентов специализации “Машинное обучение и приложения”. На нём в течение года под руководством преподавателей студентам предлагается делать обзорные доклады на различные темы, связанные с машинным обучением, а также презентации своих исследовательских проектов. Семинар призван способствовать расширению научного кругозора студентов и их своевременному включению в исследовательский процесс. Его задачей также является развитие навыков ведения научной дискуссии и презентации исследовательских результатов. В ходе занятий подразумеваются следующие виды деятельности студентов: * Посещение занятий, прослушивание и обсуждение докладов. * Выступление студентов с докладами на различные темы, связанные с машинным обучением. * Выступления студентов с докладами по курсовым работам. * Рецензирование докладов и курсовых работ своих одногруппников. * Написание проверочных работ по материалам докладов.

Цель освоения дисциплины

• Ознакомление студентов с последними достижениями области машинного обучения и расширение научного кругозора студентов.
• Развитие навыков самостоятельной работы с научными статьями и презентации исследовательских результатов.
• Своевременное включение студентов в исследовательский процесс в рамках курсовых работ.

Планируемые результаты обучения

• Знать основные задачи в области современных исследований в машинном обучении (классификация, регрессия, сегментация, прогнозирование и т.д.).
• Знать современные алгоритмы и модели, рассматриваемые в научных статьях (сверточные нейронные сети, рекуррентные нейронные сети, бустинг, коллаборативная фильтрация, REINFORCE и т.д.), знать преимущества и недостатки моделей данных типов.
• Уметь писать научные тексты.
• Уметь готовить и проводить выступление с докладом на научную тему, а также вести академическую дискуссию по материалам доклада.
• Уметь самостоятельно выбирать и изучать современные научные статьи, находить релевантную литературу

Содержание учебной дисциплины

• Приглашенные доклады.
• Выступления студентов с научными докладами.
• Выступления студентов по теме курсовых работ (КР).
• Научные тексты и их оформление.

Элементы контроля

• Рецензии (Эссе)
  Короткие рецензии на выступления одногруппников
• Доклады
  Устные доклады студентов по темам, связанным с машинным обучением
• Проверочные
  Письменные проверочные работы по материалам выступлений
• Предзащиты (выступление с перезентацией)
  В начале 3 модуля и в конце 4 модуля проводится предзащита планов КР студентов и итоговых КР студентов, соотвественно. Предзащита планов проводится в виде 5-минутных устных докладов, итоговых работ - в виде устных докладов на 7-10 минут.
• Кросс-рецензирование КР (Эссе)
  Подробные рецензии на КР одногруппников

Промежуточная аттестация

• 2022/2023 учебный год 4 модуль
  0.1 * Кросс-рецензирование КР (Эссе) + 0.4 * Проверочные + 0.1 * Рецензии (Эссе) + 0.1 * Предзащиты (выступление с перезентацией) + 0.3 * Доклады

Список литературы

Рекомендуемая основная 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
• 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

• James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.

Авторы

• Лобачева Екатерина Максимовна