Бакалавриат
2022/2023![Цель освоения дисциплины](/f/src/global/i/edu/objectives.svg)
![Планируемые результаты обучения](/f/src/global/i/edu/results.svg)
![Содержание учебной дисциплины](/f/src/global/i/edu/sections.svg)
![Промежуточная аттестация](/f/src/global/i/edu/intermediate_certification.svg)
![Список литературы](/f/src/global/i/edu/library.svg)
Машинное обучение
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 (Экономика)
Направление:
38.03.01. Экономика
Где читается:
Факультет экономических наук
Когда читается:
3-й курс, 1, 2 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Преподаватели:
Кантонистова Елена Олеговна,
Конюшенко Юлия Николаевна,
Максимовская Анастасия Максимовна
Язык:
русский
Кредиты:
6
Контактные часы:
42
Программа дисциплины
Аннотация
Machine learning is the science of getting computers to act without being explicitly programmed. In the past decade, machine learning has given us self-driving cars, practical speech recognition, effective web search, and a vastly improved understanding of the human genome. Machine learning is so pervasive today that you probably use it dozens of times a day without knowing it. Many researchers also think it is the best way to make progress towards human-level AI. In this class, you will learn about the most effective machine learning techniques, and gain practice implementing them and getting them to work for yourself. More importantly, you'll learn about not only the theoretical underpinnings of learning, but also gain the practical know-how needed to quickly and powerfully apply these techniques to new problems. Finally, you'll learn about some of Silicon Valley's best practices in innovation as it pertains to machine learning and AI.
Цель освоения дисциплины
- This course provides a broad introduction to machine learning, datamining, and statistical pattern recognition. Topics include: (i) Supervised learning (parametric/non-parametric algorithms, support vector machines, kernels, neural networks). (ii) Unsupervised learning (clustering, dimensionality reduction, recommender systems, deep learning). (iii) Best practices in machine learning (bias/variance theory; innovation process in machine learning and AI). The course will also draw from numerous case studies and applications, so that you'll also learn how to apply learning algorithms to building smart robots (perception, control), text understanding (web search, anti-spam), computer vision, medical informatics, audio, database mining, and other areas.
Планируемые результаты обучения
- владеть методами из библиотеки scikit-learn
- владеть методами теоретического исследования моделей машинного обучения
- Знает предмет и задачи машинного обучения и анализа данных; основные принципы, задачи и подходы, использование в различных областях науки и индустрии; основные этапы эволюции алгоритмов машинного обучения. Знает общий вид метрического классификатора, алгоритмы отбора эталонов, алгоритмы кластеризации с фиксированным количеством кластеров, Алгоритмы кластеризации по плотности, иерархическую кластеризацию.
- Знакомство с основными типами задач машинного обучения
- Знание основных методов предобработки данных
- Знание основных понятий статистического обучения
- знать концепцию переобучения причины возникновения этого явления, методы его преодоления
- знать концепцию переобучения, причины возникновения этого явления, методы его преодоления
- знать основные модели, используемые для решения задач классификации и регрессии
- знать типологию задач машинного обучения
- Понимание линейной регрессии.
- Понимание методов кластеризации
- Понимание методов матричного разложения и способов их применения
- Понимание методов снижения размерности
- Понимание общей постановки задачи классификации и методов её решения
- Понимание принципов построения решающих деревьев
- Понимание принципов работы нейронных сетей
- Понимание принципов работы рекуррентных нейронных сетей
- Понимание принципов работы свёрточных нейросетей
- Понимание устройства градиентного бустинга над решающими деревьями
- Понимание устройства работы случайных лесов
- Умение выбирать и оценивать модели машинного обучения с помощью стандартных кросс-валидации.
- уметь генерировать и отбирать признаки
- уметь подбирать гиперпараметры модели
- уметь применять методы машинного обучения к прикладным задачам
- уметь работать с различными типами данных
- уметь работать с различными типами данных
Содержание учебной дисциплины
- Введение.
- Градиентные линейные методы
- Соревнования по анализу данных
- Решающие деревья и случайные леса
- Метрические алгоритмы
- Метрики качества, отбор признаков, работа с пропущенными значениями
- Метод опорных векторов
- Линейная регрессия и метод главных компонент
- Нелинейная регрессия и нестандартные функции потерь
- Многоклассовая классификация. Разреженные признаки. Библиотека VW
- Байесовские методы классификации
- Прогнозирование временных рядов
- Несбалансированные выборки. Счетчики
- Типы задач. Метрические классификаторы. Алгоритмы кластеризации
- Деревья решений, линейные классификаторы. Нейронные сети
- Введение в машинное обучение: обзор задач
- Статистическое обучение
- Линейная регрессия
- Задачи классификации.
- Выбор и оценка моделей.
- Градиентный бустинг над деревьями
- Особенности практической работы с данными
- Нейронные сети
- Современные нейросетевые архитектуры
- Задачи кластеризации
- Методы снижения размерности
- Матричные разложения
Промежуточная аттестация
- 2022/2023 учебный год 2 модуль0.2 * Коллоквиум + 0.2 * Домашнее задание + 0.2 * Экзамен
Список литературы
Рекомендуемая основная литература
- An introduction to statistical learning : with applications in R, , 2013
- 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. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.
- Inge, R., & Leif, J. (2017). Machine Learning : Advances in Research and Applications. Hauppauge, New York: Nova Science Publishers, Inc. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1652565
Рекомендуемая дополнительная литература
- Mohammed, M., Khan, M. B., & Bashier, E. B. M. (2017). Machine Learning : Algorithms and Applications. Boca Raton: CRC Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1293656
- Mojrian, S., Pinter, G., Joloudari, J. H., Felde, I., Nabipour, N., Nadai, L., & Mosavi, A. (2019). Hybrid Machine Learning Model of Extreme Learning Machine Radial basis function for Breast Cancer Detection and Diagnosis; a Multilayer Fuzzy Expert System. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsarx&AN=edsarx.1910.13574
- Шарден, Б. Крупномасштабное машинное обучение вместе с Python : учебное пособие / Б. Шарден, Л. Массарон, А. Боскетти , перевод с английского А. В. Логунова. — Москва : ДМК Пресс, 2018. — 358 с. — ISBN 978-5-97060-506-6. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/105836 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.