Машинное обучение и анализ больших данных

2022/2023

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Статус: Маго-лего

Кто читает: Департамент бизнес-информатики

Когда читается: 1, 2 модуль

Онлайн-часы: 20

Охват аудитории: для своего кампуса

Преподаватели: Бекларян Армен Левонович

Язык: русский

Кредиты: 6

Контактные часы: 24

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Настоящая дисциплина относится к вариативной части дисциплин программы "Управление цифровым продуктом". В результате успешного освоения курса студенты будут: знать типологии задач и метрики качества в машинном обучении; уметь корректно использовать математические модели для прогнозирования различных показателей, корректно использовать математические модели и алгоритмы для анализа текстов в PR и рекламе, адекватно оценивать корректность использования статистических методов, применяемых при формулировке и решении задач анализа коммуникационной среды; владеть статистическим анализом данных с использованием Python и Jupyter, базовыми навыками анализа данных, математическим аппаратом для оптимизации рекламной деятельности.

Цель освоения дисциплины

Целью освоения дисциплины "Машинное обучение и анализ больших данных" является обучение студентов навыкам использования машинного обучения и анализа данных для последующей разработки стратегий продвижения продуктов и услуг в цифровом пространстве

Планируемые результаты обучения

Объясняет основы математики для анализа данных
Формулирует основные постановки задач и типы данных в машинном обучении
Применяет методы и модели решающих деревьев, простых нейронных сетей, xgboost, метода опорных векторов и демонстрирует навык их обучения
Описывает основные концепции и методы машинного обучения, применяемые при решении классификационных и регрессионных задач
Применяет методы кластеризации данных, сингулярного разложения, фактор-анализа, главных компонент
Объясняет основные подходы к построению моделей обучения с подкреплением
Описывает основные концепции нейронных сетей и методы их обучения в задачах анализа неструктурированных данных
Применяет основные используемые методы обработки текстов, изображений и видео

Содержание учебной дисциплины

Основы машинного обучения и больших данных
Обучение с учителем
Обучение без учителя
Неструктурированные данные

Элементы контроля

Аудиторная работа
Групповой проект
Выполнение группового проекта предусматривает построение моделей анализа реальных данных, выявление регулярных выражений, построение аналитических срезов и фильтров, выделение корреляций между срезами, отображение взаимосвязей и визуализацию итогов анализа в BI системе
Экзамен
Экзаменационная работа представляет из себя тест с вопросами закрытого типа. Форма экзамена: Экзамен проводится в письменной форме. Платформа проведения: Экзамен проводится на платформе Canvas LMS. Для участия в экзамене студент обязан: Не позднее 7 дней до проведения экзамена проверить работоспособность компьютерного оборудования, необходимого для сдачи экзамена и убедиться в соответствие имеющегося оборудования требованиям к компьютеру для участия в экзамене на платформе Canvas LMS; Войти на платформу Canvas LMS под личной учетной записью (используется аккаунт студента @edu.hse.ru); Перед началом экзамена проверить скорость работы сети Интернет (для наилучшего результата рекомендуется подключение компьютера к сети через кабель); Подготовить необходимые для проведения экзамена инструменты: ручка, листы бумаги, калькулятор и т. д.; Отключить в диспетчере задач компьютера иные приложения, кроме браузера, в котором будет выполняться вход на платформу Canvas LMS. В случае, если одно из необходимых условий участия в экзамене невозможно выполнить, необходимо за 2 недели до даты проведения экзамена проинформировать об этом преподавателя или сотрудника учебного офиса для принятия решения об участии студента в экзаменах. Во время экзамена студентам запрещено: Пользоваться конспектами, учебниками, прочими учебными материалами; Покидать место выполнения экзаменационного задания; Пользоваться умными гаджетами (смартфон, планшет и др.); Привлекать посторонних лиц для помощи в проведении экзамена, разговаривать с посторонними во время выполнения заданий; Вслух громко зачитывать задания. Во время экзамена студентам разрешено: Использовать бумагу, ручку для ведения записей, расчетов; Использовать калькулятор для ведения расчетов; Запрашивать у преподавателя дополнительную информацию, связанную с выполнением экзаменационного задания; Взаимодействовать с другими студентами по разрешению преподавателя. В случае долговременного нарушения связи с платформами MS Teams и Canvas LMS во время выполнения экзаменационного задания, студент должен уведомить об этом преподавателя, зафиксировать факт потери связи с платформой (скриншот, ответ от провайдера сети Интернет) и обратиться в учебный офис с объяснительной запиской о случившемся для принятия решения о пересдаче экзамена

Промежуточная аттестация

2022/2023 учебный год 2 модуль
0.1 * Аудиторная работа + 0.3 * Экзамен + 0.6 * Групповой проект

Список литературы

Авторы

Бекларян Армен Левонович

Программа дисциплины