2022/2023

Анализ данных и машинное обучение

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

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

Статус: Маго-лего

Кто читает: Департамент информатики

Когда читается: 1, 2 модуль

Онлайн-часы: 10

Охват аудитории: для своего кампуса

Преподаватели: Суворова Алёна Владимировна

Язык: русский

Кредиты: 6

Контактные часы: 48

Программа дисциплины

Аннотация

Дисциплина направлена на изучение студентами основных принципов машинного обучения, эффективных алгоритмов обучения и применения обученных моделей. В результате изучения дисциплины у студента будет сформировано представление об основных задачах, решаемых с помощью моделей машинного обучения, как в области анализа пользователей информационных систем, так и при построение сервисов и приложений, основанных на данных.

Цель освоения дисциплины

• изучение основных принципов машинного обучения и построение моделей для решения задач автоматизации и анализа пользователей

Планируемые результаты обучения

• Выделяет подгруппы пользователей с помощью инструментов анализа данных
• Выделяет правила из данных методами машинного обучения
• Выявляет смещения (bias) в моделях
• Знает основные понятия машинного обучения
• Интерпретирует результаты предсказания
• Интерпретирует результаты статистического анализа с учетом ограничений использованных методов
• Обосновывает выбор методов и инструментария для проверки гипотез
• Применяет основные конструкции языка Python и библиотек для анализа данных
• Строит ансамблевые модели на языке Python
• Строит модели с применением методов интерпретируемого машинного обучения
• Строит предсказательные модели на языке Python

Содержание учебной дисциплины

• Введение, основные понятия анализа данных, инструментарий
• Выводы на основе данных: проверка гипотез и статистические тесты
• Сегментация данных
• Предсказания на основе данных. Классификация и регрессия
• Сложные модели и их применение.

Элементы контроля

• Экзамен
• Дневники проекта
  Результаты выполнения заданий по темам курса на индивидуальных данных итогового проекта
• Проект
  Проект по анализу данных на датасете по выбору студента. Задача зависит от выбранного датасета (например, предсказание показателя, выявление факторов, сегментация)
• Упражнения
  Для закрепления навыков по работе с инструментарием студентам предлагается выполнить упражнения по работе на языке Python. Источник упражнений определяется преподавателем (по умолчанию -- задания из скриптов лабораторных работ), но может быть изменен студентом по согласованию с преподавателем (например, если студент уже имеет опыт работы с инструментарием).
• Эссе
  Структурированное эссе по одной из статей, связанных с методологией или применением A/B тестирования. Статья выбирается из предложенного преподавателем списка или самостоятельно студентом по согласованию с преподавателем.
• Онлайн-курс
  Для закрепления навыков по работе с задачами по статистике студентам предлагается выполнить упражнения из онлайн-курса. Источник упражнений определяется преподавателем (по умолчанию -- курс "Основы статистики"), но может быть изменен студентом по согласованию с преподавателем (например, если содержание предложенного курса уже пройдено студентом).

Промежуточная аттестация

• 2022/2023 учебный год 2 модуль
  0.25 * Дневники проекта + 0.1 * Упражнения + 0.25 * Проект + 0.15 * Экзамен + 0.15 * Эссе + 0.1 * Онлайн-курс

Список литературы

Рекомендуемая основная литература

• James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.
• Trevor Hastie, Robert Tibshirani , et al., The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edition, 2017. Free from the publisher: https://web.stanford.edu/~hastie/ElemStatLearn/printings/ESLII_print12.pdf
• Вьюгин, В. В. Математические основы машинного обучения и прогнозирования : учебное пособие / В. В. Вьюгин. — Москва : МЦНМО, 2014. — 304 с. — ISBN 978-5-4439-2014-6. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/56397 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

• Ahmed, S. E. (2017). Big and Complex Data Analysis : Methodologies and Applications. Cham, Switzerland: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1383914
• Explainable and interpretable models in computer vision and machine learning. (2018). https://doi.org/10.1007/978-3-319-98131-4
• Molnar, C. (2018). iml: An R package for Interpretable Machine Learning. https://doi.org/10.5281/zenodo.1299058
• Provost, F., & Fawcett, T. (2013). Data Science for Business : What You Need to Know About Data Mining and Data-Analytic Thinking (Vol. 1st ed). Beijing: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=619895

Авторы

• Суворова Алёна Владимировна