Научно-исследовательский семинар "Прикладные задачи анализа данных"

Магистратура 2022/2023

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 обязательный (Машинное обучение и высоконагруженные системы)

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 2-й курс, 1 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Гущин Михаил Иванович, Кантонистова Елена Олеговна, Рябинин Максим Константинович, Садртдинов Ильдус Рустемович, Цвигун Аким Олегович

Прогр. обучения: Машинное обучение и высоконагруженные системы

Язык: русский

Кредиты: 3

Контактные часы: 14

Полная версия программы учебной дисциплины

Аннотация

Курс посвящен расширению кругозора обучающихся в области машинного и глубинного обучения. На курсе изучаются различные приложения анализа данных, которые, как правило, не входят в программы других дисциплин цикла. Среди изучаемых на курсе тем: поиск аномалий в данных, обзор алгоритмов построения рекомендаций, EM-алгоритм, нормализационные потоки и другие приложения

Цель освоения дисциплины

Расширение кругозора и компетенций слушателей в области анализа данных.

Планируемые результаты обучения

Слушатели вспомнят основные статистические подходы к поиску аномалий, а также узнают и применят на практике алгоритмы нахождения выбросов с помощью машинного обучения.
Студенты узнают о подходах из линейной алгебры и машинного обучения для построения рекомендательных систем.
Студенты ознакомятся с графовым подходом для решения задачи кластеризации, в частности, освоят спектральную кластеризацию. Также поговорят про метрики качества кластеризации.
Студенты узнают, как устроен EM-алгоритм и как он применяется для мягкой кластеризации.
Студенты узнают, в чем заключается подход автоматизированного машинного обучения и применят AutoML для решения практической задачи.
Студенты освоят алгоритмы машинного обучения для быстрого поиска соседей и применят их для решения практических задач.
Студенты узнают, как работают нормализационные потоки и в чем они принципиально отличаются от вариационных автокодировщиков и генеративных моделей.