Бакалавриат
2023/2024![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)
![Элементы контроля](/f/src/global/i/edu/controls.svg)
![Промежуточная аттестация](/f/src/global/i/edu/intermediate_certification.svg)
![Список литературы](/f/src/global/i/edu/library.svg)
Научно-исследовательский семинар "Машинное обучение и приложения 2"
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
Где читается:
Факультет компьютерных наук
Когда читается:
4-й курс, 1-3 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
5
Контактные часы:
48
Программа дисциплины
Аннотация
Данный семинар является одной из форм организации научно-исследовательской деятельности студентов специализации “Машинноеобучение и приложения”. На нём в течение года под руководством преподавателей студентам предлагается делать обзорные доклады на различные темы, связанные с машинным обучением. Семинар призван способствовать расширению научного кругозора студентов и развитию 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. * Рецензирование докладов 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.
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 готовить и проводить выступление с докладом на научную тему, а также вести дискуссию по материалам доклада.
- Уметь писать научные тексты.
- Уметь самостоятельно выбирать и изучать современные научные статьи, находить релевантную литературу.
Содержание учебной дисциплины
- Приглашенные доклады.
- Выступления студентов с научными докладами.
- Научные тексты и их оформление.
Элементы контроля
- ДокладыТри раза в год студент выступает с докладом по научной статье в одной из трех ролей - докладчик, исследователь или хакер. Докладчик готовит рассказ о содержании статьи на 20 минут с презентацией и представляет его на занятии. Исследователь подробно изучает контекст статьи, анализирует как данная работа встраивается в существующую научную реальность (что было до, что случилось после, на какие работы опирается эта статья) и готовит об этом выступление на 15-20 минут. Хакер работает с кодом, ставит эксперименты по мотивам статьи, или готовит игрушечный пример, иллюстрирующий идеи и находки статьи. По результатам своей работы готовит ноутбук (с комментариями и выводами) и представляет основные результаты на занятии. В течении года каждый студент один раз выступает докладчиком, один раз исследователем или хакером и третий раз ему распределяется случайная роль (докладчик или исследователь/хакер). Темы выступлений распределяются заранее преподавателями с учетом интересов студентов. Минимум за неделю до даты выступления выступающие должны прислать краткий план своего доклада преподавателю на согласование, а сразу после выступления - все материалы (презентации и ноутбуки).
- ПроверочныеПосле каждого занятия студентам будет выдаваться небольшая проверочная работа, содержащая по одному вопросу на каждый доклад. В течение года студенту нужно написать ответы по половину вопросов (то есть можно выбирать на какие темы писать проверочные, а на какие нет). При этом если студент напишет больше ответов, то в его оценку будут засчитываться максимальные оценки.
- РецензииНа каждый доклад трое одногруппников докладчиков, присутствовавшие на занятии, пишут короткую рецензию на выступление. Рецензия должна обосновывать выставленную оценку, содержать описание положительных и отрицательных сторон, а также предложения по улучшению доклада. Главная цель рецензии - помочь докладчику улучшить свои навыки.
Промежуточная аттестация
- 2023/2024 учебный год 3 модуль0.6 * Доклады + 0.3 * Проверочные + 0.1 * Рецензии
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
- Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль , перевод с английского А. А. Слинкина. — 2-е изд. — Москва : ДМК Пресс, 2018. — 652 с. — ISBN 978-5-97060-618-6. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/107901 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
Рекомендуемая дополнительная литература
- James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.