Бакалавриат
2023/2024
Машинное обучение
Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Статус:
Курс по выбору (Экономика)
Направление:
38.03.01. Экономика
Где читается:
Факультет экономических наук
Когда читается:
4-й курс, 1, 2 модуль
Формат изучения:
с онлайн-курсом
Онлайн-часы:
50
Охват аудитории:
для своего кампуса
Преподаватели:
Болдырев Алексей Сергеевич,
Коган Александра Сергеевна,
Конюшенко Юлия Николаевна,
Корпачев Сергей Сергеевич,
Щукин Игорь Андреевич
Язык:
русский
Кредиты:
6
Контактные часы:
42
Программа дисциплины
Аннотация
Курс "Машинное обучение" посвящен разбору классических алгоритмов машинного обучения (от линейной регрессии до композиций алгоритмов). Также в курсе обсуждается работа с данными: очистка, нормализация, удаление выбросов. В ходе обучения студенты решают как теоретические задачи на бумаге, так и домашние задания с помощью Python, участвуют в соревнованиях.Курс является факультативным курсом для студентов 3го и 4го года обучения факультета экономических наук. Курс читается в первом семестре. Для углубления полученных на курсе знаний студенты имеют возможность посещать майнор аналогичной тематики. Пререквизитами являются знание основ высшей математики (математический анализ, линейная алгебра, теория вероятностей и основы математической статистики) и владение языком программирования Python хотя бы на среднем уровне.
Цель освоения дисциплины
- Знать основные модели и методы машинного обучения и разработки данных
- Уметь применять указанные модели и методы, а также программные средства, в которых они реализованы
- Владеть навыками анализа реальных данных с помощью изученных методов
Планируемые результаты обучения
- Знает основные метрики качества для регрессии и классификации
- Знает теоретические основы линейных и логических методов машинного обучения
- Умеет выполнять полный цикл построения модели
- Умеет обучать основные модели машинного обучения, оценивать их качества
- Владеть навыками анализа реальных данных с помощью изученных методов
- Владеть навыками анализа реальных данных с помощью изученных методов
- Знать основные модели и методы машинного обучения и разработки данных
- Уметь применять указанные модели и методы, а также программные средства, в которых они реализованы
Содержание учебной дисциплины
- Введение. Введение в машинное обучение
- Линейные методы регрессии.
- Линейные методы классификации.
- Метод опорных векторов. Нелинейные модели классификации.
- Обработка признаков и работа с выбросами
- Снижение размерности данных.
- Решающие деревья
- Композиции алгоритмов
- Метод опорных векторов
- Кластеризация и визуализация данных.
Промежуточная аттестация
- 2023/2024 учебный год 2 модуль0.35 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * МСР + 0.25 * Экзамен
Список литературы
Рекомендуемая основная литература
- 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
- Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.
Рекомендуемая дополнительная 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