Прикладные аспекты машинного обучения

Магистратура 2023/2024

Статус: Курс обязательный

Направление: 38.04.05. Бизнес-информатика

Кто читает: Кафедра информационных технологий в бизнесе (Пермь)

Где читается: Факультет экономики (Пермь)

Когда читается: 2-й курс, 2, 3 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Гарафутдинов Роберт Викторович

Прогр. обучения: Информационная аналитика в управлении предприятием

Язык: русский

Кредиты: 6

Контактные часы: 28

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Машинное обучение – это область знаний, позволяющая автоматически находить зависимости в данных. Такая технология позволяет решать различные задачи без явного программирования правил. Благодаря развитию вычислительной техники и самой области, в последнее десятилетие машинное обучение стало неотъемлемой частью самых разных продуктов – от веб-сервисов до банков. В рамках данного курса студенты рассмотрят основные концепции машинного обучения и попрактикуются в применении методов машинного обучения для решения бизнес-задач. Рассматриваются популярные методы машинного обучения, такие как ансамбли, алгоритмы прогнозирования временных рядов и нейронные сети.

Цель освоения дисциплины

Целью освоения дисциплины «Прикладные аспекты машинного обучения» является развитие у студентов навыков применения методов и решения задач искусственного интеллекта и машинного обучения с использованием современных подходов, технологий и инструментальных средств (на примере языка программирования Python и его библиотек).

Планируемые результаты обучения

• способен определять проблему, для решения которой применимо машинное обучение
• способен определять задачи классификации, регрессии и кластеризации
• способен строить модели для решения этих задач на заданном наборе данных
• способен использовать различные алгоритмы для решения этих задач и подбирать наиболее подходящий в рамках конкретной задачи
• способен определить подходящую метрику качества модели машинного обучения
• способен применять ансамблирование и бустинг для повышения точности моделей
• способен выявлять и недообучение и переобучение
• способен спроектировать и обучить нейронную сеть на заданном наборе данных
• способен моделировать и прогнозировать временные ряды
• способен применять ансамблирование и другие техники повышения точности моделей
• способен решать задачи обработки текстов и временных рядов с помощью классических методов машинного обучения
• способен спроектировать и обучить полносвязную нейронную сеть прямого распространения для решений задач регрессии и классификации на заданном наборе данных
• способен использовать специальные архитектуры нейронных сетей для решения задач обработки изображений, текстов и временных рядов