Искусственный интеллект и машинное обучение

2023/2024

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

Лучший по критерию «Новизна полученных знаний»

Статус: Маго-лего

Кто читает: Департамент права цифровых технологий и биоправа

Когда читается: 2, 3 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 6

Контактные часы: 48

Полная версия программы учебной дисциплины

Аннотация

Этот курс поможет студентам освоить современные и классические способы решения бизнес-задач на основе алгоритмов машинного обучения. После окончания курса студенты смогут использовать машинное обучение для решения задач по анализу данных. — Проблема искусственного интеллекта — Основания: логика, алгоритмы, сложность вычислений — Рекомендательные системы — Метод опорных векторов — Байесовские методы машинного обучения — Задачи кластеризации

Цель освоения дисциплины

Студенты должны освоить современные и классические способы решения бизнес-задач на основе алгоритмов машинного обучения, научиться использовать нейронные сети для решения задач по анализу данных

Планируемые результаты обучения

умение подготовить данные для решения задач NLP
Применять NLP-библиотеки и инструменты для обработки текстов
Автоматизировать рабочий процесс машинного обучения с использованием конвейера
Оценивать результаты и интерпретировать выводы, полученные при анализе текстов с помощью NLP
Применять базовые методы NLP для обработки данных
Использовать методы извлечения именованных сущностей
Работать со статистическими метриками и описательной статистикой
Использовать алгоритмы классификации, регрессии и кластеризации для различных задач
Реализовывать различные подходы машинного обучения с учетом имеющихся данных
Применять тематические модели для выявления скрытых тематик в текстовых данных и использовать их для анализа и классификации документов.
Визуализировать и интерпретировать результаты тематических моделей и анализа тональности.
Использовать готовые модели и обучать собственные
Оценивать качество моделей обучения
Применять методы оптимизации и решать проблемы переобучения.
Применять алгоритмы машинного обучения для разработки моделей языка и генеративных моделей в области NLP.
Проводить предварительную обработку текста с использованием соответствующих инструментов и библиотек, для подготовки текстовых данных к обучению моделей генерации текста.
Оценивать и улучшать качество генерируемых текстов.

Содержание учебной дисциплины

Раздел 1. Введение в машинное обучение и обработку естественного языка (NLP)
Раздел 2. Сбор, очистка и обработка данных
Раздел 3. Применение статистики в ML и визуализация данных. Методы машинного обучения
Раздел 4. Тематическое моделирование и анализ тональности
Раздел 5. Основы нейронных сетей. Архитектуры нейронных сетей , часть 1: CNN, RNN, LSTM
Раздел 6. Архитектуры нейронных сетей , часть 2: Transformer, BERT, RoBERTa, GPT. Генерация юридических текстов и автоматизированное составление документов с помощью NLP

Элементы контроля

Проектное задание
Результатом работы студента должна являться ссылка на блокнот в Google Colab. Название файла должно содержать номер группы, фамилию, имя и название занятия. Перед отправкой выставляются настройки доступа к документу: «Поделиться», раздел «Общий доступ», «Все, у кого есть ссылка», уровень доступа «Комментатор». Далее отправляется ссылка на файл с проектом в форму в LMS. Преподаватель в течение недели оставляет обратную связь на выполненную работу.
Итоговое задание
Результатом работы студента должна являться ссылка на блокнот в Google Colab. Название файла должно содержать номер группы, фамилию, имя и название занятия. Перед отправкой выставляются настройки доступа к документу: «Поделиться», раздел «Общий доступ», «Все, у кого есть ссылка», уровень доступа «Комментатор». Далее отправляется ссылка на файл с проектом в форму в LMS. Ссылка на файл с заданием отправляется в форму в LMS за неделю до заключительного вебинара. Преподаватель в течение недели смотрит выполненные работы, а затем на заключительном вебинаре заслушивает доклады проектов. Доклад должен быть представлен в виде демонстрации блокнота по ключевым аспектам.

Промежуточная аттестация

2023/2024 учебный год 3 модуль
0.5 * Итоговое задание + 0.5 * Проектное задание

Программа дисциплины