2023/2024

Анализ данных и машинное обучение

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

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

Статус: Маго-лего

Кто читает: Департамент информатики

Когда читается: 1-3 модуль

Онлайн-часы: 10

Охват аудитории: для своего кампуса

Преподаватели: Суворова Алёна Владимировна

Язык: русский

Кредиты: 9

Контактные часы: 72

Программа дисциплины

Аннотация

Дисциплина направлена на изучение студентами основных принципов машинного обучения, эффективных алгоритмов обучения и применения обученных моделей. В результате изучения дисциплины у студента будет сформировано представление об основных задачах, решаемых с помощью моделей машинного обучения, как в области анализа пользователей информационных систем, так и при построение сервисов и приложений, основанных на данных.

Цель освоения дисциплины

• изучение основных принципов машинного обучения и построение моделей для решения задач автоматизации и анализа пользователей

Планируемые результаты обучения

• Выделяет подгруппы пользователей с помощью инструментов анализа данных
• Выделяет правила из данных методами машинного обучения
• Выявляет смещения (bias) в моделях
• Знает основные понятия машинного обучения
• Интерпретирует результаты предсказания
• Интерпретирует результаты статистического анализа с учетом ограничений использованных методов
• Обосновывает выбор методов и инструментария для проверки гипотез
• Применяет основные конструкции языка Python и библиотек для анализа данных
• Строит ансамблевые модели на языке Python
• Строит модели с применением методов интерпретируемого машинного обучения
• Строит предсказательные модели на языке Python
• Строит регрессионные модели, оценивает различные типы эффектов
• Строит нейросетевые модели
• Проектирует системы с использованием машинного обучения

Содержание учебной дисциплины

• Введение, основные понятия анализа данных, анализ данных в HCI
• Выводы на основе данных
• Сегментация данных
• Предсказания на основе данных. Классификация и регрессия
• Сложные модели и их применение
• Проектирование систем, использующих машинное обучение

Элементы контроля

• Онлайн-курс
  Для закрепления навыков по работе с задачами по статистике студентам предлагается выполнить упражнения из онлайн-курса. Источник упражнений определяется преподавателем (по умолчанию -- курс "Основы статистики"), но может быть изменен студентом по согласованию с преподавателем (например, если содержание предложенного курса уже пройдено студентом).
• Экзамен 1
• Эссе
  Структурированное эссе по одной из статей, связанных с методологией или применением A/B тестирования. Статья выбирается из предложенного преподавателем списка или самостоятельно студентом по согласованию с преподавателем.
• Проект
  Проект по анализу данных на датасете по выбору студента. Задача зависит от выбранного датасета (например, предсказание показателя, выявление факторов, сегментация)
• Дневники проекта
  Результаты выполнения заданий по темам курса на индивидуальных данных итогового проекта
• Упражнения
  Для закрепления навыков по работе с инструментарием студентам предлагается выполнить упражнения по работе на языке Python. Источник упражнений определяется преподавателем (по умолчанию -- задания из скриптов лабораторных работ), но может быть изменен студентом по согласованию с преподавателем (например, если студент уже имеет опыт работы с инструментарием).
• Домашнее задание
  Проектирование информационной системы с моделями машинного обучения
• Экзамен 2
  Письменный экзамен с теоретическими и практическими вопросами по материалам курса

Промежуточная аттестация

• 2023/2024 учебный год 1 модуль
  0.2 * Онлайн-курс + 0.3 * Упражнения + 0.25 * Экзамен 1 + 0.25 * Эссе
• 2023/2024 учебный год 3 модуль
  0.35 * Дневники проекта + 0.15 * Домашнее задание + 0.25 * Проект + 0.1 * Упражнения + 0.15 * Экзамен 2

Список литературы

Рекомендуемая основная литература

• Trevor Hastie, Robert Tibshirani , et al., The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edition, 2017. Free from the publisher: https://web.stanford.edu/~hastie/ElemStatLearn/printings/ESLII_print12.pdf
• Интерпретируемое машинное обучение на Python: Пер. с англ. - 978-5-9775-1735-5 - Масис С. - 2023 - Санкт-Петербург: БХВ-Петербург - https://ibooks.ru/bookshelf/389646 - 389646 - iBOOKS
• Машинное обучение. Портфолио реальных проектов. . - 978-5-4461-1978-3 - Григорьев Алексей - 2023 - Санкт-Петербург: Питер - https://ibooks.ru/bookshelf/390208 - 390208 - iBOOKS
• Нарбут, В. В., Статистика: теория и практика = Statistics: Theory and Practice : учебник / В. В. Нарбут, Е. П. Шпаковская, В. Н. Салин. — Москва : КноРус, 2022. — 389 с. — ISBN 978-5-406-09450-1. — URL: https://book.ru/book/944515 (дата обращения: 27.08.2024). — Текст : электронный.
• Ростовцев, В. С. Искусственные нейронные сети / В. С. Ростовцев. — 3-е изд., стер. — Санкт-Петербург : Лань, 2023. — 216 с. — ISBN 978-5-507-46446-3. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/310184 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

• Herzog, M. H., Francis, G., & Clarke, A. (2019). Understanding Statistics and Experimental Design ; How to Not Lie with Statistics. Springer International Publishing. https://doi.org/10.1007/978-3-030-03499-3
• Molnar, C. (2018). iml: An R package for Interpretable Machine Learning. https://doi.org/10.5281/zenodo.1299058

Авторы

• Суворова Алёна Владимировна