Магистратура
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)
![Промежуточная аттестация](/f/src/global/i/edu/intermediate_certification.svg)
![Список литературы](/f/src/global/i/edu/library.svg)
Машинное обучение
Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Статус:
Курс обязательный (Прикладные модели искусственного интеллекта)
Направление:
01.04.02. Прикладная математика и информатика
Кто читает:
Департамент прикладной математики
Когда читается:
1-й курс, 1, 2 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Преподаватели:
Ермолаев Никита Дмитриевич,
Меркушов Дмитрий Владимирович,
Парпулов Дмитрий Андреевич,
Рыбаков Петр Владимирович
Прогр. обучения:
Прикладные модели искусственного интеллекта
Язык:
русский
Кредиты:
6
Контактные часы:
60
Программа дисциплины
Аннотация
Цель освоения дисциплины состоит в изучении основных методов и моделей машинного обучения и их практическом применении. Рассматриваются основные типы задач обучения с учителем и без: классификация, кластеризация, регрессия.
Цель освоения дисциплины
- Получение фундаментальных знаний основных понятий и постановки задач машинного обучения, алгоритмов их решения и оценки качества
- Получение практических навыков применения алгоритмов, обучения моделей и оценки их качества на реальных данных
Планируемые результаты обучения
- Понимание устройства градиентного бустинга над решающими деревьями
- Иметь представление о теоретических свойствах ансамблей моделей, полученных с помощью бустинга.
- Знание базовых алгоритмов решения задач машинного обучения, таких как классификация, регрессия
- Владеет основными подходами к оценке качества в задачах классификации и регрессии
- Знает основные понятия и постановки задач машинного обучения
- уметь оценивать параметры линейной регрессионной модели
- Интерпретировать задачу кластеризации. Применять на практике основные алгоритмы кластеризации (k-means и иерархические методы) и метод главных компонент (PCA).
- Владеет метриками качества линейной регрессии: MSE, MAE, R2.
- Знает основные алгоритмы NLP
- Способен обучить модели машинного обучения (линейные, случайный лес, градиентный бустинг, полносвязанные нейронные сети) или выполнить кластеризацию данных
Содержание учебной дисциплины
- Введение. Типы задач машинного обучения.
- Линейные модели регрессии
- Линейные модели классификации
- Метод главных компонент. Основы обработки естественного языка.
- Метод опорных векторов
- Рекомендательные системы. АВ тестирование.
- Решающие деревья
- Ансамблирование
- Современные модели градиентного бустинга
- Задача кластеризации
- Введение в нейросети
Промежуточная аттестация
- 2023/2024 учебный год 2 модуль0.3 * ДЗ + 0.1 * Квиз + 0.3 * Коллоквиум + 0.3 * Проект
Список литературы
Рекомендуемая основная литература
- Bell, J. (2015). Machine Learning : Hands-On for Developers and Technical Professionals. Indianapolis, Ind: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=872454
- Witten, I. H. et al. Data Mining: Practical machine learning tools and techniques. – Morgan Kaufmann, 2017. – 654 pp.
Рекомендуемая дополнительная литература
- Антонио, Д. Библиотека Keras – инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и TensorFlow / Д. Антонио, П. Суджит , перевод с английского А. А. Слинкин. — Москва : ДМК Пресс, 2018. — 294 с. — ISBN 978-5-97060-573-8. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/111438 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.