Машинное обучение

2023/2024

Статус: Дисциплина общефакультетского пула

Кто читает: Департамент больших данных и информационного поиска

Когда читается: 3, 4 модуль

Охват аудитории: для своего кампуса

Преподаватели: Коган Александра Сергеевна, Нарцев Андрей Дмитриевич, Рыжиков Артём Сергеевич

Язык: русский

Кредиты: 6

Контактные часы: 64

Полная версия программы учебной дисциплины

Аннотация

Курс "Машинное обучение" посвящен разбору классических алгоритмов машинного обучения (от линейной регрессии до композиций алгоритмов) и введению в глубинное обучение. 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 3 курса математического факультета. Курс читается во втором 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 теоретические основы линейных, логических и нейросетевых методов машинного обучения.
Уметь выполнять полный цикл построения модели.
Уметь обучать основные модели машинного обучения, оценивать их качество.

Планируемые результаты обучения

Знает основные понятия и постановки задач машинного обучения.
Умеет выполнять кластеризацию и визуализацию данных.
Знает основные метрики качества для регрессии и классификации.
Знает принципы построения композиций моделей.

Содержание учебной дисциплины

Введение в машинное обучение.
Метод k-ближайших соседей для классификации и регрессии.
Линейная регрессия.
Линейная регрессия и градиентный спуск.
Линейная классификация.
Логистическая регрессия. Метод опорных векторов.
Проверка качества ML-моделей.
Многоклассовая классификация.
Решающие деревья.
Композиции моделей: бэггинг и бустинг.
Градиентный бустинг.
Ранжирование.
Кластеризация.
Отбор признаков. Методы снижения размерности.
Машинное обучение в прикладных задачах.

Элементы контроля

Домашнее задание
Проверочная работа
Несколько несложных теоретических вопросов, будут выдаваться в начале некоторых лекций (предупреждение о том, что на лекции планируется проверочная работа, будет за неделю).
Контрольная работа
Проводится после первого модуля, по структуре аналогична экзамену.
Экзамен

Промежуточная аттестация

2023/2024 4th module
0.4 * Домашнее задание + 0.2 * Контрольная работа + 0.1 * Проверочная работа + 0.3 * Экзамен

Программа дисциплины