Машинное обучение и анализ больших данных

Магистратура 2023/2024

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

Статус: Курс по выбору (Управление цифровым продуктом)

Направление: 38.04.05. Бизнес-информатика

Кто читает: Департамент бизнес-информатики

Где читается: Высшая школа бизнеса

Когда читается: 2-й курс, 2 модуль

Формат изучения: с онлайн-курсом

Онлайн-часы: 20

Охват аудитории: для своего кампуса

Преподаватели: Бекларян Армен Левонович

Прогр. обучения: Управление цифровым продуктом

Язык: русский

Кредиты: 3

Контактные часы: 24

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Настоящая дисциплина относится к вариативной части дисциплин программы "Управление цифровым продуктом" и направлен на формирование комплексного понимания современных технологий искусственного интеллекта и их практического применения в бизнесе.В рамках курса студенты познакомятся с ключевыми концепциями машинного обучения и глубокого обучения, освоят принципы работы с данными в ИИ-проектах, изучат классические и современные методы машинного обучения. Особое внимание уделяется практическим аспектам применения технологий искусственного интеллекта в бизнес-контексте.Курс сочетает теоретическую подготовку с практическим освоением инструментов и методов управления AI-проектами. Студенты научатся оценивать эффективность ИИ-решений и принимать обоснованные решения при внедрении технологий искусственного интеллекта в бизнес-среде.

Цель освоения дисциплины

Целью освоения дисциплины "Машинное обучение и анализ больших данных" является обучение студентов базовым навыкам использования машинного обучения и анализа данных и пониманию принципов реализации проектов, использующих технологии машинного обучения и ИИ при создании и развитии цифровых продуктов.

Планируемые результаты обучения

Объясняет основы математики для анализа данных
Формулирует основные постановки задач и типы данных в машинном обучении
Применяет методы и модели решающих деревьев, простых нейронных сетей, xgboost, метода опорных векторов и демонстрирует навык их обучения
Описывает основные концепции и методы машинного обучения, применяемые при решении классификационных и регрессионных задач
Применяет методы кластеризации данных, сингулярного разложения, фактор-анализа, главных компонент
Объясняет основные подходы к построению моделей обучения с подкреплением
Описывает основные концепции нейронных сетей и методы их обучения в задачах анализа неструктурированных данных
Применяет основные используемые методы обработки текстов, изображений и видео
Оценивает применимости ИИ и ML-технологий для решения конкретных бизнес-задач.
Формулирует требования к данным для ИИ и ML-проектов.
Разрабатывает стратегии сбора и подготовки данных для машинного обучения.
Выбирает оптимальные методы и алгоритмы машинного обучения под специфику задачи.
Применяет понимание принципы работы и области применимости классических неглубоких моделей машинного обучения.
Применяет понимание принципов работы и области применения в бизнес-задачах глубоких моделей машинного обучения при обработке не структурированных данных.
Применяет понимание принципов и возможности применение методов векторного представления данных для бизнес-задач.
Применяет понимание принципов обработки текстов на естественном языке с помощью моделей глубокого обучения и больших языковых моделей и области применения этих решений в бизнес-задачах
Оценивает качество и эффективность ML-моделей.
Оценивает качество и эффективность моделей глубокого обучения.
Управляет жизненным циклом ИИ-проекта.
Применяет принципы формирования команды ИИ-проекта.

Содержание учебной дисциплины

Основы машинного обучения и больших данных
Обучение с учителем
Обучение без учителя
Неструктурированные данные

Элементы контроля

Экзамен
Экзаменационная работа представляет из себя тест с вопросами закрытого типа. Форма экзамена: Экзамен проводится в письменной форме. Платформа проведения: Экзамен проводится на платформе Canvas LMS. Для участия в экзамене студент обязан: Не позднее 7 дней до проведения экзамена проверить работоспособность компьютерного оборудования, необходимого для сдачи экзамена и убедиться в соответствие имеющегося оборудования требованиям к компьютеру для участия в экзамене на платформе Canvas LMS; Войти на платформу Canvas LMS под личной учетной записью (используется аккаунт студента @edu.hse.ru); Перед началом экзамена проверить скорость работы сети Интернет (для наилучшего результата рекомендуется подключение компьютера к сети через кабель); Подготовить необходимые для проведения экзамена инструменты: ручка, листы бумаги, калькулятор и т. д.; Отключить в диспетчере задач компьютера иные приложения, кроме браузера, в котором будет выполняться вход на платформу Canvas LMS. В случае, если одно из необходимых условий участия в экзамене невозможно выполнить, необходимо за 2 недели до даты проведения экзамена проинформировать об этом преподавателя или сотрудника учебного офиса для принятия решения об участии студента в экзаменах. Во время экзамена студентам запрещено: Пользоваться конспектами, учебниками, прочими учебными материалами; Покидать место выполнения экзаменационного задания; Пользоваться умными гаджетами (смартфон, планшет и др.); Привлекать посторонних лиц для помощи в проведении экзамена, разговаривать с посторонними во время выполнения заданий; Вслух громко зачитывать задания. Во время экзамена студентам разрешено: Использовать бумагу, ручку для ведения записей, расчетов; Использовать калькулятор для ведения расчетов; Запрашивать у преподавателя дополнительную информацию, связанную с выполнением экзаменационного задания; Взаимодействовать с другими студентами по разрешению преподавателя. В случае долговременного нарушения связи с платформами MS Teams и Canvas LMS во время выполнения экзаменационного задания, студент должен уведомить об этом преподавателя, зафиксировать факт потери связи с платформой (скриншот, ответ от провайдера сети Интернет) и обратиться в учебный офис с объяснительной запиской о случившемся для принятия решения о пересдаче экзамена
Групповой проект
Выполнение группового проекта предусматривает построение моделей анализа реальных данных, выявление регулярных выражений, построение аналитических срезов и фильтров, выделение корреляций между срезами, отображение взаимосвязей и визуализацию итогов анализа в BI системе
Аудиторная работа

Промежуточная аттестация

2023/2024 учебный год 2 модуль
0.1 * Аудиторная работа + 0.6 * Групповой проект + 0.3 * Экзамен

Список литературы

Авторы

Бекларян Армен Левонович
Яковлева Наталия Вадимовна

Программа дисциплины