Бакалавриат 2024/2025

Машинное обучение

Статус: Курс по выбору (Экономика)

Направление: 38.03.01. Экономика

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет экономических наук

Когда читается: 3-й курс, 1, 2 модуль

Формат изучения: с онлайн-курсом

Онлайн-часы: 50

Охват аудитории: для своего кампуса

Преподаватели: Болдырев Алексей Сергеевич

Язык: русский

Кредиты: 6

Контактные часы: 42

Программа дисциплины

Аннотация

Курс "Машинное обучение" посвящен разбору классических алгоритмов машинного обучения (от линейной регрессии до композиций алгоритмов). 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 3го и 4го года обучения факультета экономических наук. Курс читается в первом 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 основные модели и методы машинного обучения и разработки данных
• Уметь применять указанные модели и методы, а также программные средства, в которых они реализованы
• Владеть навыками анализа реальных данных с помощью изученных методов

Планируемые результаты обучения

• Знает основные метрики качества для регрессии и классификации
• Знает теоретические основы линейных и логических методов машинного обучения
• Умеет выполнять полный цикл построения модели
• Умеет обучать основные модели машинного обучения, оценивать их качества
• Владеть навыками анализа реальных данных с помощью изученных методов
• Владеть навыками анализа реальных данных с помощью изученных методов
• Знать основные модели и методы машинного обучения и разработки данных
• Уметь применять указанные модели и методы, а также программные средства, в которых они реализованы

Содержание учебной дисциплины

• Введение. Введение в машинное обучение
• Линейные методы регрессии.
• Линейные методы классификации.
• Метод опорных векторов. Нелинейные модели классификации.
• Обработка признаков и работа с выбросами
• Снижение размерности данных.
• Решающие деревья
• Композиции алгоритмов
• Метод опорных векторов
• Кластеризация и визуализация данных.

Элементы контроля

• Активность
  Активность на занятиях предусматривает участие в мини-тестах, которые проводятся на лекциях, если на них не запланирована другая форма текущего контроля.
• Самостоятельная работа
  На курсе предусмотрено 4 самостоятельных работы, рассчитанных на 15-20 минут. Работы размещаются на платформе SmartLMS и проводятся либо в конце, либо в начале лекции. Подробнее о дате, времени, точном количестве и темах заданий оповещает преподаватель не позднее, чем за неделю до активности.
• Контрольная работа
  Проводится после изучения темы “Словари” и содержит задания по пройденным темам. Длится 80 минут, проводится в SmartLMS.
• Проект и защита
  Выполняется в группах из 3 человек. Группу из 1-2 человек организовать можно, но только в исключительных случаях по согласованию с преподавателем.
• Экзамен

Промежуточная аттестация

• 2024/2025 2nd module
  0.1 * Активность + 0.2 * Контрольная работа + 0.3 * Проект и защита + 0.2 * Самостоятельная работа + 0.2 * Экзамен

Список литературы

Рекомендуемая основная литература

• Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning : Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008
• Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.

Рекомендуемая дополнительная литература

• Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705

Авторы

• Королева Анастасия Романовна
• Сапунова Алёна Сергеевна