Магистратура 2024/2025

Машинное обучение 1

Статус: Курс по выбору (Современные компьютерные науки)

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Базовая кафедра Яндекс

Где читается: Факультет компьютерных наук

Когда читается: 1-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Прогр. обучения: Современные компьютерные науки

Язык: русский

Кредиты: 6

Программа дисциплины

Аннотация

Курс посвящён изучению основных методов машинного обучения. Изучаемые темы можно разбить на три блока. Первый — работа с данными и предварительный анализ данных. Изучаются библиотеки языка Python для работы с табличными данными и для визуализации, обсуждаются методы предобработки данных, подготовки категориальных и текстовых данных. Второй блок — обучение с учителем. Изучаются линейные модели, решающие деревья, композиции моделей (случайный лес, градиентный бустинг и его имплементации), приложения в рекомендательных системах. Третий блок — обучение без учителя. Изучаются методы кластеризации, визуализации, понижения размерности. Все темы сопровождаются практикой на реальных данных. По итогам курса слушатель сможет сформулировать задачу машинного обучения, выбрать метрику качества, обучить модель, подобрать гиперпараметры, провести валидацию.

Цель освоения дисциплины

• Знает основные понятия и постановки задач машинного обучения
• Знает теоретические основы линейных и логических методов машинного обучения
• Знает принципы построения композиций моделей
• Знает основные метрики качества для регрессии и классификации
• Умеет выполнять полный цикл построения модели
• Умеет обучать основные модели машинного обучения, оценивать их качества
• Умеет выполнять кластеризацию и визуализацию данных

Планируемые результаты обучения

• Знает основные метрики качества для регрессии и классификации
• Знает основные понятия и постановки задач машинного обучения
• Знает принципы построения композиций моделей
• Знает теоретические основы линейных и логических методов машинного обучения
• Умеет выполнять кластеризацию и визуализацию данных
• Умеет выполнять полный цикл построения модели
• Умеет обучать основные модели машинного обучения, оценивать их качества

Содержание учебной дисциплины

• Введение в машинное обучение и анализ данных
• Линейные модели
• Решающие деревья
• Композиции моделей
• Обучение без учителя
• Подготовка данных
• Рекомендательные системы

Элементы контроля

• Домашние задания 1-5
• Лабораторные работы 1-5

Промежуточная аттестация

• 2024/2025 2nd module
  0.5 * Домашние задания 1-5 + 0.5 * Лабораторные работы 1-5

Список литературы

Рекомендуемая основная 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
• 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

Рекомендуемая дополнительная литература

• Stephen Boyd, Lieven Vandenberghe, & Lieven V. (2015). Additional Exercises for Convex Optimization. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.E7445CE1

Авторы

• Соколов Евгений Андреевич
• Фисенко Анна Сергеевна