Магистратура 2024/2025

Анализ данных и машинное обучение

Статус: Курс обязательный (Системный анализ и математические технологии)

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Департамент прикладной математики

Где читается: Московский институт электроники и математики им. А.Н. Тихонова

Когда читается: 1-й курс, 2, 3 модуль

Формат изучения: с онлайн-курсом

Онлайн-часы: 30

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Фимина Ксения Игоревна

Прогр. обучения: Системный анализ и математические технологии

Язык: русский

Кредиты: 6

Программа дисциплины

Аннотация

Целями освоения дисциплины являются овладение студентами моделями и методами интеллектуального анализа данных, машинного и глубинного обучения в задачах обработки и анализа данных, а также приобретение навыков исследователя данных (data scientist) и разработчика математических моделей, методов и алгоритмов анализа данных. Изучаются основные модели (линейные, метрические, логические), подходы к их обучению и методы обработки данных.

Цель освоения дисциплины

• Знакомство с основными методами машинного обучения в задачах классификации, кластеризации и регрессии.
• Опыт построения классических статистических моделей и моделей машинного обучения с использованием математического аппарата и инструментов анализа данных

Планируемые результаты обучения

• Освоение базовых понятий математической статистики
• Изучение современных методов анализа данных с использованием машинного и глубинного обучения, ИИ.
• Знакомство с Pandas, навык предобработки данных
• Знакомство с основными понятиями и терминологиями анализа данных
• Построение моделей классификации и регрессии на основе решающих деревьев и их комитетов
• Знакомство с методами кластеризации, навык построения моделей кластеризации

Содержание учебной дисциплины

• Описательный анализ данных. Корреляционный анализ.
• Сравнительный анализ.
• Дисперсионный анализ.
• Введение в машинное обучение.
• Решение задачи регрессии.
• Решение задачи классификации.
• Древовидные модели: деревья решений, случайный лес
• Ансамбли моделей Бэггинг, бустинг, градиентный бустинг
• Глубинное обучение.

Элементы контроля

• Коллоквиум
• Контрольная работа 3мод
• Контрольная работ 2мод
• Домашнее задание 2мод
• Домашнее задание 3мод
• Экзамен 3мод

Промежуточная аттестация

• 2024/2025 2nd module
  0.4 * Домашнее задание 2мод + 0.6 * Контрольная работ 2мод
• 2024/2025 3rd module
  0,4*Коллоквиум+0,4*Контрольная работа 3мод + 0,2*Домашнее задание 3мод

Список литературы

Рекомендуемая основная литература

• Python для сложных задач : наука о данных и машинное обучение, Плас, Дж. В., 2018

Рекомендуемая дополнительная литература

• Miroslav Kubat. (2017). An Introduction to Machine Learning (Vol. 2nd ed. 2017). Springer.

Авторы

• Крепкер Виктор Алексеевич
• Фимина Ксения Игоревна