2024/2025

Машинное обучение

Статус: Маго-лего

Кто читает: Департамент больших данных и информационного поиска

Когда читается: 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Бекларян Армен Левонович

Язык: русский

Кредиты: 6

Программа дисциплины

Аннотация

В рамках дисциплины "Машинное обучение" студенты имеют возможность ознакомится с теоретическими и методологическими основами в области методов и систем машинного обучения, а также с практическими навыками, необходимыми для внедрения и использования такого сорта систем.

Цель освоения дисциплины

• Формирование у студентов комплекса теоретических знаний и практических навыков аналитики данных и методологии CRISP-DM реализации проектов на базе машинного обучения.

Планируемые результаты обучения

• Адекватно оценивает корректность использования статистических методов, применяемых при формулировке и решении задач, владеет базовыми навыками анализа данных.
• Демонстрирует уверенное владение статистическим анализом данных с использованием Python и Jupyter.
• Корректно применяет ансамбли моделей Random Forest и Gradient Boosting в машинном обучении.
• Использует базовые метрики качества в задачах классификации, регрессии и кластеризации.
• Применяет методы классификации, регрессии и кластеризации для анализа данных.
• Оценивает корректность использования методов анализа данных, применяемых при решении исследовательских задач.
• Воспроизводит основные определения науки о данных, и оценивает направления применения анализа больших данных в различных областях.
• Оценивает специфику применения рекомендательных систем, соревновательных нейронных сетей и автокодировщиков.
• Воспроизводит базовые принципы применения нейронных сетей.
• Применяет сверточные и рекуррентные нейронные сети для анализа текста.
• Применяет методологию CRISP-DM для постановки задачи машинного обучения, выбирает метрику качества, обучает модель, подбирает гиперпараметры, проводит валидацию, обосновывает и интерпретирует модель в контексте бизнес ценности результата.

Содержание учебной дисциплины

• Что такое большие данные и аналитика данных?
• Введение в машинное обучение
• Практика работы с данными на основе задачи классификации, регрессии и кластеризации
• Ансамбли моделей в машинном обучении
• Нейронные сети

Элементы контроля

• Аудиторная работа
  Оценка за аудиторную работу выставляется на основе выполнения заданий после семинара
• Контрольное домашнее задание
  В рамках группового проекта студентам предлагается решить прикладную задачу на базе моделей машинного обучения, следуя методологии CRISP-DM.
• Экзамен
  Экзаменационная работа представляет из себя тест с вопросами закрытого типа по материалам курса

Промежуточная аттестация

• 2024/2025 2nd module
  0.25 * Аудиторная работа + 0.45 * Контрольное домашнее задание + 0.3 * Экзамен

Список литературы

Рекомендуемая основная литература

• 9781789958294 - Raschka, Sebastian; Mirjalili, Vahid - Python Machine Learning : Machine Learning and Deep Learning with Python, Scikit-learn, and TensorFlow 2, 3rd Edition - 2019 - Packt Publishing - http://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=2329991 - nlebk - 2329991
• Aman Kedia, & Mayank Rasu. (2020). Hands-On Python Natural Language Processing : Explore Tools and Techniques to Analyze and Process Text with a View to Building Real-world NLP Applications. Packt Publishing.
• Haroon, D. (2017). Python Machine Learning Case Studies : Five Case Studies for the Data Scientist. [Berkeley, CA]: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1623520
• Python для сложных задач: наука о данных и машинное обучение - 978-5-496-03068-7 - Плас Дж. Вандер - 2018 - Санкт-Петербург: Питер - https://ibooks.ru/bookshelf/356721 - 356721 - iBOOKS
• Sarkar, D., Bali, R., & Sharma, T. (2018). Practical Machine Learning with Python : A Problem-Solver’s Guide to Building Real-World Intelligent Systems. [United States]: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1667293
• Yang, X.-S. (2019). Introduction to Algorithms for Data Mining and Machine Learning. Academic Press.
• Интеллектуальные системы : учебник и практикум для бакалавриата и магистратуры, Кудрявцев, В. Б., 2017
• Кудрявцев, В. Б.  Интеллектуальные системы : учебник и практикум для вузов / В. Б. Кудрявцев, Э. Э. Гасанов, А. С. Подколзин. — 2-е изд., испр. и доп. — Москва : Издательство Юрайт, 2021. — 165 с. — (Высшее образование). — ISBN 978-5-534-07779-7. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/471014 (дата обращения: 27.08.2024).
• Шарден, Б. Крупномасштабное машинное обучение вместе с Python : учебное пособие / Б. Шарден, Л. Массарон, А. Боскетти , перевод с английского А. В. Логунова. — Москва : ДМК Пресс, 2018. — 358 с. — ISBN 978-5-97060-506-6. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/105836 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

• Aurélien Géron. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow : Concepts, Tools, and Techniques to Build Intelligent Systems: Vol. Second edition. O’Reilly Media.
• Nandy, A., & Biswas, M. (2018). Reinforcement Learning : With Open AI, TensorFlow and Keras Using Python. [Berkeley, CA]: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1651811
• Груздев, А. В. Прогнозное моделирование в IBM SPSS Statistics, R и Python: метод деревьев решений и случайный лес : руководство / А. В. Груздев. — Москва : ДМК Пресс, 2018. — 642 с. — ISBN 978-5-97060-539-4. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/123700 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Подкорытова, О. А.  Анализ временных рядов : учебное пособие для вузов / О. А. Подкорытова, М. В. Соколов. — 2-е изд., перераб. и доп. — Москва : Издательство Юрайт, 2021. — 267 с. — (Высшее образование). — ISBN 978-5-534-02556-9. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/469322 (дата обращения: 27.08.2024).
• Рашка, С. Python и машинное обучение: крайне необходимое пособие по новейшей предсказательной аналитике, обязательное для более глубокого понимания методологии машинного обучения : руководство / С. Рашка , перевод с английского А. В. Логунова. — Москва : ДМК Пресс, 2017. — 418 с. — ISBN 978-5-97060-409-0. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100905 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Станкевич, Л. А.  Интеллектуальные системы и технологии : учебник и практикум для вузов / Л. А. Станкевич. — Москва : Издательство Юрайт, 2021. — 397 с. — (Высшее образование). — ISBN 978-5-534-02126-4. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/469517 (дата обращения: 27.08.2024).
• Статистика. В 2 ч. Часть 1 : учебник и практикум для вузов / В. С. Мхитарян [и др.] ; под редакцией В. С. Мхитаряна. — 2-е изд., перераб. и доп. — Москва : Издательство Юрайт, 2021. — 249 с. — (Высшее образование). — ISBN 978-5-534-09353-7. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/475170 (дата обращения: 27.08.2024).
• Статистика. В 2 ч. Часть 2 : учебник и практикум для вузов / В. С. Мхитарян, Т. Н. Агапова, С. Д. Ильенкова, А. Е. Суринов ; под редакцией В. С. Мхитаряна. — 2-е изд., перераб. и доп. — Москва : Издательство Юрайт, 2021. — 270 с. — (Высшее образование). — ISBN 978-5-534-09357-5. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/475171 (дата обращения: 27.08.2024).

Авторы

• Яковлева Илона Александровна