Магистратура 2021/2022

Современные методы принятия решений

Лучший по критерию «Новизна полученных знаний»

Статус: Курс обязательный

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Департамент информатики

Где читается: Санкт-Петербургская школа физико-математических и компьютерных наук

Когда читается: 1-й курс, 4 модуль

Формат изучения: с онлайн-курсом

Онлайн-часы: 12

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Суворова Алёна Владимировна

Прогр. обучения: Информационные системы и взаимодействие человек-компьютер

Язык: русский

Кредиты: 4

Контактные часы: 36

Программа дисциплины

Аннотация

Дисциплина направлена на формирование теоретических знаний о математических методах поиска и анализа данных для принятия и реализации решений, включая методы оптимизации, ранжирования, выбора, вероятностного моделирования и обучения с подкреплением. В результате изучения дисциплины у студента будет сформировано представление о математических подходах к разработке и исследованию методов анализа и принятия решений. Для освоения дисциплины необходимы знания языка программирования Python и основ машинного обучения.

Цель освоения дисциплины

• формирование теоретических знаний о математических методах поиска и анализа данных для принятия и реализации решений, включая методы оптимизации, ранжирования, выбора, вероятностного моделирования и обучения с подкреплением

Планируемые результаты обучения

• знает основные понятия теории принятия решения
• использует методы поддержки принятия решений для оценки шансов и выбора оптимальных стратегий
• оценивает качество моделей принятия решений
• строит вероятностные графические модели для поддержки принятия решений
• строит модели ранжирования
• формулирует рекомендации в предметной области по результатам моделирования

Содержание учебной дисциплины

• Введение, основные понятия теории принятия решений
• Выбор и ранжирование
• Вероятностные графические модели
• Обучение с подкреплением

Элементы контроля

• Домашнее задание 1
  На предоставленных преподавателем данных построить модель ранжирования любым алгоритмом, описать выбранный алгоритм и оценить качество ранжирования. Написать отчет о модели, включающий краткое описание алгоритма; построенную модель; оценку качества модели (NDCG/MAP/...); пример ранжирования для примера из тестовой выборки.
• Контрольная работа
• Письменный экзамен
• Домашнее задание 2
  Эссе по возможностям применения вероятностных графических моделей. Необходимо найти любую статью про применение байесовских сетей (не про разработку алгоритмов, а именно про применение в какой-то задаче) и написать короткий отчет с указанием выбранной статьи, описанием задачи, которую решали авторы, и того, каким образом в этой статье построена структура (экспертно/по данным, какие теории / методы / концепции использовали авторы).
• Домашнее задание 3
  На предоставленных преподавателем данных построить байесовскую сеть разными методами построения структур, сравнить полученные модели по любой метрике качества структуры (BIC, BD, AIC), написать краткий отчет о результатах с описанием, какую модель вы бы выбрали в качестве итоговой и почему. Дополнительно на бонусные баллы можно сравнить качества предсказаний по модели (не забыв разделить на тестовую и обучающую выборки)
• Упражнения
  Упражнения из асинхронных материалов и во время синхронных практических занятий

Промежуточная аттестация

• 2021/2022 учебный год 4 модуль
  0.25 * Упражнения + 0.15 * Домашнее задание 1 + 0.2 * Письменный экзамен + 0.1 * Домашнее задание 2 + 0.1 * Контрольная работа + 0.2 * Домашнее задание 3

Список литературы

Рекомендуемая основная литература

• Corrigan, R. (2008). Back to the future: digital decision making. Information & Communications Technology Law, 17(3), 199–220. https://doi.org/10.1080/13600830802473006
• Murphy, K. P. (2012). Machine Learning : A Probabilistic Perspective. Cambridge, Mass: The MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=480968

Рекомендуемая дополнительная литература

• Højsgaard, S., Lauritzen, S. L., & Edwards, D. (2012). Graphical Models with R. New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=534901
• Wiering, M., & Otterlo, M. van. (2012). Reinforcement Learning : State-of-the-Art. Berlin: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=537744

Авторы

• Суворова Алёна Владимировна