Бакалавриат 2024/2025

Машинное обучение на больших данных

Статус: Курс по выбору (Прикладная математика и информатика)

Направление: 01.03.02. Прикладная математика и информатика

Кто читает: Департамент информатики

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

Когда читается: 4-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Шпильман Алексей Александрович

Язык: русский

Кредиты: 5

Программа дисциплины

Аннотация

Дисциплина направлена на ознакомление с теоретическими основами и основными принципами машинного обучения, овладение инструментарием, моделями и методами машинного обучения, а также приобретение навыков исследователя данных (data scientist) и разработчика математических моделей, методов и алгоритмов анализа данных.

Цель освоения дисциплины

• Формирование у студентов теоретических знаний и практических навыков по основам работы с продвинутыми алгоритмами машинного обучения.

Планируемые результаты обучения

• Знает ключевые понятия, цели и задачи использования машинного обучения, методологические основы применения алгоритмов машинного обучения.
• Умеет визуализировать результаты работы алгоритмов машинного обучения, выбирать метод машинного обучения, соответствующий исследовательской задаче, интерпретировать полученные результаты.
• Имеет навыки чтения и анализа академической литературы по применению методов машинного обучения, построения и оценки качества моделей.

Содержание учебной дисциплины

• Раздел 1. Анализ размерности данных и работа с признаками
• Раздел 2. Анализ распределения данных
• Раздел 3. Интерпретация результатов

Элементы контроля

• Проект
  В процессе изучения предмета обучающиеся должны будут применить изученные методы в задаче на данных с платформы Kaggle. Предполагается разделение учащихся на группы.
• Экзамен
  Проверка качества освоения дисциплины производится в форме устного экзамена. Экзамен проводится в формате разбора научной статьи по анализу данных и машинному обучению. Экзаменуемый должен продемонстрировать знание предмета на достаточном уровне для интерпретации современной научной литературы.

Промежуточная аттестация

• 2024/2025 2nd module
  0.5 * Проект + 0.5 * Экзамен

Список литературы

Рекомендуемая основная литература

• 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

• 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
• Richert, W., & Coelho, L. P. (2013). Building Machine Learning Systems with Python. Birmingham: Packt Publishing. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=619996

Авторы

• Кузнецов Антон Михайлович
• Юдаева Оксана Юрьевна