Машинное обучение

2024/2025

Статус: Маго-лего

Кто читает: Департамент прикладной математики

Когда читается: 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Ефимов Владислав Игоревич, Журавлёв Вадим, Меркушов Дмитрий Владимирович, Степанов Артём Алексеевич, Ярошенко Алексей Леонидович

Язык: русский

Кредиты: 6

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Цель освоения дисциплины состоит в изучении основных методов и моделей машинного обучения и их практическом применении. Рассматриваются основные типы задач обучения с учителем и без: классификация, кластеризация, регрессия.

Цель освоения дисциплины

Получение фундаментальных знаний основных понятий и постановки задач машинного обучения, алгоритмов их решения и оценки качества
Получение практических навыков применения алгоритмов, обучения моделей и оценки их качества на реальных данных

Планируемые результаты обучения

Понимание устройства градиентного бустинга над решающими деревьями
Иметь представление о теоретических свойствах ансамблей моделей, полученных с помощью бустинга.
Знание базовых алгоритмов решения задач машинного обучения, таких как классификация, регрессия
Владеет основными подходами к оценке качества в задачах классификации и регрессии
Знает основные понятия и постановки задач машинного обучения
уметь оценивать параметры линейной регрессионной модели
Интерпретировать задачу кластеризации. Применять на практике основные алгоритмы кластеризации (k-means и иерархические методы) и метод главных компонент (PCA).
Владеет метриками качества линейной регрессии: MSE, MAE, R2.
Знает основные алгоритмы NLP
Способен обучить модели машинного обучения (линейные, случайный лес, градиентный бустинг, полносвязанные нейронные сети) или выполнить кластеризацию данных