Введение в машинное обучение на Python

Магистратура 2024/2025

Статус: Курс обязательный (Современный социальный анализ)

Направление: 39.04.01. Социология

Кто читает: Департамент социологии

Где читается: Санкт-Петербургская школа социальных наук

Когда читается: 2-й курс, 1 модуль

Формат изучения: с онлайн-курсом

Онлайн-часы: 48

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Ярошенко Евгения Игоревна

Прогр. обучения: Современный социальный анализ

Язык: русский

Кредиты: 3

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Данный курс включает рассмотрение широкого круга тем, связанных с машиннымобучением. В рамках курса у студентов будет сформирован большой набор навыков,который позволит им в дальнейшем ставить и выполнять ключевые задачи машинногообучения.Курс начинается с самых основ машинного обучения. Последующие темыкурса посвящены задачам классификации и предсказания, восстановлению пропущенныхзначений и выявлению аномалий в данных. Среди классов алгоритмов, которыерассматриваются в курсе — регрессионный и кластерный анализ, различныеклассификаторы (например, решающие деревья), вероятностные алгоритмы, ансамбли,а также алгоритмы кросс-валидации и отбора признаков.Курс предназначен для студентов магистратуры и предусматривает самостоятельныезанятия студентов на популярной образовательной онлайн-платформе, а такжесеминарские занятия с преподавателем.

Цель освоения дисциплины

Сформировать системное представление о машинном обучении
Научить студентов понимать и ставить задачи в рамках машинного обучения
Осветить ключевые проблемы, возникающие при использовании машинного обучения, и существующие методы их решения
Сформировать навыки практического применения машинного обучения к решению широкого спектра задач

Планируемые результаты обучения

Называет и определяет основные понятия машинного обучения
Восстанавливает пропущенные или некорректные значения с помощью моделей машинного обучения
Выявляет наблюдения с аномальными значениями признаков
Кластеризует наблюдения в заданной предметной области
Использует регрессионный анализ данных для предсказания поведения объектов
Классифицирует наблюдения в заданной предметной области
Объясняет преимущества одних алгоритмов классификации перед другими
Называет методы выбора оптимальных параметров алгоритмов
Объясняет необходимость применения и использует кросс-валидацию в машинном обучении
Объясняет принцип обучения решающих деревьев
Использует решающие деревья для предсказания и классификации данных
Использует вероятностные алгоритмы в задачах машинного обучения
Использует ансамбли алгоритмов машинного обучения для более точного предсказания или классификации данных
Отбирает релевантные признаки с помощью алгоритмов машинного обучения