Машинное обучение

Магистратура 2023/2024

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

Статус: Курс обязательный (Машинное обучение и анализ данных)

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, 2, 3 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Шпильман Алексей Александрович

Прогр. обучения: Машинное обучение и анализ данных

Язык: русский

Кредиты: 6

Контактные часы: 56

Полная версия программы учебной дисциплины

Аннотация

Дисциплина направлена на формирование у студентов теоретических знаний и практических навыков по основам 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. Для освоения дисциплины студентам необходимо иметь знания из области линейной алгебры и геометрии, основ программирования, дифференциальных уравнений и теории вероятностей и математической статистики.

Цель освоения дисциплины

Формирование у студентов теоретических знаний и практических навыков по основам машинного обучения.

Планируемые результаты обучения

Студент знает ключевые понятия, цели и задачи использования машинного обучения; методологические основы применения алгоритмов машинного обучения
Студент имеет навыки чтения и анализа академической литературы по применению методов машинного обучения, построения и оценки качества моделей
Студент умеет визуализировать результаты работы алгоритмов машинного обучения, выбирать метод машинного обучения, соответствующий исследовательской задаче, интерпретировать полученные результаты

Содержание учебной дисциплины

Типы задач машинного обучения
Метрические классификаторы
Алгоритмы кластеризации
Деревья решений
Линейные классификаторы
Нейронные сети и глубокое обучение
Регрессионный анализ
Ансамблевые методы
Стохастический поиск

Элементы контроля

Домашнее задание №1
Домашнее задание №1 выдается студентам в одном варианте и состоит из 3 задач. Каждой задаче присвоен свой балл. Срок выполнения домашнего задания - 2 недели. Форма представления обучающимися домашнего задания - представленные в письменном виде решения задач.
Домашнее задание №2
Домашнее задание №2 выдается студентам в одном варианте и состоит из 4 задач. Каждой задаче присвоен свой балл. Срок выполнения домашнего задания - 2 недели. Форма представления обучающимися домашнего задания - представленные в письменном виде решения задач.
Домашнее задание №3
Домашнее задание №3 выдается студентам в одном варианте и состоит из 4 задач. Каждой задаче присвоен свой балл. Срок выполнения домашнего задания - 2 недели. Форма представления обучающимися домашнего задания - представленные в письменном виде решения задач.
Экзамен
Устный экзамен проводится в форме ответов на вопросы экзаменационного билета. Экзаменационный билет содержит два вопроса из перечня вопросов к экзамену. На подготовку ответа выделяется 2,5 часа.

Промежуточная аттестация

2023/2024 учебный год 3 модуль
Преподаватель учитывает оценку за текущий контроль (домашние задания). Онакопленная = (Од/з1 + Од/з2 + Од/з3) / 3 Результирующая оценка за дисциплину рассчитывается следующим образом: ОРезультирующая = 0,5Онакопленная + 0,5Оэкзамен

Список литературы

Авторы

Спицина Кристина Станиславовна
Шпильман Алексей Александрович
Кузнецов Антон Михайлович

Программа дисциплины