Bachelor
2023/2024
Machine Learning
Type:
Compulsory course (Information and Communication Technologies and Systems)
Area of studies:
Infocommunication Technologies and Systems
Delivered by:
School of Electronic Engineering
When:
4 year, 2, 3 module
Mode of studies:
offline
Open to:
students of all HSE University campuses
Instructors:
Sergey Vartanov
Language:
English
ECTS credits:
4
Contact hours:
48
Course Syllabus
Abstract
Дисциплина «Методы машинного обучения» изучает класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. Целью освоения дисциплины «Методы машинного обучения» является ознакомление студентов с теоретическими основами и основными принципами машинного обучения — а именно, с классами моделей (линейные, логические, нейросетевые), метриками качествами и подходами к подготовке данных. В рамках дисциплины изучаются методы проверки статистических гипотез, линейные модели регрессии, классификации и кластеризации, ансамбли и деревья решений, нейросетевые технологии машинного обучения. Дисциплина «Методы машинного обучения» дает знания, необходимые для последующего прохождения преддипломной практики и подготовки ВКР. При обучении предусмотрен контроль знаний студентов в виде домашнего задания, контрольных, самостоятельных работ и экзамена. Изучение дисциплины предусматривает владение знаниями в области теории вероятности и математической статистики, программирование на Python и математического анализа.
Learning Objectives
- Ознакомление студентов с теоретическими основами и основными принципами машинного обучения — а именно, с классами моделей (линейные, логические, нейросетевые), метриками качествами и подходами к подготовке данных. формирование у студентов практических навыков работы с данными и решения прикладных задач анализа данных.
Expected Learning Outcomes
- Создание простых моделей машинного обучения. Использование библиотеки scikit-learn
- Знает основные байесовские модели, используемые для решения различных задач машинного обучения (смеси распределений, модель релевантных векторов, LDA и т.д.).
- Студент строит линейную модель по описанию задачи и решает задачу
- Студент умеет строить линейные модели регрессии и классификации и решать их различными методами, а также оценивать качество построенных моделей
Course Contents
- Введение в машинное обучение. Основные термины, постановки задач и примеры применения
- Линейные модели регрессии и классификации
- Логические методы классификации
- Композиции моделей и ансамблирование
- Обучение без учителя
- Критерии выбора моделей и методы отбора признаков
- Введение в искусственные нейронные сети
Assessment Elements
- Контрольная работа номер 1Контрольная работа включает в себя задания по темам, пройденным в во втором модуле учебного года
- Контрольная работа номер 2Контрольная работа по темам, пройденным в 3 модуле
- Посещаемость и семинарская активность
- Финальный экзамен
Interim Assessment
- 2023/2024 3rd module0.2 * Контрольная работа номер 1 + 0.2 * Контрольная работа номер 2 + 0.05 * Посещаемость и семинарская активность + 0.05 * Посещаемость и семинарская активность + 0.5 * Финальный экзамен
Bibliography
Recommended Core Bibliography
- A first course in machine learning, Rogers, S., 2012
- Foundations of machine learning, Mohri, M., 2012
- 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
- Machine learning : a probabilistic perspective, Murphy, K. P., 2012
- Mehryar Mohri, Afshin Rostamizadeh, & Ameet Talwalkar. (2018). Foundations of Machine Learning, Second Edition. The MIT Press.
- Платонов, А. В. Машинное обучение : учебное пособие для вузов / А. В. Платонов. — Москва : Издательство Юрайт, 2023. — 85 с. — (Высшее образование). — ISBN 978-5-534-15561-7. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/520544 (дата обращения: 27.08.2024).
Recommended Additional Bibliography
- Pattern recognition and machine learning, Bishop, C. M., 2006