We use cookies in order to improve the quality and usability of the HSE website. More information about the use of cookies is available here, and the regulations on processing personal data can be found here. By continuing to use the site, you hereby confirm that you have been informed of the use of cookies by the HSE website and agree with our rules for processing personal data. You may disable cookies in your browser settings.

  • A
  • A
  • A
  • ABC
  • ABC
  • ABC
  • А
  • А
  • А
  • А
  • А
Regular version of the site
Bachelor 2023/2024

Machine Learning

Area of studies: Infocommunication Technologies and Systems
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

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

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

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

Assessment Elements

  • blocking Контрольная работа номер 1
    Контрольная работа включает в себя задания по темам, пройденным в во втором модуле учебного года
  • blocking Контрольная работа номер 2
    Контрольная работа по темам, пройденным в 3 модуле
  • non-blocking Посещаемость и семинарская активность
  • blocking Финальный экзамен
Interim Assessment

Interim Assessment

  • 2023/2024 3rd module
    0.2 * 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

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

Authors