Machine Learning

2024/2025

Academic Year

RUS

Instruction in Russian

Delivered at:

School of Applied Mathematics

Course type:

Compulsory course

When:

1 year, 1, 2 module

Instructors

Ефимов Владислав Игоревич

Журавлёв Вадим

Меркушов Дмитрий Владимирович

Stepanov, Artem

Ярошенко Алексей Леонидович

Программа дисциплины

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

Содержание учебной дисциплины

• Введение. Типы задач машинного обучения.
• Линейные модели регрессии
• Линейные модели классификации
• Метод главных компонент. Основы обработки естественного языка.
• Метод опорных векторов
• Рекомендательные системы. АВ тестирование.
• Решающие деревья
• Ансамблирование
• Современные модели градиентного бустинга
• Задача кластеризации
• Введение в нейросети

Элементы контроля

• ДЗ
• Коллоквиум
• Квиз
• Проект

Промежуточная аттестация

• 2024/2025 2nd module
  0.3 * ДЗ + 0.1 * Квиз + 0.3 * Коллоквиум + 0.3 * Проект

Список литературы

Рекомендуемая основная литература

• Bell, J. (2015). Machine Learning : Hands-On for Developers and Technical Professionals. Indianapolis, Ind: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=872454
• Witten, I. H. et al. Data Mining: Practical machine learning tools and techniques. – Morgan Kaufmann, 2017. – 654 pp.

Рекомендуемая дополнительная литература

• Антонио, Д. Библиотека Keras – инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и TensorFlow / Д. Антонио, П. Суджит , перевод с английского А. А. Слинкин. — Москва : ДМК Пресс, 2018. — 294 с. — ISBN 978-5-97060-573-8. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/111438 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Авторы

• Сластников Сергей Александрович
• Крепкер Виктор Алексеевич