Machine Learning

2024/2025

Academic Year

RUS

Instruction in Russian

6

ECTS credits

Delivered at:

School of Politics and Governance

Course type:

Compulsory course

When:

2 year, 1, 2 module

Instructor

Sinitsina, Arina

Программа дисциплины

Аннотация

Дисциплина "Методы машинного обучения" предназначена для подготовки магистров направления 41.04.04 «Политология». В курсе изучаются основные постановки задач машинного обучения, а также методы, необходимые для их решения. В частности, в курсе рассматриваются методы обучения с учителем (линейные методы, решающие деревья, композиции алгоритмов) и без учителя (методы кластеризации, понижения размерности данных). В курсе также обсуждаются вопросы визуализации данных и их предварительной обработки. Теоретические знания, полученные на занятиях, подкрепляются практическими занятиями по использованию популярных инструментов по изучаемой тематике.

Цель освоения дисциплины

• Ознакомление студентов с основными принципами машинного обучения – а именно, видами задач машинного обучения, классами моделей, способами обработки различных типов данных и измерение качества результатов
• Формирование у студентов практических навыков работы с данными и решения прикладных задач анализа данных с помощью современного программного обеспечения

Планируемые результаты обучения

• Знать и уметь применять основные виды методов обучения без учителя
• Знать и уметь применять основные виды методов обучения с учителем
• Знать основные типы задач в машинном обучении и уметь определять тип задачи

Содержание учебной дисциплины

• Введение в машинное обучение и анализ данных
• Основные методы обучения с учителем
• Методы обучения без учителя

Элементы контроля

• Практическая контрольная
  Практическая контрольная работа проверяет умение реализовывать методы машинного обучения в Python (в объеме, изученном в 1 модуле)
• Защита проекта
  Защита индивидуального проекта (презентация и ответы на вопросы)
• Экзамен
  Экзамен включает в себя теоретические вопросы и практические задания в Python
• Код к проекту
  Код в Python к итоговому проекту
• Проверочные работы
  Проверочные работы выполняются на каждой лекции по заданному материалу учебника. Оценка за проверочные работы выставляется как доля баллов, набранных от максимально возможной суммы баллов за все проверочные работы (с линейным приведением в 10-тибалльную шкалу)
• Теоретическая контрольная
  Теоретическая контрольная работа за первый модуль охватывает материал учебника и лекций за первый модуль.

Промежуточная аттестация

• 2024/2025 2nd module
  0.1 * Защита проекта + 0.15 * Код к проекту + 0.15 * Практическая контрольная + 0.25 * Проверочные работы + 0.15 * Теоретическая контрольная + 0.2 * Экзамен

Список литературы

Рекомендуемая основная литература

• Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705
• James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.

Рекомендуемая дополнительная литература

• Ruud, A. (2019). Convex Optimization: Theory, Methods and Applications. Hauppauge, New York: Nova. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=2043454

Авторы

• Синицина Арина Викторовна
• Стукал Денис Константинович