2025/2026

Основы глубинного обучения

Статус: Майнор

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Онлайн-часы: 20

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Блуменау Марк Ильич, Бураков Даниил Игоревич, Кантонистова Елена Олеговна, Соколов Евгений Андреевич

Язык: русский

Контактные часы: 56

Программа дисциплины

Аннотация

Изучение дисциплины «Современные методы машинного обучения» нацелено на освоение продвинутых методов и алгоритмов машинного обучения с применением языка программирования Python. Курс является третьим в майноре «Интеллектуальный анализ данных». Предполагается, что в результате освоения курса студенты будут способны самостоятельно выбирать методы машинного обучения для решения сложных задач анализа данных.

Цель освоения дисциплины

• Знать: основные понятия и методы машинного обучения; о месте и ценности методов машинного обучения и разработки данных в современной науке и практической деятельности; основные каналы научной и прикладной информации по анализу данных и машинному обучению.
• Уметь: использовать освоенные методы машинного обучения для обработки конкретных наборов данных, анализировать результаты, делать выводы; формализовать конкретную задачу и разработать алгоритм решения.
• Владеть: методами программирования, отлаживания и тестирования современных алгоритмов машинного обучения.

Планируемые результаты обучения

• Знает и может использовать программные реализации алгоритмов ансамблей классификаторов для решения задач машинного обучения
• Знает и умеет использовать фреймворки глубокого обучения для решения задач распознавания изображений.
• Знает основные слои, использующиеся в архитектурах глубоких (в.т.ч. сверточных) нейронных сетей; методы регуляризации; алгоритм обратного распространения ошибки.
• Знает основные типы ансамблей классификаторов и основанные на них алгоритмы машинного обучения.
• Понимает концепцию многослойного персиптрона, сверточной нейронной сети
• Понимает общие принципы построения ансамблей классификаторов.

Содержание учебной дисциплины

• Ансамбли классификаторов
• Нейронные сети

Элементы контроля

• Контрольная работа
• Домашнее задание
  За каждый день просрочки после мягкого дедлайна снимается 1 балл. После жёсткого дедлайна работы не принимаются. Даже при опоздании на одну секунду. Сдавайте заранее. Два раза студент может сдать домашнее задание после мягкого дедлайна (но до жёсткого) без штрафов. При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента. При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.
• Экзамен
• Проверочные работы

Промежуточная аттестация

• 2025/2026 2nd module
  0.4 * Домашнее задание + 0.2 * Контрольная работа + 0.1 * Проверочные работы + 0.3 * Экзамен

Список литературы

Рекомендуемая основная литература

• Aggarwal C. Data Mining: The Textbook. Springer International Publishing, 2015. DOI: 10.1007/978-3-319-14142-8
• Ian Goodfellow and Yoshua Bengio and Aaron Courville. Deep Learning, 2016. URL: http://www.deeplearningbook.org

Рекомендуемая дополнительная литература

• Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.
• Mirkin, B. Core concepts in data analysis: summarization, correlation and visualization. – Springer Science & Business Media, 2011. – 388 pp.
• Глубокое обучение : погружение в мир нейронных сетей, Николенко, С., 2018

Авторы

• Соколов Евгений Андреевич