Бакалавриат
2025/2026
Независимый экзамен по анализу данных, искусственному интеллекту и генеративным моделям. Продвинутый уровень
Статус:
Курс обязательный (Компьютерные науки и анализ данных)
Кто читает:
Отдел развития цифровых компетенций
Где читается:
Факультет компьютерных наук
Когда читается:
3-й курс, 4 модуль
Онлайн-часы:
2
Охват аудитории:
для всех кампусов НИУ ВШЭ
Преподаватели:
Перевышина Татьяна Олеговна
Язык:
русский
Кредиты:
1
Программа дисциплины
Аннотация
Одной из цифровых компетенций, формирование которых интегрировано во все образовательные программы НИУ ВШЭ, является компетенция «Анализ данных и методы искусственного интеллекта» (далее — Анализ данных): от использования математических методов и моделей для извлечения знаний до решения профессиональных задач и разработки новых подходов.Для каждого направления подготовки в бакалавриате образовательным стандартом определен минимально необходимый уровень освоения этой цифровой компетенции: начальный/базовый/продвинутый. Независимая оценка компетенции по Анализу данных является обязательной частью учебного плана для всех образовательных программ бакалавриата. Она предполагает подтверждение минимально необходимого уровня для ОП освоения данной компетенции. Оценка проводится после того, как на ОП завершены курсы, обеспечивающие формирования этого уровня. Данный экзамен проверяет наличие компетенции по Анализу данных на продвинутом уровне. Независимый экзамен осуществляется с помощью прокторинга. Итоговый результат переводится в шкалу от 1 до 10. Оценка ниже 4 баллов округляется с отбрасыванием дробной части (к меньшему целому), оценка от 4 баллов округляется к ближайшему целому. Отсутствие положительных результатов независимой оценки по Анализу данных в установленные сроки влечёт за собой академическую задолженность.
Цель освоения дисциплины
- Экзамен продвинутого уровня включает себя темы по линейной алгебре, теории вероятностей, статистике, анализу данных и машинному обучению.
Планируемые результаты обучения
- Выбирает корректные графики для визуализации данных
- Загружает данные в ПО и работает с ними (фильтрация, агрегация, заполнение пропущенных значений).
- Знание основных понятий и формул теории вероятностей, умение ими оперировать
- Умение выполнять базовые операции линейной алгебры с векторами и матрицами
- Умение определить тип задачи машинного обучения
- Умение определять качество модели. Умение определять недообучение /переобучение, регуляризация.
- Умение рассчитать метрику ошибки по формуле или по заданному алгоритму
- Понимание теоретических принципов работы одного из алгоритмов машинного обучения: нелинейный алгоритм
- Умение обучать модель, подбирать её гиперпараметры, выбирать наилучшую модель для данной задачи и оценивать ее качество
Элементы контроля
- Часть АТестовая часть (Часть А) Короткие вопросы с вариантами ответов. Рекомендуемое время выполнения: 60 минут
- Часть ВЗадачи (Часть B) Вопросы без вариантов ответа. Рекомендуемое время выполнения: 30 минут
- Часть СРабота с набором данных (Часть C) Рекомендуемое время выполнения: 60 минут
Список литературы
Рекомендуемая основная литература
- Котельников, Е. В. Введение в машинное обучение и анализ данных : учебное пособие / Е. В. Котельников, А. В. Котельникова. — Киров : ВятГУ, 2023. — 68 с. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/390698 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
- Машинное обучение и TensorFlow : пер. с англ., Шакла, Н., Фриклас, К., 2019
Рекомендуемая дополнительная литература
- Машинное обучение & TensorFlow, Шакла, Н., 2019
- Наумов, В. Н. Анализ данных и машинное обучение. Методы и инструментальные средства : учебное пособие / В. Н. Наумов. — Москва : Дело РАНХиГС, 2020. — 260 с. — ISBN 978-5-89781-667-5. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/466085 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.