Теория вероятностей и математическая статистика

Магистратура 2025/2026

Статус: Курс обязательный (Машинное обучение в цифровом продукте)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 1-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Полякова Ирина Юрьевна

Язык: русский

Кредиты: 6

Контактные часы: 56

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина преподается с целью глубокого ознакомления слушателей с теоретическими основами теории вероятностей и математической статистики, а также их приложениями для создания и оценки эффективности цифровых продуктов, приобретения навыков построения математических моделей, в том числе с использованием машинного обучения.

Цель освоения дисциплины

Формирование знаний, умений и навыков в области статистики, а именно умений проверять статистические гипотезы, строить эконометрические модели и модели машинного обучения в Python и понимать их теоретические основы и ограничения, интерпретировать значимость и стабильность результатов прогнозирования, проводить A/B тестирование.

Планируемые результаты обучения

Владеть основными концепциями теории вероятностей и уметь применять их в приложении к ML-продуктам
Уметь строить эконометрические и ML модели, обрабатывать данные, проводить A/B тесты с помощью Python
Уверенное владение практическим и теоретическим минимумом по теории вероятностей
Практические навыки работы с линейными моделями в цифровых продуктах
Практические навыки работы с цифровым продуктом, включая постановку целей и задач, работу с большими данными
Умение развернуто решать научные и бизнес-задачи с использованием аппарата теории вероятности и математической статистики

Содержание учебной дисциплины

Основные понятия теории вероятностей и математической статистики
Проверка статистических гипотез
Линейные модели
Байесовские модели
Продвинутые алгоритмы
Оценка неопределенности, калибровка моделей

Элементы контроля

Микроконтроли
Небольшие задания в начале лекции или семинара, направленные на закрепление материала прошедших занятий
Домашняя контрольная работа 1
Задание по линейным моделям. Разработка модели и проведение экспериментов
Домашняя контрольная работа 2
Полный цикл разработки продвинутого алгоритма
Экзамен
Устный экзамен с вопросами по теме курса

Промежуточная аттестация

2025/2026 2nd module
0.25 * Домашняя контрольная работа 1 + 0.25 * Домашняя контрольная работа 2 + 0.2 * Микроконтроли + 0.3 * Экзамен

Список литературы

Авторы

Емашева Валерия Анатольевна

Программа дисциплины