Машинное обучение и анализ больших данных

2025/2026

Статус: Маго-лего

Кто читает: Департамент бизнес-информатики

Где читается: Высшая школа бизнеса

Когда читается: 2 модуль

Онлайн-часы: 20

Охват аудитории: для своего кампуса

Преподаватели: Бахматов Андрей Вячеславович, Бедак Иван Андреевич, Макрушин Сергей Вячеславович

Язык: русский

Кредиты: 3

Контактные часы: 24

Дополнительные материалы в LMS Задать вопрос

Аннотация

Настоящая дисциплина относится к вариативной части дисциплин программы "Управление цифровым продуктом" и направлен на формирование комплексного понимания современных технологий искусственного интеллекта и их практического применения в бизнесе.В рамках курса студенты познакомятся с ключевыми концепциями машинного обучения и глубокого обучения, освоят принципы работы с данными в ИИ-проектах, изучат классические и современные методы машинного обучения. Особое внимание уделяется практическим аспектам применения технологий искусственного интеллекта в бизнес-контексте.Курс сочетает теоретическую подготовку с практическим освоением инструментов и методов управления AI-проектами. Студенты научатся оценивать эффективность ИИ-решений и принимать обоснованные решения при внедрении технологий искусственного интеллекта в бизнес-среде.

Цель освоения дисциплины

Целью освоения дисциплины "Машинное обучение и анализ больших данных" является обучение студентов базовым навыкам использования машинного обучения и анализа данных и пониманию принципов реализации проектов, использующих технологии машинного обучения и ИИ при создании и развитии цифровых продуктов.

Планируемые результаты обучения

Объясняет основы математики для анализа данных
Формулирует основные постановки задач и типы данных в машинном обучении
Применяет методы и модели решающих деревьев, простых нейронных сетей, xgboost, метода опорных векторов и демонстрирует навык их обучения
Описывает основные концепции и методы машинного обучения, применяемые при решении классификационных и регрессионных задач
Применяет методы кластеризации данных, сингулярного разложения, фактор-анализа, главных компонент
Объясняет основные подходы к построению моделей обучения с подкреплением
Описывает основные концепции нейронных сетей и методы их обучения в задачах анализа неструктурированных данных
Применяет основные используемые методы обработки текстов, изображений и видео
Оценивает применимости ИИ и ML-технологий для решения конкретных бизнес-задач.
Формулирует требования к данным для ИИ и ML-проектов.
Разрабатывает стратегии сбора и подготовки данных для машинного обучения.
Выбирает оптимальные методы и алгоритмы машинного обучения под специфику задачи.
Применяет понимание принципы работы и области применимости классических неглубоких моделей машинного обучения.
Применяет понимание принципов работы и области применения в бизнес-задачах глубоких моделей машинного обучения при обработке не структурированных данных.
Применяет понимание принципов и возможности применение методов векторного представления данных для бизнес-задач.
Применяет понимание принципов обработки текстов на естественном языке с помощью моделей глубокого обучения и больших языковых моделей и области применения этих решений в бизнес-задачах
Оценивает качество и эффективность ML-моделей.
Оценивает качество и эффективность моделей глубокого обучения.
Управляет жизненным циклом ИИ-проекта.
Применяет принципы формирования команды ИИ-проекта.

Содержание учебной дисциплины

Введение в искусственный интеллект и машинное обучение
Управление данными в ИИ
Классические методы машинного обучения
Основы машинного обучения и больших данных
Обучение с учителем
Обучение без учителя
Неструктурированные данные
Введение в глубокое обучение
Задачи обучения без учителя, эмбеддинги
Технологии обработки текста на естественном языке и большие языковые модели и их применение в бизнесе

Элементы контроля

Тест
Промежуточное тестирование
Групповой проект (итоговый)
Промежуточное тестирование проводится на платформе Startexam
Аудиторная работа

Промежуточная аттестация

2025/2026 2nd module
0.1 * Аудиторная работа + 0.6 * Групповой проект (итоговый) + 0.3 * Тест

Список литературы

Авторы

Макрушин Сергей Вячеславович
Редькина Галина Сергеевна

Программа дисциплины