Бакалавриат 2025/2026

Интеллектуальный анализ данных

Статус: Курс обязательный (Бизнес-информатика)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 2-й курс, 3, 4 модуль

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Саночкин Юрий Ильич

Язык: русский

Кредиты: 5

Контактные часы: 40

Программа дисциплины

Аннотация

Целями освоения дисциплины «Основы машинного обучения» являются овладение студентами моделями и методами интеллектуального анализа данных и машинного обучения в задачах обработки и анализа данных, а также приобретение навыков исследователя данных (data scientist) и разработчика математических моделей, методов и алгоритмов анализа данных. Изучаются основные модели (линейные, метрические, логические), подходы к их обучению и методы обработки данных.

Цель освоения дисциплины

• Знать основные модели и методы машинного обучения и разработки данных
• Уметь адекватно применять указанные модели и методы, а также программные средства, в которых они реализованы
• Иметь навыки (приобрести опыт) анализа реальных данных с помощью изученных методов

Планируемые результаты обучения

• Владеет методами кластеризации данных
• Владеет методами построения композиций моделей
• Владеет основами математики для анализа данных
• Владеет основными подходами к оценке качества в задачах классификации и регрессии
• Знает линейные модели и умеет их обучать
• Знает модель k ближайших соседей и умеет её обучать
• Знает модель решающего дерева и умеет её обучать
• Знает основные подходы к построению рекомендательных систем
• Знает основные постановки задач и типы данных в машинном обучении

Содержание учебной дисциплины

• Введение, основные понятия анализа данных
• Математические объекты и методы в анализе данных
• Метрические методы
• Линейная регрессия и классификация
• Оценивание качества алгоритмов
• Логические методы
• Рекомендательные системы
• Композиции алгоритмов
• Кластеризация данных

Элементы контроля

• ДЗ
  Средняя оценка за все практические домашние задания, предусмотренные на курсе
• ЭКЗ
  Экзамен представляет собой практическую работу, выполняемую студентами по результатам освоения курса
• МКР
  Средняя оценка за все письменные проверочные работы (МКР), предусмотренные на курсе
• КР
  Контрольная работа представляет собой проверочный элемент контроля, выполняемый студентами по результатам освоения первой части курса
• ПКР
  Средняя оценка за все практические проверочные работы (ПКР), предусмотренные на курсе
• ГП
  Средняя оценка за все практические групповые инициативные проекты, предусмотренные на курсе

Промежуточная аттестация

• 2025/2026 4th module
  0.07 * ГП + 0.14 * ДЗ + 0.2 * КР + 0.22 * МКР + 0.09 * ПКР + 0.28 * ЭКЗ

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
• Trevor Hastie, Robert Tibshirani, & Jerome Friedman. New York. (n.d.). Book Reviews 567 The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.45E1D521

Рекомендуемая дополнительная литература

• Mohri, M., Talwalkar, A., & Rostamizadeh, A. (2012). Foundations of Machine Learning. Cambridge, MA: The MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=478737

Авторы

• Соколов Евгений Андреевич
• Саночкин Юрий Ильич