Независимый экзамен по анализу данных, искусственному интеллекту и генеративным моделям. Продвинутый уровень

Бакалавриат 2026/2027

Статус: Курс обязательный (Программные системы и автоматизация процессов разработки)

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

Язык: русский

Кредиты: 1

Контактные часы: 2

Дополнительные материалы в LMS Задать вопрос

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

Формирование навыков анализа и интерпретации данных с использованием современных методов статистики и машинного обучения.
Формирование навыков подготовки, преобразования и исследования данных с использованием программных инструментов.
Освоение основных методов оценки качества моделей машинного обучения и выбора подходящей метрики в зависимости от задачи.
Формирование навыков построения, обучения, настройки и оценки моделей машинного обучения.
Развитие навыков математического и статистического мышления при решении задач анализа данных.
Формирование представления о принципах работы классических алгоритмов машинного обучения, методов кластеризации и базовых архитектур нейронных сетей.

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
После освоения дисциплины студент способен получать и интерпретировать информацию о структуре и характеристиках набора данных
Способен получать и интерпретировать информацию о структуре и характеристиках набора данных
Умеет выполнять базовые операции с таблицами и проводить предварительную обработку данных
Способен выявлять и обрабатывать пропущенные значения
Умеет преобразовывать данные и создавать новые признаки по заданному правилу
Способен кодировать категориальные и другие нечисловые признаки для последующего использования в моделях
Умеет вычислять и интерпретировать корреляции между признаками
Способен выполнять группировку и агрегацию данных
Умеет применять основные статистические методы для анализа данных и проверки гипотез
Способен выбирать и рассчитывать подходящие метрики качества моделей
Понимает основные принципы работы классических алгоритмов машинного обучения
Разбирается в принципах работы линейных моделей, градиентного спуска и ансамблевых методов
Понимает основные принципы работы алгоритмов кластеризации и метрик качества кластеризации
Знает назначение основных типов слоёв и функций активации нейронных сетей
Умеет выполнять базовые операции линейной алгебры с векторами и матрицами
Способен применять основные вероятностные методы, включая формулу Байеса и формулу полной вероятности
Умеет обучать модели машинного обучения и оценивать качество их работы
Способен подбирать гиперпараметры моделей
Умеет сравнивать несколько моделей и выбирать наиболее подходящую для поставленной задачи

Содержание учебной дисциплины

Независимый экзамен по анализу данных продвинутого уровня

Элементы контроля

Тестовая часть
Тестовая часть (Часть А) Коэффициент 0.2 Короткие вопросы с вариантами ответов. Рекомендуемое время выполнения: 60 минут
Задачи
Коэффициент 0.3 Вопросы без вариантов ответа. Рекомендуемое время выполнения: 30 минут
Работа с набором данных
Коэффициент 0.4 Рекомендуемое время выполнения: 60 минут

Промежуточная аттестация

2026/2027 4th module
Формула оценивания: Тестовая часть * 0.2 + Задачи. * 0.3 + Работа с набором данных * 0.4

Список литературы

Авторы

Сусла Диана Михайловна

Программа дисциплины