Машинное обучение и искусственный интеллект

Магистратура 2026/2027

Статус: Курс обязательный (Интернет вещей и киберфизические системы)

Кто читает: Департамент электронной инженерии

Где читается: Московский институт электроники и математики им. А.Н. Тихонова

Когда читается: 2-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 6

Контактные часы: 60

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс знакомит студентов с основами машинного обучения, систематизирует знания о стандартных библиотеках, дает представление о классических, нейронных моделях, об ансамблях моделей, тренирует навык правильной формулировки задачи модели и правильной оценки качества модели.

Цель освоения дисциплины

Ознакомление студентов с основными задачами и методами машинного обучения.
Применение машинного обучения для решения задач автоматической обработки текстов.

Планируемые результаты обучения

Студент владеет методами машинного обучения и программными пакетами (Python, scikit-learn, NumPy, Pandas, Keras) для решения практических задач: построение линейных моделей регрессии и классификации, деревьев решений, ансамблей (Random Forest, XGBoost, CatBoost), нейронных сетей (CNN, RNN).
Студент знает основные направления ML: supervised/unsupervised learning, NLP, рекомендательные системы, снижение размерности (PCA, t-SNE, UMAP), кластеризация (K-means, DBSCAN, HDBSCAN), ANN-поиск (FAISS, HNSW), Big Data (Spark, Hive, MapReduce).
Студент умеет применять метрики качества ML: accuracy, precision, recall, F1, ROC-AUC для классификации; MSE, MAE, RMSE для регрессии; Precision@k, Recall@k, NDCG для рекомендательных систем.
Студент умеет проводить предобработку и оценку данных: нормализация, кодирование категориальных признаков (One-Hot, Label Encoding), обработка пропущенных значений, разбиение train/validation/test, cross-validation, анализ переобучения/недообучения.
Студент умеет применять методы NLP: токенизация, лемматизация, bag of words, TF-IDF, Word2Vec, плотные векторные представления для классификации текстов и тематического моделирования.
Студент умеет строить рекомендательные системы: коллаборативная фильтрация (user-based, item-based), матричная факторизация (SVD, ALS), item2item/user2item, гибридные методы с оценкой Precision@k, Recall@k, MAP, NDCG.
Студент умеет применять приближенные методы поиска ближайших соседей (ANN): k-d tree, HNSW, FAISS, Annoy с оценкой точности, скорости и масштабируемости на больших данных.
Студент умеет работать с Big Data: распределенная файловая система HDFS, MapReduce, YARN, Hive, архитектура Spark приложений, практика на локальном мини-кластере.
Студент умеет строить нейронные сети в Keras: архитектура нейрона, слои (Dense, Activation, Dropout), CNN для изображений (LeNet, AlexNet, VGG, ResNet, transfer learning), RNN для последовательностей (LSTM, GRU, Seq2Seq, Attention).
Студент умеет выбирать методы ML для решения задач профессиональной деятельности, проводить оценку и сравнение моделей, организовывать работу команды над ML-проектами.

Содержание учебной дисциплины

Введение в машинное обучение.
Регрессия.
Классификация.
Оценка качества моделей и работа с признаками.
Деревья решений и ансамбли моделей.
Введение в NLP и снижение размерности I
Cнижение размерности II и алгоритмы кластеризации
Рекомендательные системы
Приближенные методы поиска ближайших соседей (ANN).
Работа с BigData: Обзор технологий.
Работа с BigData: Практика.
Нейронные сети (keras).
Нейронные сети (cnn).
Нейронные сети (rnn).

Элементы контроля

Домашнее задание
Описание: Домашнее задание представляет собой комплекс практико-ориентированных задач, который предполагает развернутое решение с использованием знаний, полученных на занятиях. Все критерии подробно сформулированы в домашнем задании. Баллы за домашнее задание выставляются в соответствии с критериями.
Экзамен
Экзамен по дисциплине проводится в форме устного опроса в конце изучения курса в присутствии преподавателя.

Промежуточная аттестация

2026/2027 2nd module
Домашнее задания: Домашнее задание * 0.6 + Экзамен: Устный опрос * 0.4

Список литературы

Авторы

Иванов Илья Александрович
Юнышева Анастасия Владимировна

Программа дисциплины