Дополнительные главы машинного обучения

Магистратура 2026/2027

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

Язык: русский

Кредиты: 6

Контактные часы: 56

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина преподается с целью углубленного ознакомления слушателей с современными методами и подходами машинного обучения, выходящими за рамки базового набора алгоритмов. В рамках курса рассматриваются ядровые методы, методы обнаружения аномалий, кластеризация, графовые модели, рекомендательные системы, методы анализа временных рядов, методы оптимизации, нейронные сети и подходы к объяснению результатов работы моделей. Особое внимание уделяется взаимосвязи различных методов машинного обучения, анализу их предпосылок и ограничений, а также применению современных исследовательских подходов к практическим задачам. В рамках курса также предусмотрено обсуждение актуальных научных публикаций по машинному обучению, направленное на формирование навыков чтения, анализа и критической оценки современных исследований.

Цель освоения дисциплины

Формирование углубленных знаний, умений и навыков в области современных методов машинного обучения, а именно умения выбирать и применять различные классы моделей в зависимости от структуры данных и постановки задачи, анализировать предпосылки и ограничения методов, интерпретировать результаты моделирования, а также критически оценивать современные научные подходы в области машинного обучения.

Планируемые результаты обучения

Владеть основными концепциями и методами современных направлений машинного обучения.
Понимать принципы работы ядровых методов, методов обнаружения аномалий, кластеризации и графовых моделей.
Уметь выбирать методы машинного обучения с учетом структуры данных и особенностей решаемой задачи.
Уметь применять методы машинного обучения к задачам построения рекомендательных систем и анализа временных рядов.
Понимать связь между линейными моделями, обобщенными линейными моделями и нейронными сетями.
Владеть основными подходами к оптимизации моделей машинного обучения.
Понимать принципы построения и обучения нейронных сетей.
Уметь анализировать и сравнивать современные научные методы и результаты исследований в области машинного обучения.
Понимать основные подходы к объяснению предсказаний моделей и оценке их интерпретируемости.
Уметь анализировать ограничения применяемых методов и обосновывать выбор подхода для конкретной задачи.
Уметь интерпретировать результаты применения моделей машинного обучения и формулировать обоснованные выводы.

Содержание учебной дисциплины

Ядровые методы
Обнаружение аномалий
От линейной регрессии к нейронным сетям
Кластеризация
Графовые модели
Рекомендательные системы
Временные ряды
Обсуждение актуальных статей по машинному обучению
Методы оптимизации в машинном обучении
Введение в нейронные сети
XAI — объяснимый искусственный интеллект

Элементы контроля

Домашние работы
В течение курса студент выполняет домашние работы, направленные на закрепление теоретического материала и практическое освоение методов машинного обучения. Задания будут содержать в себе следующие пункты: — реализация моделей и методов, обсуждаемых на занятиях; — проведение вычислительных экспериментов; — сравнение различных методов машинного обучения; — решение прикладного кейса; — анализ и интерпретация результатов работы моделей; — исследование влияния параметров и архитектуры модели на результаты; — работа с реальными или учебными наборами данных.
Доклад по научной статье (бонусная оценка)
Студент может подготовить и представить доклад по актуальной научной статье в области машинного обучения. Доклад должен включать описание исследовательской задачи, используемого метода, данных и экспериментального дизайна, основных результатов и ограничений работы. Результат доклада может учитываться как бонус к итоговой оценке вплоть до 2 дополнительных баллов.
Экзамен
Устный экзамен по билетам. Каждый билет содержит два вопроса по темам, изученным в рамках курса. Студент должен продемонстрировать понимание основных концепций и методов машинного обучения, способность объяснять принципы работы методов, сравнивать различные подходы и применять полученные знания при анализе прикладных задач.

Промежуточная аттестация

2026/2027 2nd module
0.4 * Экзамен + 0 * Доклад по научной статье (бонусная оценка) + 0.6 * Домашние работы

Список литературы

Авторы

Никитин Илья Сергеевич

Программа дисциплины