Машинное обучение

Магистратура 2026/2027

ID 1201817

Статус: Курс обязательный (Прикладные модели искусственного интеллекта)

Кто читает: Департамент прикладной математики

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

Когда читается: 1-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Гимранова Екатерина Маратовна

Язык: русский

Кредиты: 6

Контактные часы: 60

Дополнительные материалы в LMS Задать вопрос

Аннотация

Цель освоения дисциплины состоит в изучении основных методов и моделей машинного обучения и их практическом применении. Рассматриваются основные типы задач обучения с учителем и без: классификация, кластеризация, регрессия.

Цель освоения дисциплины

Получение фундаментальных знаний основных понятий и постановки задач машинного обучения, алгоритмов их решения и оценки качества
Получение практических навыков применения алгоритмов, обучения моделей и оценки их качества на реальных данных

Планируемые результаты обучения

Студент знает типы данных в таблицах: числовые (int, float); категориальные (object, category); структуры данных: DataFrame, Series (pandas); базовые операции: загрузка данных (read_csv, read_excel); выборка данных (loc, iloc); фильтрация; агрегации (groupby) обработка пропусков: isna, fillna, dropna базовая визуализация: matplotlib, seaborn
Студент знает типы задач: классификация, регрессия, Деревья решений, Recsys, ANN, CRM модели.
Студент знает: линейная регрессия (LinearRegression), логистическая регрессия (LogisticRegression), k-ближайших соседей (KNeighborsClassifier), дерево решений (DecisionTreeClassifier).
Студент знает метрики для классификации: accuracy, precision, recall; для регрессии: MSE, MAE, матрица ошибок (confusion_matrix)
Студент понимает разницу между признаками (features) и целевой переменной (target); как качество данных влияет на модель; зачем нужна предобработка данных перед обучением.
Студент понимает различия между классификацией и регрессией; как формулировка задачи влияет на выбор модели; что такое обучающая и тестовая выборки.
Студент понимает как модель обучается на данных; зависимость качества от данных и параметров; различие между обучением и предсказанием.
Студент понимает, почему одной метрики недостаточно; как метрики связаны с задачей бизнеса; разницу между ошибками первого и второго рода.
Студент умеет загружать и исследовать датасет, очищать данные (пропуски, выбросы), выделять признаки и целевую переменную, визуализировать распределения и зависимости.
Студент определяет тип задачи по данным; выделять X и y; делить данные: train_test_split.
Студент обучает модель: передавать X_train, y_train; делать предсказания: predict(X_test), применять несколько моделей к одной задаче.
Студент считает метрики: accuracy_score, mean_squared_error, интерпретировать результаты модели, сравнивать модели между собой.
Студент владеет инструментами: pandas, numpy, matplotlib, allcups.

Содержание учебной дисциплины

Введение в анализ данных и машинное обучение
Линейные модели I
Линейные модели II и классификация
Оценка качества моделей и работа с признаками
Введение в NLP и снижение размерности I
Cнижение размерности II и алгоритмы кластеризации
Деревья решений
Ансамбли моделей
Recsys
ANN
Введение в нейросети.
Введение в SQL
Демо-тех собеседование

Элементы контроля

SUM_6_ДЗ (макс. 60 баллов)
SUM_2_Демо-тех собеседования (макс. 20 баллов)
Студенту необходимо подготовиться к ответам на углубленные вопросы по по всем пройденным темам. Необходимо в чате записаться на определенное время для беседы с преподавателем. На одного студента до 20 минут. Беседа проходит в конце каждого модуля. Максимум за каждое занятие – 10 баллов.
SUM_Экзамен (макс. 20 баллов)
Студенту необходимо подготовиться к ответам на углубленные вопросы по по всем пройденным темам. Необходимо записаться на определенное время для сдачи экзамена. На одного студента до 20 минут. Максимум – 20 баллов.

Промежуточная аттестация

2026/2027 2nd module
SUM_6_ДЗ (макс. 60 баллов) + SUM_2_Демо-тех собеседования (макс. 20 баллов) + SUM_Экзамен (макс. 20 баллов) Максимум на занятиях можно набрать 100 баллов. Набранные баллы переводятся в 10-балльную оценку ВШЭ по следующей шкале: 10 –от 95 до 100, 9 –от 85 до 94, 8 –от 80 до 84, 7 –от 65 до 79, 6 –от 60 до 64, 5 –от 45 до 59, 4 –от 40 до 44, 3 –от 25 до 39, 2–от 15 до 24, 1 –от 5 до 14, 0 –от 0 до 4

Список литературы

Авторы

Сластников Сергей Александрович
Юнышева Анастасия Владимировна

Программа дисциплины