Машинное обучение в пространственных задачах

2026/2027

Статус: Маго-лего

Кто читает: Факультет географии и геоинформационных технологий

Где читается: Факультет географии и геоинформационных технологий

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Подольская Екатерина Сергеевна, Сакиркина Мария Александровна

Язык: русский

Кредиты: 6

Контактные часы: 56

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс «Машинное обучение в пространственных задачах» представляет собой обзор по методам машинного обучения (МО) с фокусом на пространственные задачи. Курс рассматривает основные существующие направления МО и типичные решаемые задачи географического характера, а также вопросы корректной подготовки данных и оценки полученных результатов с учетом пространственной специфики. Основная цель - сориентировать слушателей в многообразии методов от регрессии до нейронных сетей и научить обоснованно выбирать методы МО для своих тематических задач, а также научить самостоятельно формулировать задачи, выбирать наиболее подходящие методы их решения и оценивать полученный результат с точки зрения географического контекста. Изучение дисциплины опирается на курсы магистратуры «Пространственные инструменты для решения экологических задач», «Основы анализа пространственных данных». Полученные знания и навыки в дальнейшем используются при изучении дисциплин «Математическое моделирование в пространственных задачах» и «Пространственное планирование на основе данных», а также «Геоаналитика в корпоративных и государственных системах принятия решений». Практические задачи на занятиях выполняются в программной среде Python, открытом или проприетарном ПО (QGIS, ArcGIS).

Цель освоения дисциплины

Соориентировать слушателей в многообразии методов от регрессии до нейронных сетей и научить обоснованно выбирать методы МО для своих тематических задач, а также научить самостоятельно формулировать задачи, выбирать наиболее подходящие методы их решения и оценивать полученный результат с точки зрения географического контекста.

Планируемые результаты обучения

знать комплекс методов машинного обучения, понимать их границы применимости и отличия от других математических методов
уметь аргументированно выбирать метод машинного обучения для существующей задачи и данных, разбираться в руководствах для выбора корректных настроек и применять подходящие методы для решения задач
владеть подходами к тому, как переводить географическую задачу на язык задач машинного обучения, организовать исследование от этапов постановки задачи, выбора метода, практической реализации до правильной интерпретации получаемых результатов с тематической точки зрения
Уметь применять кластерный анализ для геозадачи
Уметь использовать методы классификации и регрессии для геозадачи
знать возможности и ограничения Random Forest
уметь выбирать и применять различные архитектуры нейросетей
уметь создавать и использовать наборы данных для проекта машинного обучения
понимать синтаксис и содержание модели машинного обучения на Python
понимать синтаксис и содержание модели глубокого обучения
владеть техническими навыками оптимизации модели машинного обучения
понимать возможности и ограничения современной российской практики геоаналитики
уметь выбирать и оценивать программное обеспечение для проекта машинного обучения
понимать возможности и ограничения методов машинного обучения в производственных проектах машинного обучения
понимать особенности применения методов машинного обучения в научных проектах
уметь организовать проект машинного обучения, знать его этапы и способы интеграции моделей

Содержание учебной дисциплины

Место ML в Data Science и AI. Приложения и развитие ML как части Data Science. Математические основы ML. Типы ML-задач.
Кластеризация в ML (обучение без учителя), метрики кластеризации. Примеры в геоинформатике.
Классификация и регрессия в ML (обучение с учителем). Примеры в геоинформатике
Деревья решений и ансамбли алгоритмов в ML
Нейросети (НС): обзор алгоритмов, их особенности и отличия
Наборы данных для ML: источники, варианты использования, самостоятельное создание
Понятие модели ML. Python-frameworks для классического ML: pandas, Scikit-Learn, numpy, ансамбли деревьев (CatBoost, XGBoost, LightGBM).
Понятие модели ML. Python-frameworks для глубокого ML: Keras, Tensorflow
Понятие модели ML. Создание и оптимизация модели ML на Python
ML-проект: этапы и организация, способы интеграции в производственные процессы
ML в научных публикациях. Примеры областей и модели ML для решения задач с геоданными
ML в производственных задачах: в сельском хозяйстве, в прогнозировании рисков и природных явлений, геомаркетинговых показателей для решения задач с геоданными. ML в пользовательских предпочтениях
ML в геоинформатике. Обзор программного обеспечения по работе с функциями ML в геоинформатике. Приложения и развитие ML как части Data Science.
Этические и правовые вопросы использования данных и результатов ML-проектов

Элементы контроля

Экзамен
ГИС-проект МО
Домашнее задание

Промежуточная аттестация

2026/2027 4th module
0.3 * Экзамен + 0.4 * ГИС-проект МО + 0.3 * Домашнее задание

Список литературы

Авторы

Сакиркина Мария Александровна
Подольская Екатерина Сергеевна

Программа дисциплины