Машинное обучение

2026/2027

Статус: Маго-лего

Кто читает: Школа лингвистики

Где читается: Факультет гуманитарных наук

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Политова Ирина Сергеевна

Язык: русский

Кредиты: 6

Контактные часы: 48

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

познакомить студентов с основными задачами и методами машинного обучения
научить применять машинное обучения для решения задач автоматической обработки текстов

Планируемые результаты обучения

анализирует преимущества и недостатки разных алгоритмов классификации
анализирует преимущества и недостатки разных алгоритмов кластеризации, подбирает оптимальное количество классов
воспроизводит и инретпретирует основные термины и понятия, используемые в дальнейшем при освоении курса
выбирает и интерпретирует метрики
использует предобученные модели для получения контекстных векторных представлений
использует слой DropOut для регуляризации, использует предобученные модели для получения представлений картинок
настраивает параметры кластеризации, оценивает качество кластеризации
обучает модели бинарной и многоклассовой классификации
обучает нейронные классификаторы с использованием рекуррентных слоев в keras (gru, lstm), обучает seq2seq модели, использует предобученные векторные представления
обучает нейронные классификаторы с использованием сверточных слоев в keras, подбирает параметры в сверточных слоях
обучает нейронные классификаторы с использованием слоев Embedding, Dense в keras, выбирает нужную функцию потерь и оптимизатор
обучает ранжирующие модели, оценивать результаты ранжирования
обучает регрессионные модели
обучает случайный лес, градиентный бустинг, пользовуется xgboost, lightgbm и catboost, применяет стекинг
отличает accuracy от precision и precision от recall
подбирает параметры (размер батча, количество слоев, размерность эмбедингов)
разбивает выборку на обучающую и тестовую
разбивает выборку на фолды и производит кросс-валидацию
различает макро и микро усреднение
учитывает сбалансированность классов или распределения при разбиении, определяет переобучение

Содержание учебной дисциплины

Введение
Классификация
Регрессия
Валидация
Ансамбли
Кластеризация
Ранжирование
Нейронные сети (keras)
Нейронные сети (cnn)
Нейронные сети (rnn)

Элементы контроля

Лабораторная работа 1
Работа проверяет усвоение студентами Раздела 1. Студентам предоставляется несколько наборов данных для решения различных задач “классического” машинного обучения (без использования нейросетей): классификации, регрессии, кластеризации и т.д. Каждая задача предполагает написание кода на Python с использованием средств библиотеки scikit-learn и некоторых других подобных библиотек. В отдельных случаях в условиях задач будет оговорена необходимость преобразовать данные перед началом работы. Сдача возможна в формате .ipynb или .py-файла(ов). Не допускается использование иных языков программирования, кроме Python.
Лабораторная работа 2
Работа проверяет усвоение студентами Разделов 2 (в большей степени) и 1 (в качестве закрепления). Данная работа имеет несколько вариантов выполнения. Студенты могут выбрать или вариант 1, или вариант 2. В обоих случаях максимальной оценкой является 10, минимальной - 0. 1) Мини-проект/реферат: студент выбирает свежую статью (статьи, вышедшие ранее 2017г., могут быть выбраны только по согласованию с преподавателем) по предполагаемой теме своей ВКР или по любой другой, которой интересуется. Статья должна быть опубликована в рецензируемом издании, а задачи исследования должны быть решены при помощи машинного обучения. Далее студент реферирует статью, опционально делая также мини-проект на ее основе. 2) Лабораторная работа по программированию: студентам предоставляется несколько наборов данных для решения различных задач глубокого машинного обучения. Большая часть задач предполагает написание кода на Python с использованием средств библиотек transformers, pytorch, gensim и некоторых других подобных. В отдельных случаях в условиях задач будет оговорена необходимость преобразовать данные перед началом работы. Сдача возможна в формате .ipynb или .py-файла(ов). Задачи, предполагающие использование API больших языковых моделей, могут быть сданы в формате .sh-скриптов и текстовых файлов. За исключением выполнения задач последнего типа, не допускается использование иных языков программирования, кроме Python.
Квизы

Промежуточная аттестация

2026/2027 4th module
0.4 * Лабораторная работа 2 + 0.2 * Квизы + 0.4 * Лабораторная работа 1

Список литературы

Авторы

Клышинский Эдуард Станиславович
Климов Александр Антонович
Трошин Даниил Юрьевич
Дьячкова Анна Евгеньевна

Программа дисциплины