Бакалавриат
2026/2027
Анализ данных и машинное обучение
ID 1204582
Статус:
Курс обязательный (Компьютерные науки и технологии)
Когда читается:
3-й курс, 1, 2 модуль
Онлайн-часы:
30
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
3
Контактные часы:
60
Программа дисциплины
Аннотация
Изучение дисциплины нацелено на освоение основных методов и алгоритмов машинного обучения и анализа данных с применением языка программирования Python.
Дисциплина является пререквизитом к независимому экзамену по анализу данных продвинутого уровня.
В результате освоения курса студенты будут способны самостоятельно проводить анализ различных наборов данных и реализовывать различные модели машинного обучения с использованием библиотеки sklearn.
В курсе используются технологии ИИ. Также в рамках курса предполагается знакомство с заданиями с НЭ https://edu.hse.ru/course/view.php?id=151704 и прохождение онлайн курса основы машинного обучения (https://edu.hse.ru/course/view.php?id=132854)
Цель освоения дисциплины
- Целями освоения данной дисциплины является формирование у студентов представления об основных принципах обучения с учителем (регрессия, классификация) и без учителя (кластеризация). А также умение применять алгоритмы машинного обучения на практике, например в проектировании роботов (восприятие, контроль), анализе текстов (онлайн поиск, анти-спам), компьютерном зрении, медицинских информационных системах, обработке аудио, интеллектуальном анализе баз данных и других областях.
Планируемые результаты обучения
- Владеть: программными библиотеками кластеризации, входящими в состав библиотеки sklearn.
- Уметь: обоснованно и корректно выбирать метод для решения задачи кластеризации; корректно ставить задачу кластеризации.
- Интерпретировать виды нейронных сетей (сверточные, рекуррентные, глубокие), возможность изменения параметров сети (число слоев, число нейронов). Применять нейронные сети для решения практических задач.
- Интерпретировать задачу множественной классификации. Применять и интерпретировать на практике методы и метрики качества для решения задачи многоклассовой классификации.
- Интерпретировать основные алгоритмы и метрики качества бинарной классификации
- Интерпретировать основные алгоритмы и метрики качества задачи регрессии
Содержание учебной дисциплины
- Обзор алгоритмов машинного обучения. Линейная регрессия.
- Кластеризация данных
- Нейронные сети
- классификация
- Генеративные модели.
- Модуль Pandas, работа с таблицами и анализ данных.
Элементы контроля
- Practice work
- Активность на семинарахОтветы на семинарах
- In-class assignment
- Project
- экзамен
- онлайн курс
Промежуточная аттестация
- 2026/2027 2nd module0.1 * онлайн курс + 0.1 * Активность на семинарах + 0.2 * Project + 0.1 * In-class assignment + 0.1 * экзамен + 0.1 * Practice work
Список литературы
Рекомендуемая основная литература
- 9780262046824 - Kevin P. Murphy - Probabilistic Machine Learning - 2022 - MIT Press - https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=2932689 - nlebk - 2932689
- Introduction to machine learning, Alpaydin, E., 2020
- Python для сложных задач: наука о данных и машинное обучение. - 978-5-4461-0914-2 - Плас Дж. Вандер - 2021 - Санкт-Петербург: Питер - https://ibooks.ru/products/376830 - 376830 - iBOOKS
- Обработка данных в Python. Основы работы с библиотекой Pandas - Титов А. Н., Тазиева Р. Ф. - Казанский национальный исследовательский технологический университет - 978-5-7882-3164-8 - 2022 - русский - https://e.lanbook.com/book/331013 - ЛАНЬ - 331013
Рекомендуемая дополнительная литература
- Arduino: искусственный интеллект и машинное обучение - С.Ф. - ДМК Пресс - 9785937002761 - 2024 - русский - https://hse.alpinadigital.ru/document/45368 - Alpina - 45368
- Osondu, O. (2021). A First Course in Artificial Intelligence. Bentham Science Publishers Ltd.
- Shoeybi, M., Patwary, M., Puri, R., LeGresley, P., Casper, J., & Catanzaro, B. (2019). Megatron-LM: Training Multi-Billion Parameter Language Models Using Model Parallelism.