Бакалавриат 2024/2025

Анализ данных и машинное обучение

Статус: Курс обязательный (Прикладная математика)

Направление: 01.03.04. Прикладная математика

Кто читает: Департамент прикладной математики

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

Когда читается: 3-й курс, 2, 3 модуль

Формат изучения: с онлайн-курсом

Онлайн-часы: 30

Охват аудитории: для своего кампуса

Преподаватели: Поляков Константин Львович

Язык: русский

Кредиты: 3

Программа дисциплины

Аннотация

Данный курс ориентирован на студентов бакалавриата, которые связывают свою карьеру с анализом данных. Он охватывает, как решение задач связанных с предварительным анализом данных, так и основные задачи статистического (машинного) обучения "с учителем" - задачу распознавания образов (классификации), задачу восстановления регрессии и задачу восстановления закона распределения. В рамках курса также рассматриваются различные варианты кластерного анализа, как задачи статистического обучения без учителя. Дополнительными темами курса являются задачи анализа текстовых данных и изображений. Курс входит в систему подготовки студентов к сдаче экзамена по Data Culture.

Цель освоения дисциплины

• Освоение методов предварительного анализа данных и методов статистического (машинного) обучения

Планируемые результаты обучения

• Умеет анализировать качество данных, умеет обнаруживать статистические свойства данных.
• Умеет проверять гипотезы из прикладной области с помощью построенной МЛР на основе проверки статистических гипотез.
• Умеет проводить частотный анализ текстовых данных и визуализировать их
• Владеет понятием нейронные сети: перцептрон. Знает виды функций активации; обучение одного перцептрона. Изучил историю развития нейронных сетей. Владеет понятием градиентный спуск. Способен сделать градиентный спуск быстрее и лучше.
• Знать основные задачи, решаемые с использованием статистического обучения.
• Знать основные проблемы, возникающие при использовании статистического обучения.
• Уметь выполнить иерархическую кластеризацию данных и интерпретировать полученные результаты
• Уметь выполнить кластеризацию к-средних с выбором оптимального числа кластеров. Уметь интерпретировать полученные результаты.
• Уметь специфицировать и оценить модель логистической регрессии.
• Уметь оценить качество модели логистической регрессии
• Уметь построить регрессионное дерево
• Уметь построить дерево классификации
• Знать, что такое переобучение в статистическом обучении
• Знать базовые методы анализа качества статистического обучения
• Знать основные методы анализа изображений на Python

Содержание учебной дисциплины

• ISL_1. Предварительный анализ данных
• ISL_2. Определение и задачи статистического обучения
• ISL_3. Анализ качества результатов статистического обучения.
• ISL_4. Задача восстановления регрессии
• ISL_5. Обучение с учителем. Деревья принятия решений.
• ISL_6. Обучение с учителем. Методы классификации. Модели конечного выбора.
• ISL_7. Обучение без учителя. Классификация
• ISL_8. Методы анализа текстовых данных
• ISL_9. Методы анализа изображений
• ISL_10. Основы глубинного обучения

Элементы контроля

• Вопрос на лекции
  Тест в конце каждой лекции по материалу текущей и предыдущей лекций.
• Экзамен
  Тест с ограниченным временем выполнения
• Работа на семинарах
  Решение задач на семинарах

Промежуточная аттестация

• 2024/2025 3rd module
  0.4 * Вопрос на лекции + 0.4 * Работа на семинарах + 0.2 * Экзамен

Список литературы

Рекомендуемая основная литература

• A selection of Image processing techniques : from fundamentals to research front, Zhang, Y.-J., 2022
• Statistical learning theory, Vapnik, V. N., 1998
• The elements of statistical learning : data mining, inference, and prediction, Hastie, T., 2017
• Нейронные сети. Полный курс : пер. с англ., Хайкин, С., 2018
• Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP : учеб. пособие, Барсегян, А. А., 2008
• Эконометрика для начинающих : дополнительные главы, Носко, В. П., 2005
• Эконометрика для начинающих : Осн. понятия, элементарные методы, граница применимости, интерпретация результатов, Носко, В. П., 2000
• Эконометрика. Начальный курс : учебник для вузов, Магнус, Я. Р., 2001
• Эконометрика. Начальный курс : учебник для вузов, Магнус, Я. Р., 2007

Рекомендуемая дополнительная литература

• Clustering for data mining : a data recovery approach, Mirkin, B., 2005
• Contrast data mining : concepts, algorithms, and applications, , 2013
• Data mining : practical machine learning tools and techniques, Witten, I. H., 2011
• Statistical image processing and multidimensional modeling, Fieguth, P., 2011
• Введение в эконометрику : учебник для вузов, Доугерти, К., 2001
• Прикладной анализ текстовых данных на Python : машинное обучение и создание приложений обработки естественного языка, Бенгфорт, Б., 2020
• Эконометрика - 2: продвинутый курс с приложениями в финансах : учебник, Айвазян, С. А., 2015
• Эконометрика : учебник и практикум для прикладного бакалавриата, Демидова, О. А., 2017

Авторы

• Поляков Константин Львович