Бакалавриат 2024/2025

Научно-исследовательский семинар "Машинное обучение и приложения 2"

ID 793695

Статус: Курс обязательный (Прикладная математика и информатика)

Направление: 01.03.02. Прикладная математика и информатика

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 4-й курс, 1-3 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Баженов Глеб Владимирович, Карташев Николай Геннадьевич, Котельников Аким Константинович

Язык: русский

Кредиты: 5

Программа дисциплины

Аннотация

Курс посвящён чтению, пониманию и обсуждению научных статей по машинному и глубокому обучению. Студенты разбирают постановку исследовательской задачи, методы, основные результаты и ограничения работ, связывают их с предшествующими исследованиями и учатся ясно представлять материал аудитории. Основу занятий составляют студенческие доклады, научная дискуссия и выступления приглашённых исследователей. Студенты готовят письменные рецензии на доклады и дважды за курс проходят устный коллоквиум. После необходимых классических работ основное внимание уделяется исследованиям последних двух-трёх лет. Обязательное программирование, реализация методов и воспроизведение экспериментов в курс не входят.

Цель освоения дисциплины

• Развить навыки самостоятельного чтения научных статей по машинному и глубокому обучению.
• Научить выделять исследовательский вопрос, основную идею и вклад работы.
• Научить анализировать методологию, доказательства и экспериментальные результаты.
• Развить умение соотносить статью с предшествующими работами и текущим исследовательским направлением.
• Развить навыки ясного, точного и структурированного представления научных результатов.
• Развить навыки академической дискуссии и аргументированного рецензирования научных выступлений.

Планируемые результаты обучения

• Знать основные задачи в области современных исследований в машинном обучении (классификация, регрессия, сегментация, прогнозирование и т.д.).
• Знать современные алгоритмы и модели, рассматриваемые в научных статьях (сверточные нейронные сети, рекуррентные нейронные сети, бустинг, коллаборативная фильтрация, REINFORCE и т.д.), знать преимущества и недостатки моделей данных типов.
• Уметь готовить и проводить выступление с докладом на научную тему, а также вести дискуссию по материалам доклада.
• Уметь писать научные тексты.
• Уметь самостоятельно выбирать и изучать современные научные статьи, находить релевантную литературу.

Содержание учебной дисциплины

• Приглашенные доклады.
• Выступления студентов с научными докладами.
• Научные тексты и их оформление.

Элементы контроля

• Проверочные
  После каждого занятия студентам будет выдаваться небольшая проверочная работа, содержащая по одному вопросу на каждый доклад. В течение года студенту нужно написать ответы по половину вопросов (то есть можно выбирать на какие темы писать проверочные, а на какие нет). При этом если студент напишет больше ответов, то в его оценку будут засчитываться максимальные оценки.
• Рецензии
  На каждый доклад трое одногруппников докладчиков, присутствовавшие на занятии, пишут короткую рецензию на выступление. Рецензия должна обосновывать выставленную оценку, содержать описание положительных и отрицательных сторон, а также предложения по улучшению доклада. Главная цель рецензии - помочь докладчику улучшить свои навыки.
• Доклады
  Три раза в год студент выступает с докладом по научной статье в одной из трех ролей - докладчик, исследователь или хакер. Докладчик готовит рассказ о содержании статьи на 20 минут с презентацией и представляет его на занятии. Исследователь подробно изучает контекст статьи, анализирует как данная работа встраивается в существующую научную реальность (что было до, что случилось после, на какие работы опирается эта статья) и готовит об этом выступление на 15-20 минут. Хакер работает с кодом, ставит эксперименты по мотивам статьи, или готовит игрушечный пример, иллюстрирующий идеи и находки статьи. По результатам своей работы готовит ноутбук (с комментариями и выводами) и представляет основные результаты на занятии. В течении года каждый студент один раз выступает докладчиком, один раз исследователем или хакером и третий раз ему распределяется случайная роль (докладчик или исследователь/хакер). Темы выступлений распределяются заранее преподавателями с учетом интересов студентов. Минимум за неделю до даты выступления выступающие должны прислать краткий план своего доклада преподавателю на согласование, а сразу после выступления - все материалы (презентации и ноутбуки).

Промежуточная аттестация

• 2024/2025 3rd module
  0.3 * Проверочные + 0.6 * Доклады + 0.1 * Рецензии

Список литературы

Рекомендуемая основная литература

• Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705
• Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning : Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008
• Глубокое обучение - Гудфеллоу Я., Бенджио И., Курвилль А. - Издательство "ДМК Пресс" - 978-5-97060-618-6 - 2018 - русский - https://e.lanbook.com/book/107901 - ЛАНЬ - 107901

Рекомендуемая дополнительная литература

• James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.

Авторы

• Лобачева Екатерина Максимовна