2024/2025

Машинное обучение

Статус: Маго-лего

Кто читает: Департамент больших данных и информационного поиска

Когда читается: 3, 4 модуль

Охват аудитории: для своего кампуса

Преподаватели: Боревский Андрей Олегович

Язык: русский

Кредиты: 6

Программа дисциплины

Аннотация

Курс посвящен изучению основных методов машинного обучения.

Цель освоения дисциплины

• Сформировать у студентов фундаментальные знания и практические навыки в области машинного обучения через освоение базовых алгоритмов и методов, развить способность применять изученные подходы для решения прикладных задач анализа данных.

Планируемые результаты обучения

• Знание основных метрик качества для регрессии и классификации
• Знание основных понятий и постановок задач машинного обучения
• Знание принципов построения композиций моделей
• Знание теоретических основ линейных и логических методов машинного обучения
• Умение выполнять кластеризацию и визуализацию данных
• Умение выполнять полный цикл построения модели
• Умение обучать основные модели машинного обучения, оценивать их качества
• Объяснять фундаментальные концепции машинного обучения, различая задачи обучения с учителем и без учителя, классификации и регрессии
• Применять метод линейной регрессии для решения задач прогнозирования, понимая его математические основы и ограничения
• Использовать градиентный спуск и его модификации для оптимизации параметров моделей машинного обучения
• Осуществлять подготовку и анализ данных с помощью библиотеки pandas, включая очистку данных и работу с пропущенными значениями
• Разрабатывать и оценивать модели логистической регрессии для задач бинарной классификации, применяя кросс-валидацию и подбор гиперпараметров
• Выбирать и использовать appropriate метрики качества классификации (accuracy, precision, recall, F1-score, ROC-AUC) в зависимости от специфики задачи
• Применять метод опорных векторов (SVM) и решающие деревья для задач классификации, понимая их преимущества и ограничения
• Решать задачи многоклассовой классификации, используя различные стратегии (one-vs-rest, one-vs-one)
• Разрабатывать и применять ансамблевые модели (случайный лес, градиентный бустинг) для повышения качества предсказаний
• Использовать алгоритмы кластеризации (K-means, иерархическая кластеризация) для сегментации данных и выявления скрытых паттернов

Содержание учебной дисциплины

• Введение в МЛ. Линейная регрессия.
• Градиентный спуск. Основы pandas.
• Оптимизация градиентного спуска. Введение в sklearn
• Линейная классификация. Логистическая регрессия. Кросс-валидация и подбор гиперпараметров
• Метрики качества классификации. Обработка признаков.
• Метод опорных векторов
• Многоклассовая классификация
• Решающие деревья.
• BVD. Ансамбли моделей.
• Кластеризация

Элементы контроля

• Домашнее задание 1
  Pandas
• Домашнее задание 2
  Sklearn
• Домашнее задание 3
  Grad
• Домашнее задание 4
  Classification
• Экзамен
  Онлайн в режиме реального времени

Промежуточная аттестация

• 2024/2025 4th module
  0.175 * Домашнее задание 1 + 0.175 * Домашнее задание 2 + 0.175 * Домашнее задание 3 + 0.175 * Домашнее задание 4 + 0.3 * Экзамен

Список литературы

Рекомендуемая основная литература

• Ian Goodfellow, Yoshua Bengio, & Aaron Courville. (2016). Deep Learning. The MIT Press.
• Ежов, А. А. Нейрокомпьютинг и его применения в экономике и бизнесе : учебное пособие / А. А. Ежов, С. А. Шумский. — 2-е изд. — Москва : ИНТУИТ, 2016. — 306 с. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100269 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

• Шумский, С. А. Воспитание машин: новая история разума : научно-популярное издание / С. А. Шумский. - Москва : Альпина нон-фикшн, 2021. - 174 с. - ISBN 978-5-00139-458-7. - Текст : электронный. - URL: https://znanium.com/catalog/product/1842383

Авторы

• Ахмедова Гюнай Интигам кызы