2024/2025
Машинное обучение
Статус:
Дисциплина общефакультетского пула
Где читается:
Факультет математики
Когда читается:
3, 4 модуль
Онлайн-часы:
20
Охват аудитории:
для своего кампуса
Преподаватели:
Корпачев Сергей Сергеевич
Язык:
русский
Кредиты:
6
Программа дисциплины
Аннотация
Курс "Машинное обучение" посвящен разбору классических алгоритмов машинного обучения (от линейной регрессии до композиций алгоритмов) и введению в глубинное обучение. Также в курсе обсуждается работа с данными: очистка, нормализация, удаление выбросов. В ходе обучения студенты решают как теоретические задачи на бумаге, так и домашние задания с помощью Python, участвуют в соревнованиях.Курс является факультативным курсом для студентов 3 курса математического факультета. Курс читается во втором семестре. Для углубления полученных на курсе знаний студенты имеют возможность посещать майнор аналогичной тематики. Пререквизитами являются знание основ высшей математики (математический анализ, линейная алгебра, теория вероятностей и основы математической статистики) и владение языком программирования Python хотя бы на среднем уровне.
Цель освоения дисциплины
- Знать теоретические основы линейных, логических и нейросетевых методов машинного обучения.
- Уметь выполнять полный цикл построения модели.
- Уметь обучать основные модели машинного обучения, оценивать их качество.
Планируемые результаты обучения
- Знает основные понятия и постановки задач машинного обучения.
- Умеет выполнять кластеризацию и визуализацию данных.
- Знает основные метрики качества для регрессии и классификации.
- Знает принципы построения композиций моделей.
Содержание учебной дисциплины
- Введение в машинное обучение.
- Метод k-ближайших соседей для классификации и регрессии.
- Линейная регрессия.
- Линейная регрессия и градиентный спуск.
- Линейная классификация.
- Логистическая регрессия. Метод опорных векторов.
- Проверка качества ML-моделей.
- Многоклассовая классификация.
- Решающие деревья.
- Композиции моделей: бэггинг и бустинг.
- Градиентный бустинг.
- Ранжирование.
- Кластеризация.
- Отбор признаков. Методы снижения размерности.
- Машинное обучение в прикладных задачах.
Промежуточная аттестация
- 2024/2025 4th module0.4 * Домашнее задание + 0.2 * Контрольная работа + 0.1 * Самостоятельная работа + 0.3 * Экзамен
Список литературы
Рекомендуемая основная литература
- Robert A. Beezer, T. Hastie, R. Tibshirani, & J. Friedman Springer. (2002). The Elements of Statistical Learning: Data Mining, Inference and Prediction. By. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.C9BC2266
Рекомендуемая дополнительная 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