Магистратура 2021/2022

Современные методы анализа данных

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Статус: Курс обязательный

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Департамент информатики

Где читается: Школа информатики, физики и технологий

Когда читается: 1-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Суворова Алёна Владимировна

Прогр. обучения: Информационные системы и взаимодействие человек-компьютер

Язык: русский

Кредиты: 4

Контактные часы: 44

Программа дисциплины

Аннотация

Дисциплина направлена на изучение студентами основных принципов машинного обучения, эффективных алгоритмов обучения и применения обученных моделей. В результате изучения дисциплины у студента будет сформировано представление об основных задачах, решаемых с помощью моделей машинного обучения, как в области анализа пользователей информационных систем, так и при построение сервисов и приложений, основанных на данных.

Цель освоения дисциплины

• изучение основных принципов машинного обучения и построение моделей для решения задач автоматизации и анализа пользователей

Планируемые результаты обучения

• Выделяет подгруппы пользователей с помощью инструментов анализа данных
• Выделяет правила из данных методами машинного обучения
• Выявляет смещения (bias) в моделях
• Знает основные понятия машинного обучения
• Интерпретирует результаты предсказания
• Интерпретирует результаты статистического анализа с учетом ограничений использованных методов
• Обосновывает выбор методов и инструментария для проверки гипотез
• Применяет основные конструкции языка Python и библиотек для анализа данных
• Строит ансамблевые модели на языке Python
• Строит модели с применением методов интерпретируемого машинного обучения
• Строит предсказательные модели на языке Python
• Строит нейросетевые модели

Содержание учебной дисциплины

• Введение, основные понятия анализа данных, анализ данных в HCI
• Выводы на основе данных: проверка гипотез и статистические тесты
• Сегментация данных
• Предсказания на основе данных. Классификация и регрессия
• Сложные модели и их применение

Элементы контроля

• Дневники проекта
  За сдачу после дедлайна начисляется 5% штраф за каждый день просрочки
• Проект
  За сдачу после дедлайна начисляется 5% штраф за каждый день просрочки
• Экзамен
• Эссе
  Домашнее задание представляет собой структурированное эссе по одной из статей, связанных с методологией или применением A/B тестирования. Статья выбирается из предложенного преподавателем списка или самостоятельно студентом по согласованию с преподавателем.
• Упражнения

Промежуточная аттестация

• 2021/2022 учебный год 2 модуль
  0.25 * Дневники проекта + 0.3 * Проект + 0.1 * Упражнения + 0.2 * Экзамен + 0.15 * Эссе

Список литературы

Рекомендуемая основная литература

• Trevor Hastie, Robert Tibshirani , et al., The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edition, 2017. Free from the publisher: https://web.stanford.edu/~hastie/ElemStatLearn/printings/ESLII_print12.pdf
• Интерпретируемое машинное обучение на Python: Пер. с англ. - 978-5-9775-1735-5 - Масис С. - 2023 - Санкт-Петербург: БХВ-Петербург - https://ibooks.ru/bookshelf/389646 - 389646 - iBOOKS
• Ростовцев, В. С. Искусственные нейронные сети / В. С. Ростовцев. — 3-е изд., стер. — Санкт-Петербург : Лань, 2023. — 216 с. — ISBN 978-5-507-46446-3. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/310184 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

• Molnar, C. (2018). iml: An R package for Interpretable Machine Learning. https://doi.org/10.5281/zenodo.1299058

Авторы

• Суворова Алёна Владимировна