Машинное обучение

Магистратура 2024/2025

Статус: Курс обязательный (Искусственный интеллект в маркетинге и управлении продуктом)

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 1-й курс, 3, 4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Боревский Андрей Олегович

Прогр. обучения: Искусственный интеллект в маркетинге и управлении продуктом

Язык: русский

Кредиты: 6

Полная версия программы учебной дисциплины Задать вопрос

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
Решающие деревья 2
Bias Variance Decomposition
Ансамбли в ML
Градиентный бустинг: введение
Стекинг
Повторение всех методов ансамблей
Введение в методы кластеризации
Методы кластеризации. Продолжение
Проверочная по кластеризации
Консультация перед экзаменом

Элементы контроля

Домашнее задание 1
Sklearn
Домашнее задание 2
Classification 1
Домашнее задание 3
Classification 2
Домашнее задание 4
Boosting
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

Авторы

Ахмедова Гюнай Интигам кызы

Программа дисциплины