Магистратура
2024/2025





Машинное обучение
Статус:
Курс обязательный (Искусственный интеллект в маркетинге и управлении продуктом)
Направление:
01.04.02. Прикладная математика и информатика
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
Программа дисциплины
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 1Sklearn
- Домашнее задание 2Classification 1
- Домашнее задание 3Classification 2
- Домашнее задание 4Boosting
- ЭкзаменОнлайн в режиме реального времени
Промежуточная аттестация
- 2024/2025 4th module0.175 * 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