Кто читает:: Департамент прикладной математики

Статус:: Курс обязательный

Когда читается:: 3-й курс, 1-3 модуль

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс посвящён изучению основных методов машинного обучения. Рассматривается работа с данными и предварительный анализ данных. Изучаются библиотеки языка Python для работы с табличными данными и для визуализации, обсуждаются методы предобработки данных, подготовки категориальных и текстовых данных. Обучение с учителем. Изучаются линейные модели, решающие деревья, композиции моделей (случайный лес, градиентный бустинг и его имплементации), приложения в рекомендательных системах. Обучение без учителя. Изучаются методы кластеризации, визуализации, понижения размерности. Все темы сопровождаются практикой на реальных данных.

Цель освоения дисциплины

Ознакомление с фундаментальными понятиями и математическим аппаратом теории машинного обучения и анализа данных.
Изучение основных задач из области машинного обучения и методов их решения.
Формирование навыков эффективного применения изученных методов для решения задач профессиональной области.

Планируемые результаты обучения

Знает основные математические понятия для анализа данных: математический анализ, линейная алгебра, методы оптимизации, теория вероятностей, и умеет их интерпретировать.
Умеет использовать библиотеки Python для анализа данных: NumPy, SciPy, Matplotlib, Pandas.
Знает и умеет применять статистические методы: оценка параметров, точность оценок, A/B-тестирование, проверка статистических гипотез, корреляции и причинно-следственные связи.
Студент знает алгоритмы регрессии: линейная регрессия, МНК, градиентный спуск, регуляризация (L1, L2), полиномиальная регрессия, переобучение/недообучение, валидация
Умеет оценивать качество регрессии: MSE, MAE, RMSE, R², MAPE.
Знает алгоритмы классификации: логистическая регрессия, softmax, байесовская классификация, решающие деревья, случайные леса, градиентный бустинг.
Умеет применять метрики классификации: accuracy, precision, recall, F1, ROC-AUC.
Понимает основы обучения без учителя: кластеризация (K-means, DBSCAN, иерархическая), понижение размерности (PCA), поиск аномалий, визуализация (t-SNE).
Знает типы прикладных задач анализа данных и уметь применять схемы решения: извлечение признаков из текстов/изображений/временных рядов/таблиц, сведение задачи заказчика к ML, backtesting, A/B-тесты, мониторинг в production, сравнение алгоритмов ML.

Содержание учебной дисциплины

Инструменты анализа данных.
Статистический анализ данных.
Введение в машинное обучение.
Обучение на размеченных данных.
Поиск структуры в данных.
Прикладные задачи анализа данных.

Элементы контроля

Домашнее задание
Важно! Студентам предстоит защищать домашние задания в назначенное преподавателем время. Во время защиты преподаватель проводит устный опрос с каждым студентом выборочно по домашним заданиям. Если студент дает полный корректный ответ, то он получает 100% от баллов за данный вид контроля. Если ответ студента неполный, то к баллам за домашние задания применяется понижающий коэффициент(75%, 50% и т.д.)
Рубежный контроль:
Домашнее задание
Важно! Студентам предстоит защищать домашние задания в назначенное преподавателем время. Во время защиты преподаватель проводит устный опрос с каждым студентом выборочно по домашним заданиям. Если студент дает полный корректный ответ, то он получает 100% от баллов за данный вид контроля. Если ответ студента неполный, то к баллам за домашние задания применяется понижающий коэффициент(75%, 50% и т.д.)
Экзамен
Активность на семинарах
Активность (Квиз) - это короткий тест по текущим темам дисциплины, проводится на семинарах. Студенты также могут получить дополнительные баллы за активное участие в семинарах- работа у доски, решение задач, активное обсуждение.

Промежуточная аттестация

2026/2027 2nd module
Домашнее задание: Домашнее задание * 0.500 + Активность на семинарах: Активность * 0.300 + Рубежный контроль: Контрольная работа * 0.200 Важно! Студентам предстоит защищать домашние задания в назначенное преподавателем время. Во время защиты преподаватель проводит устный опрос с каждым студентом выборочно по домашним заданиям. Если студент дает полный корректный ответ, то он получает 100% от баллов за данный вид контроля. Если ответ студента неполный, то к баллам за домашние задания применяется понижающий коэффициент(75%, 50% и т.д.)
2026/2027 3rd module
Формула оценивания: Домашнее задание: Домашнее задание * 0.500 + Активность на семинарах: Активность * 0.300 + Экзамен: Устный опрос * 0.200 Важно! Студентам предстоит защищать домашние задания в назначенное преподавателем время. Во время защиты преподаватель проводит устный опрос с каждым студентом выборочно по домашним заданиям. Если студент дает полный корректный ответ, то он получает 100% от баллов за данный вид контроля. Если ответ студента неполный, то к баллам за домашние задания применяется понижающий коэффициент(75%, 50% и т.д.)

Список литературы

Авторы

Юнышева Анастасия Владимировна

Бакалаврская программа «Прикладная математика»

Анализ данных и машинное обучение

Программа дисциплины