• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Бакалаврская программа «Прикладная математика и информатика»

Современные методы машинного обучения

2019/2020
Учебный год
RUS
Обучение ведется на русском языке
Статус:
Майнор
Когда читается:
1, 2 модуль

Программа дисциплины

Аннотация

Курс посвящён изучению современных методов машинного обучения, широко используемых в практических задачах. В первой части изучаются методы глубинного обучения: основы оптимизации, принципы обучения нейронных сетей, сети прямого распространения, архитектуры для работы с изображениями и текстовыми данными. Во второй части изучаются практические вопросы машинного обучения: подготовка данных, подбор гипепараметров, оптимизация модели под конкретную метрику, разработка признаков.
Цель освоения дисциплины

Цель освоения дисциплины

  • Знать принципы обучения и применения нейронных сетей
  • Знать основные архитектуры нейронных сетей
  • Уметь обучать нейронные сети с помощью средств языка Python
  • Уметь выполнять полный цикл решения задачи анализа данных
Планируемые результаты обучения

Планируемые результаты обучения

  • Знать принципы обучения и применения нейронных сетей
  • Уметь обучать нейронные сети с помощью средств языка Python
  • Знать основные архитектуры нейронных сетей
  • Уметь выполнять полный цикл решения задачи анализа данных
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Методы оптимизации
    Градиентный спуск (напоминание), обсуждение его особенностей и проблем. Стохастический градиентный спуск. Ускорение сходимости стохастических методов: Moment и AdaGrad. Метод Ньютона.
  • Нейронные сети
    Определение нейронной сети. Обучение нейронных сетей, метод обратного распространения ошибки. Введение в TensorFlow. Сверточные нейронные сети, современные архитектуры. Рекуррентные нейронные сети для текстов. Автокодировщики и другие применения нейросетей. Генеративные сети.
  • Практический анализ данных
    Разведочный анализ данных. Подготовка данных, в том числе категориальных. Разработка признаков. Выбор модели. Оптимизация нестандартных метрик. Подбор гиперпараметров.
Элементы контроля

Элементы контроля

  • неблокирующий Оценка онлайн курса
  • неблокирующий Проверочные работы
    Проверочные работы по материалам онлайн-курсов
  • неблокирующий Домашнее задание
  • неблокирующий Контрольная работа
  • неблокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (2 модуль)
    0.4 * Домашнее задание + 0.2 * Контрольная работа + 0.1 * Оценка онлайн курса + 0.1 * Проверочные работы + 0.2 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.

Рекомендуемая дополнительная литература

  • - Гудфеллоу Я., Бенджио И., Курвилль А. — Глубокое обучение - Издательство "ДМК Пресс" - 2018 - ISBN: 978-5-97060-618-6 - Текст электронный // ЭБС Лань - URL: https://e.lanbook.com/book/107901