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

Бакалаврская программа «Экономика»

Машинное обучение

2018/2019
Учебный год
RUS
Обучение ведется на русском языке
5
Кредиты
Статус:
Курс по выбору
Когда читается:
3-й курс, 1, 2 модуль

Преподаватель

Программа дисциплины

Аннотация

Курс "Машинное обучение" является факультативным курсом для студентов 3го и 4го года обучения факультета экономических наук. Курс читается в первом семестре. У студентов факультета экономических наук есть возможность посещать майнор аналогичной тематики. Курс "Машинное обучение" позиционируется как более сложный. В ходе обучения студенты решают как теоретические задачи на бумаге, так и домашние задания с помощью Python, участвуют в соревнованиях.
Цель освоения дисциплины

Цель освоения дисциплины

  • Знать основные модели и методы машинного обучения и разработки данных
  • Уметь применять указанные модели и методы, а также программные средства, в которых они реализованы
  • Владеть навыками анализа реальных данных с помощью изученных методов
Планируемые результаты обучения

Планируемые результаты обучения

  • Знать основные модели и методы машинного обучения и разработки данных
  • Уметь применять указанные модели и методы, а также программные средства, в которых они реализованы
  • Владеть навыками анализа реальных данных с помощью изученных методов
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение в машинное обучение
    Введение. Постановки основных классов задач в машинном обучении: классификация, регрессия, ранжирование, кластеризация, оценка скрытого состояния модели. Примеры задач. Виды данных: структурированные таблицы, тексты, изображения, звук, логи. Признаки.
  • Линейные методы регрессии
    Дифференциал в матричной форме. Аналитическое и численное решение задачи МНК. Градиентный спуск, методы оценива- ния градиента. Функции потерь. Метрики качества регрессии. Регуляризация. Методы оценивания обобщающей способности, кросс-валидация.
  • Линейные методы классификации
    Аппроксимация эмпирического риска. Задача оценивания вероятностей, логистическая регрессия. Идея калибровки вероятностей. Персептрон. Обобщённые линейные модели. Метрики качества в задачах классификации. Постановки задач многоклассовой и multilabel-классификации.
  • Снижение размерности данных
    Работа с признаками. Методы отбора признаков. Сингулярное разложение. Метод главных компонент. Алгоритмы umap и t-SNE.
  • Решающие деревья
    Общий алгоритм построения, критерии информативности. Конкретные критерии для классификации и регрессии. Тонкости решающих деревьев: обработка пропущенных значений, стрижка, регуляризация.
  • Композиции алгоритмов
    Общая идея разложения MSE на смещение и разброс. Бэггинг и метод случайных подпространств. Случайные леса. Бустинг. Градиентный бустинг над решающими деревьями.
  • Введение в нейронные сети и глубинное обучение
    Структура нейронной сети. Обратное распространение ошибки. Применение нейросетей для анализа изображений: свёрточные слои, примеры архитектур как наборов кубиков.
  • Работа с текстами
    Методы кодирования текстовых данных: векторизация, хэширование, TF-IDF. Косинусная метрика. Нейронные сети в задачах анализа текстов: рекуррентные нейронные сети.
  • Прогнозирование временных рядов
    Особенности кросс-валидации временных рядов. Экспоненциальное сглаживание. Прогнозирование временных рядов с помощью нейронный сетей.
  • Метод опорных векторов
    Метод опорных векторов без ядер. Ядровые методы. Ядра и спрямляющие пространства, методы их построения. Операции в спрямляющих пространствах. Ядра в SVM и PCA.
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание
  • неблокирующий Работа на семинаре
    Оценка за самостоятельные работы считается как среднее арифметическое всех оценок
  • неблокирующий Коллоквиум
  • неблокирующий Экзамен (письменный)
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (2 модуль)
    0.3 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре + 0.3 * Экзамен (письменный)
Список литературы

Список литературы

Рекомендуемая дополнительная литература

  • Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705