Кто читает:: Департамент электронной инженерии

Статус:: Курс обязательный

Когда читается:: 3-й курс, 3, 4 модуль

Преподаватель

Вартанов Сергей Александрович

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина «Методы машинного обучения» изучает класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. Целью освоения дисциплины «Методы машинного обучения» является ознакомление студентов с теоретическими основами и основными принципами машинного обучения — а именно, с классами моделей (линейные, метрические алгоритмы, алгоритмы на основе деревьев решений и их ансамблей, нейросетевые), метриками качества моделей и и подходами к предобработке и анализу данных. В рамках дисциплины изучаются линейные модели регрессии, классификации и кластеризации, ансамбли и деревья решений, нейросетевые технологии машинного обучения. Дисциплина «Методы машинного обучения» дает знания, необходимые для последующего прохождения преддипломной практики и подготовки ВКР. При обучении предусмотрен контроль знаний студентов в виде домашнего задания, контрольной, тестов и экзамена.

Цель освоения дисциплины

Ознакомление студентов с теоретическими основами и основными принципами машинного обучения - а именно, с классами моделей (линейные, метрические алгоритмы, алгоритмы на основе деревьев решений и их ансамблей, нейросетевые), метриками качества моделей и подходами к предобработке и анализу данных, а также формирование у студентов практических навыков работы с данными и решения прикладных задач анализа данных.

Планируемые результаты обучения

Создание простых моделей машинного обучения. Использование библиотеки scikit-learn
Знает основные байесовские модели, используемые для решения различных задач машинного обучения (смеси распределений, модель релевантных векторов, LDA и т.д.).
Студент строит линейную модель по описанию задачи и решает задачу
Студент умеет строить линейные модели регрессии и классификации и решать их различными методами, а также оценивать качество построенных моделей

Содержание учебной дисциплины

Введение в машинное обучение. Основные термины, постановки задач и примеры применения
Линейные модели регрессии и классификации
Логические методы классификации
Композиции моделей и ансамблирование
Обучение без учителя
Критерии выбора моделей и методы отбора признаков
Введение в искусственные нейронные сети

Элементы контроля

Тесты
Тесты проводятся в начале каждой лекции и включают вопросы по материалу предыдущей лекции Синхронный элемент контроля. Оценивается по 10-балльной шкале.
Домашнее задание в формате проекта
Оценивается по 10-балльной шкале. Домашнее задание предполагает решение соревнования на Kaggle с использованием знаний, полученных на курсе. Все критерии подробно сформулированы в домашнем задании. Баллы за дз выставляются в соответствии с критериями. Домашнее задание предполагает устную защиту, которая пройдет на последнем семинаре курса. В случае неявки на защиту студенту выставляется 0 за дз.
Финальный экзамен
Экзамен проводится во время сессии и проходит в формате решения задач по материалам курса. Синхронный элемент контроля, оффлайн Оценивается по 10-балльной шкале.
Контрольная работа номер 1
В формате решения задач по материалам курса. В контрольную работу входят все темы до деревьев включительно. Синхронный элемент контроля, оффлайн Оценивается по 10-балльной шкале.

Промежуточная аттестация

2025/2026 4th module
0.05 * Домашнее задание в формате проекта + 0.05 * Домашнее задание в формате проекта + 0.2 * Контрольная работа номер 1 + 0.2 * Тесты + 0.5 * Финальный экзамен

Список литературы

Авторы

Медведева Светлана Юрьевна

Бакалаврская программа «Цифровые технологии и телекоммуникации»

Методы машинного обучения

Преподаватель

Программа дисциплины