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

Бакалаврская программа «Инфокоммуникационные технологии и системы связи»

Методы машинного обучения

2024/2025
Учебный год
RUS
Обучение ведется на русском языке
3
Кредиты
Статус:
Курс обязательный
Когда читается:
3-й курс, 2, 3 модуль

Преподаватель

Программа дисциплины

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, логические, нейросетевые), метриками качествами и подходами к подготовке данных. В рамках дисциплины изучаются методы проверки статистических гипотез, 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, контрольных, самостоятельных работ и экзамена. Изучение дисциплины предусматривает владение знаниями в области теории вероятности и математической статистики, программирование на Python и математического анализа.
Цель освоения дисциплины

Цель освоения дисциплины

  • Ознакомление студентов с теоретическими основами и основными принципами машинного обучения — а именно, с классами моделей (линейные, логические, нейросетевые), метриками качествами и подходами к подготовке данных. формирование у студентов практических навыков работы с данными и решения прикладных задач анализа данных.
Планируемые результаты обучения

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

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

Элементы контроля

  • блокирующий Контрольная работа номер 2
    Контрольная работа по темам, пройденным в 3 модуле
  • блокирующий Финальный экзамен
  • блокирующий Контрольная работа номер 1
    Контрольная работа включает в себя задания по темам, пройденным в во втором модуле учебного года
  • неблокирующий Посещаемость и семинарская активность
Промежуточная аттестация

Промежуточная аттестация

  • 2024/2025 3rd module
    0.2 * Контрольная работа номер 1 + 0.2 * Контрольная работа номер 2 + 0.05 * Посещаемость и семинарская активность + 0.05 * Посещаемость и семинарская активность + 0.5 * Финальный экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • A first course in machine learning, Rogers, S., 2012
  • Foundations of machine learning, Mohri, M., 2012
  • Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning : Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008
  • Machine learning : a probabilistic perspective, Murphy, K. P., 2012
  • Mehryar Mohri, Afshin Rostamizadeh, & Ameet Talwalkar. (2018). Foundations of Machine Learning, Second Edition. The MIT Press.
  • Платонов, А. В.  Машинное обучение : учебное пособие для вузов / А. В. Платонов. — Москва : Издательство Юрайт, 2023. — 85 с. — (Высшее образование). — ISBN 978-5-534-15561-7. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/520544 (дата обращения: 27.08.2024).

Рекомендуемая дополнительная литература

  • Pattern recognition and machine learning, Bishop, C. M., 2006

Авторы

  • Вартанов Сергей Александрович