Прикладные аспекты машинного обучения

2025/2026

Статус: Маго-лего

Кто читает: Кафедра информационных технологий в бизнесе (Пермь)

Где читается: Факультет социально-экономических и компьютерных наук

Когда читается: 1 модуль

Охват аудитории: для своего кампуса

Преподаватели: Городилов Алексей Юрьевич, Горшков Олег Владимирович

Язык: русский

Кредиты: 3

Контактные часы: 28

Дополнительные материалы в LMS Задать вопрос

Аннотация

Машинное обучение — это область исследований, которая помогает нам автоматически находить зависимости в данных. Такая технология позволяет решать различные задачи без явного программирования правил. В настоящее время машинное обучение является неотъемлемой частью многих программных продуктов, используемых в бизнесе. На курсе «Прикладные аспекты машинного обучения» углубленно изучаются концепции машинного обучения, а также применение методов машинного обучения для решения бизнес-задач. В этом курсе особое внимание уделяется практической части и рассматриваются различные аспекты решения реальных задач. Содержание курса охватывает современные методы, такие как линейные методы, градиентный бустинг и нейронные сети.

Цель освоения дисциплины

Научиться выявлять проблемы машинного обучения для решения бизнес-задач
Приобрести навыки в подборе моделей для решения важных задач машинного обучения, таких как регрессия и классификация
Научиться проектировать и разрабатывать системы машинного обучения
Научиться повторно использовать предварительно подготовленные модели для снижения затрат на разработку систем машинного обучения

Планируемые результаты обучения

Знает по крайней мере несколько современных областей применения машинного обучения
Способен выявить и формализовать задачу машинного обучения
Способен применить основные модели машинного обучения для решения задач классификации, кластеризации, регрессии
Способен определить подходящую метрику качества для системы машинного обучения
Способен выявлять ситуацию переобучения модели, знает взаимосвязь между сложностью и переобучением
Знает ограничения линейных моделей
Знает ансамблевые методы, понимает универсальность подхода градиентного бустинга
Способен применять градиентный подход для решения задач классификации и регрессии
Способен адаптировать и интерпретировать модель дерева решений к заданному набору данных
Понимает концепцию эмбеддинга
Способен обучить нейронную сеть на основе набора данных
Понимает идею свертки как базовой операции для обработки изображений и аудиоданных
Способен использовать предварительно обученные модели
Знает основные правила разработки и поддержки систем машинного обучения