Магистратура 2025/2026

Машинное обучение

ID 956398

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Статус: Курс обязательный (Цифровые технологии в гуманитарных исследованиях)

Кто читает: Школа лингвистики

Где читается: Факультет гуманитарных наук

Когда читается: 2-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Дмитриева Анна Андреевна

Язык: русский

Кредиты: 6

Контактные часы: 44

Программа дисциплины

Аннотация

Курс проводит студентов от основ классического машинного обучения к теории и практике глубокого обучения и больших языковых моделей в приложении к гуманитарным исследованиям. В первой части студенты разбирают математику нейронных сетей и осваивают PyTorch, реализуя модели с нуля; во второй — детально изучают архитектуру Transformer, стек обучения LLM и прикладные рабочие процессы (тонкая настройка, PEFT, квантизация, RAG, AI-агенты). Акцент делается одновременно на понимании того, как устроены современные системы, и на умении критически использовать их в научной работе.

Цель освоения дисциплины

• Сформировать теоретическое понимание устройства нейронных сетей и архитектуры Transformer, лежащей в основе современных языковых моделей.
• Выработать практические навыки реализации, тонкой настройки и применения моделей глубокого обучения к задачам цифровых гуманитарных наук.
• Развить способность критически оценивать возможности, ограничения и эпистемические риски применения этих систем в гуманитарных исследованиях.

Планируемые результаты обучения

• Уметь давать определения основным методам и алгоритмам машинного обучения
• Формулировать разницу между родственными методами и алгоритмами
• Описывать основные компоненты архитектур моделей машинного обучения
• Описывать основные этапы эксперимента в машинном обучении
• Выявлять и применять верные стратегии обработки данных для конкретной задачи
• По условию задачи определять, к какому классу задач она относится (например, классификация или регрессия) и выбирать подходящий метод решения
• Применять различные методы “классического” машинного обучения для решения задач, реализуя решение на языке Python
• Выявлять оптимальную архитектуру нейронной сети, подходящую для конкретной задачи, и реализовывать ее на языке Python c применением библиотек pytorch и/или transformers
• Применять методы глубокого обучения, реализуя решение на языке Python, либо, в специально оговоренных случаях, curl-запросов
• Определять, какие метрики необходимы для оценки качества выполнения задачи, и применять эти метрики, реализуя их на языке Python
• Экспериментировать с различными способами решения задач машинного обучения для работы с текстовыми данными. Выбирать и реализовывать наиболее подходящее решение.

Содержание учебной дисциплины

• “Классическое” машинное обучение
• Глубокое обучение

Элементы контроля

• Лабораторная работа №1
  Работа проверяет усвоение студентами Раздела 1. Студентам предоставляется несколько наборов данных для решения различных задач “классического” машинного обучения (без использования нейросетей): классификации, регрессии, кластеризации и т.д. Каждая задача предполагает написание кода на Python с использованием средств библиотеки scikit-learn и некоторых других подобных библиотек. В отдельных случаях в условиях задач будет оговорена необходимость преобразовать данные перед началом работы. Сдача возможна в формате .ipynb или .py-файла(ов). Не допускается использование иных языков программирования, кроме Python.
• Квизы
  Квизы проводятся на платформе Google Forms. Большинство вопросов закрытые (multiple choice), в редких случаях предполагается короткий ответ, который может быть оценен однозначно: например, необходимо написать правильное число или комбинацию чисел.
• Лабораторная работа №2
  Работа проверяет усвоение студентами Разделов 2 (в большей степени) и 1 (в качестве закрепления). Данная работа имеет несколько вариантов выполнения. Студенты могут выбрать или вариант 1, или вариант 2. В обоих случаях максимальной оценкой является 10, минимальной - 0. 1) Мини-проект/реферат: студент выбирает свежую статью (статьи, вышедшие ранее 2017г., могут быть выбраны только по согласованию с преподавателем) по предполагаемой теме своей ВКР или по любой другой, которой интересуется. Статья должна быть опубликована в рецензируемом издании, а задачи исследования должны быть решены при помощи машинного обучения. Далее студент реферирует статью, опционально делая также мини-проект на ее основе. 2) Лабораторная работа по программированию: студентам предоставляется несколько наборов данных для решения различных задач глубокого машинного обучения. Большая часть задач предполагает написание кода на Python с использованием средств библиотек transformers, pytorch, gensim и некоторых других подобных. В отдельных случаях в условиях задач будет оговорена необходимость преобразовать данные перед началом работы. Сдача возможна в формате .ipynb или .py-файла(ов). Задачи, предполагающие использование API больших языковых моделей, могут быть сданы в формате .sh-скриптов и текстовых файлов. За исключением выполнения задач последнего типа, не допускается использование иных языков программирования, кроме Python.

Промежуточная аттестация

• 2025/2026 2nd module
  0.4 * Лабораторная работа №2 + 0.4 * Лабораторная работа №1 + 0.2 * Квизы

Список литературы

Рекомендуемая основная литература

• Python для сложных задач: наука о данных и машинное обучение - 978-5-496-03068-7 - Плас Дж. Вандер - 2018 - Санкт-Петербург: Питер - https://ibooks.ru/products/356721 - 356721 - iBOOKS

Рекомендуемая дополнительная литература

• The elements of statistical learning : data mining, inference, and prediction, Hastie, T., 2017

Авторы

• Климов Александр Антонович
• Дьячкова Анна Евгеньевна
• Дмитриева Анна Андреевна