Машинное обучение и интеллектуальные технологии

Бакалавриат 2025/2026

Статус: Курс обязательный (Информатика и вычислительная техника)

Кто читает: Департамент компьютерной инженерии

Где читается: Московский институт электроники и математики им. А.Н. Тихонова

Когда читается: 3-й курс, 3, 4 модуль

Охват аудитории: для своего кампуса

Преподаватели: Востриков Александр Владимирович

Язык: русский

Кредиты: 5

Контактные часы: 82

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина "Машинное обучение и интеллектуальные технологии" охватывает основные концепции, методы и инструменты, используемые для разработки систем, способных к обучению на основе данных. В рамках курса студенты познакомятся с ключевыми алгоритмами машинного обучения, включая линейные модели, деревья решений, ансамблевые методы, нейронные сети. Курс также рассматривает практические аспекты применения машинного обучения в различных областях, таких как обработка естественного языка, рекомендательные системы и анализ данных. Студенты изучат этапы разработки моделей, включая сбор данных, предобработку, обучение. В ходе занятий студенты будут работать с современными инструментами и библиотеками, такими как TensorFlow, Keras и scikit-learn, что позволит им приобретать практические навыки в реализации проектов на основе машинного обучения. Дисциплина направлена на формирование у студентов комплексного понимания теоретических основ и практических применений машинного обучения, а также развитие аналитических навыков для решения реальных задач с использованием интеллектуальных технологий.

Цель освоения дисциплины

целью освоения дисциплины является достижение следующих результатов обучения: Знать: основные типы задач машинного обучения: обучение с учителем (классификация, регрессия), без учителя (кластеризация, снижение размерности), с подкреплением; базовые алгоритмы и их принципы работы (линейная регрессия, решающие деревья, метод k-ближайших соседей, нейронные сети); основные метрики для оценки качества моделей (точность, полнота, F-мера, ROC-кривая, среднеквадратичная ошибка); этапы процесса Data Science (сбор и предобработка данных, feature engineering, обучение и валидация модели, внедрение).

Планируемые результаты обучения

должны уметь проводить предобработку и разведочный анализ данных (EDA) с использованием библиотек pandas, numpy, matplotlib/seaborn; реализовывать, обучать и тестировать модели машинного обучения с помощью библиотек scikit-learn, TensorFlow/Keras или PyTorch; проводить кросс-валидацию, настраивать гиперпараметры моделей для предотвращения переобучения; интерпретировать результаты работы моделей и делать содержательные выводы на их основе.

Содержание учебной дисциплины

Введение. Фундамент Data Science на Python
Компьютерное зрение
Анализ текста и NLP модели
Основы нейронных сетей
Глубокое обучение
Продвинутые темы Computer Vision

Элементы контроля

Тесты
Лабораторный практикум
Экзамен
Активность

Промежуточная аттестация

2025/2026 4th module
0.05 * Активность + 0.05 * Активность + 0.25 * Лабораторный практикум + 0.25 * Лабораторный практикум + 0.1 * Тесты + 0.1 * Тесты + 0.2 * Экзамен

Список литературы

Авторы

Романова Ирина Ивановна
Востриков Александр Владимирович

Программа дисциплины