Магистратура
2025/2026
Машинное обучение
Статус:
Курс обязательный (Искусственный интеллект в маркетинге и управлении продуктом)
Где читается:
Факультет компьютерных наук
Когда читается:
1-й курс, 3, 4 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Паточенко Евгений Анатольевич
Язык:
русский
Кредиты:
6
Контактные часы:
80
Программа дисциплины
Цель освоения дисциплины
- Сформировать у студентов фундаментальные знания и практические навыки в области машинного обучения через освоение базовых алгоритмов и методов.
- Развить способность применять изученные подходы для решения прикладных задач анализа данных.
Планируемые результаты обучения
- Объяснять фундаментальные концепции машинного обучения, различая задачи обучения с учителем и без учителя, классификации и регрессии
- Применять метод линейной регрессии для решения задач прогнозирования, понимая его математические основы и ограничения
- Использовать градиентный спуск и его модификации для оптимизации параметров моделей машинного обучения
- Осуществлять подготовку и анализ данных с помощью библиотеки pandas, включая очистку данных и работу с пропущенными значениями
- Разрабатывать и оценивать модели логистической регрессии для задач бинарной классификации, применяя кросс-валидацию и подбор гиперпараметров
- Выбирать и использовать appropriate метрики качества классификации (accuracy, precision, recall, F1-score, ROC-AUC) в зависимости от специфики задачи
- Применять метод опорных векторов (SVM) и решающие деревья для задач классификации, понимая их преимущества и ограничения
- Решать задачи многоклассовой классификации, используя различные стратегии (one-vs-rest, one-vs-one)
- Разрабатывать и применять ансамблевые модели (случайный лес, градиентный бустинг) для повышения качества предсказаний
- Использовать алгоритмы кластеризации (K-means, иерархическая кластеризация) для сегментации данных и выявления скрытых паттернов
Содержание учебной дисциплины
- Введение в МЛ. Линейная регрессия
- Градиентный спуск. Основы pandas
- Оптимизация градиентного спуска. Введение в sklearn
- Кросс-валидация и подбор гиперпараметров. Обработка признаков
- Линейная классификация. Метрики качества классификации.
- Введение в логистическую регрессию
- Вывод формулы функции потерь логистической регрессии
- SVM
- Повторение по градиентным методам в МЛ
- Многоклассовая классификация
- Решающие деревья
- Решающие деревья: advanced
- Ансамбли в ML. BVD
- BVD. Bagging. Random Forest
- Gradient Boosting: вывод формулы обучения
- Gradient Boosting: advanced theory
- GBDT: advanced techniques
- Stacking. Повторение ансамблей. Обсуждение ДЗ
- Кластеризация.
- Консультация перед экзаменом
Элементы контроля
- Домашнее задание 2Classification 1
- Домашнее задание 3Classification 2
- ЭкзаменОнлайн в режиме реального времени
- Домашнее задание 1Sklearn
- Домашнее задание 4Decision Trees
- Домашнее задание 5Boosting
Промежуточная аттестация
- 2025/2026 4th moduleИтог = Округление(0.2 * Онлайн_курс + 0.15 * ДЗ_1 + 0.15 * ДЗ_2 + 0.25 * Коллоквиум + 0.25 * Экзамен). Для того, чтобы получить оценку «отлично» вам нужно набрать 8 – 10 баллов, «хорошо» 6 – 8 баллов, «удовлетворительно» 4-6 баллов.
Список литературы
Рекомендуемая основная литература
- Ian Goodfellow and Yoshua Bengio and Aaron Courville. Deep Learning, 2016. URL: http://www.deeplearningbook.org
- Ежов, А. А. Нейрокомпьютинг и его применения в экономике и бизнесе : учебное пособие / А. А. Ежов, С. А. Шумский. — 2-е изд. — Москва : ИНТУИТ, 2016. — 306 с. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100269 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
- Машинный интеллект : очерки по теории машинного обучения и искусственного интеллекта, Шумский, С. А., 2024
Рекомендуемая дополнительная литература
- Neural Networks and Deep Learning - CCBY4_068 - Michael Nielson - 2022 - Open Educational Resources: libretexts.org - https://ibooks.ru/bookshelf/390854 - 390854 - iBOOKS