2025/2026

Машинное обучение

Статус: Маго-лего

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 2, 3 модуль

Охват аудитории: для своего кампуса

Преподаватели: Меликян Алиса Валерьевна

Язык: русский

Кредиты: 6

Контактные часы: 68

Программа дисциплины

Аннотация

Курс посвящён изучению ключевых понятий и задач машинного обучения, методов и моделей, а также развитию навыков их практического применения для решения исследовательских и прикладных задач. В рамках обучения рассматриваются этапы подготовки данных, формулировка исследовательских гипотез и выбор подходящих методов для анализа и прогнозирования. Особое внимание уделяется моделям обучения с учителем, включая задачи регрессии и классификации, а также моделям обучения без учителя – методам кластеризации, понижения размерности и обнаружения ассоциативных правил. Освещаются современные подходы к оптимизации моделей и методы оценки их качества с использованием различных метрик и техник валидации. Завершающим элементом курса является формирование навыков интерпретации результатов и формулировки содержательных выводов на основе построенных моделей, что позволяет применять машинное обучение в реальных практических сценариях.

Цель освоения дисциплины

• Ознакомление студентов с основными методами, алгоритмами и практическими аспектами машинного обучения. Формирование теоретической базы и практических навыков разработки моделей машинного обучения для решения реальных прикладных задач.

Планируемые результаты обучения

• Подбирать подходящую модель машинного обучения под цели и задачи исследования.
• Формулировать исследовательские гипотезы и исследовать взаимосвязи между переменными.
• Подготовить и валидировать наборы данных для машинного обучения.
• Построить модель регрессии и интерпретировать ее результаты
• Применять различные виды классификаторов для решения практических задач.
• Провести кластерный анализ данных, описать кластерную модель и оценить ее качество.
• Снижать размерность данных.
• Корректно применять ансамбли моделей в машинном обучении.
• Анализировать и прогнозировать временные ряды.
• Оценивать точность и полноту результатов машинного обучения.

Содержание учебной дисциплины

• Введение в машинное обучение
• Подготовка данных для использования в моделях машинного обучения
• Обучение с учителем
• Обучение без учителя
• Ансамблевые методы
• Временные ряды
• Качество прогнозов и выбор модели

Элементы контроля

• Практические задания (ПЗ)
• Контрольная работа 1 (КР1)
• Контрольная работа 2 (КР2)
• Исследовательский проект
• Экзамен

Промежуточная аттестация

• 2025/2026 4th module
  0.2 * Исследовательский проект + 0.2 * Контрольная работа 1 (КР1) + 0.2 * Контрольная работа 2 (КР2) + 0.2 * Практические задания (ПЗ) + 0.2 * Экзамен

Список литературы

Рекомендуемая основная литература

• 16740 - Python и машинное обучение - С.Рашка - ДМК Пресс - 2017 - https://hse.alpinadigital.ru/document/16740 - Alpina
• Python для сложных задач: наука о данных и машинное обучение : пер. с англ., Плас, Дж. Вандер, 2019
• Анализ данных в науке и технике : машинное обучение, динамические системы и управление, Брантон, С. Л., 2021
• Введение в машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2018
• Временные ряды в менеджменте. Ч.2:, Кричевский, М. Л., 2016
• Машинное обучение : портфолио реальных проектов, Григорьев, А., 2023
• Машинное обучение без лишних слов - 978-5-4461-1560-0 - Андрей Бурков - 2020 - Санкт-Петербург: Питер - https://ibooks.ru/bookshelf/367991 - 367991 - iBOOKS
• Машинное обучение в финансах : учебник для магистратуры, , 2024
• Машинное обучение для абсолютных новичков : вводный курс, изложенный простым языком, Теобальд, О., 2024
• Машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2022
• Машинное обучение: алгоритмы для бизнеса, Прадо де, М. Л., 2019
• Нестационарные временные ряды. Методы прогнозирования с примерами анализа финансовых сырьевых рынков, [монография], 384 с., Орлов, Ю. Н., Осминин, К. П., 2011
• Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow : концепции, инструменты и техники для создания интеллектуальных систем: пер. с англ., Жерон, О., 2018
• Рашка, С. Python и машинное обучение: крайне необходимое пособие по новейшей предсказательной аналитике, обязательное для более глубокого понимания методологии машинного обучения : руководство / С. Рашка , перевод с английского А. В. Логунова. — Москва : ДМК Пресс, 2017. — 418 с. — ISBN 978-5-97060-409-0. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100905 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

• Python для сложных задач : наука о данных и машинное обучение, Плас, Дж. В., 2018

Авторы

• Яковлева Илона Александровна
• Меликян Алиса Валерьевна