Машинное обучение

Бакалавриат 2026/2027

ID 1155083

Статус: Курс обязательный (Информационная безопасность)

Кто читает: Кафедра информационной безопасности киберфизических систем

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

Когда читается: 3-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Грошев Максим Сергеевич, Иванов Федор Ильич, Соколов Егор Владиславович

Язык: русский

Кредиты: 6

Контактные часы: 60

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина «Машинное обучение» изучает класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. Целью освоения дисциплины «Методы машинного обучения» является ознакомление студентов с теоретическими основами и основными принципами машинного обучения — а именно, с классами моделей (линейные, логические, нейросетевые), метриками качествами и подходами к подготовке данных. В рамках дисциплины изучаются методы проверки статистических гипотез, линейные модели регрессии, классификации и кластеризации, ансамбли и деревья решений, нейросетевые технологии машинного обучения. Дисциплина «Машинное обучение» дает знания, необходимые для последующего прохождения преддипломной практики и подготовки ВКР. При обучении предусмотрен контроль знаний студентов в виде домашнего задания, контрольных, самостоятельных работ и экзамена.

Цель освоения дисциплины

- ознакомление студентов с теоретическими основами и основными принципами машинного обучения — а именно, с классами моделей (линейные, логические, нейросетевые), метриками качествами и подходами к подготовке данных;
- формирование у студентов практических навыков работы с данными и решения прикладных задач анализа данных.

Планируемые результаты обучения

Студент владеет методами машинного обучения и популярными программными пакетами (Python, scikit-learn, NumPy, Pandas, Matplotlib) для решения практических задач машинного обучения.
Студент знает наиболее популярные направления исследований в машинном обучении: supervised learning, unsupervised learning, semi-supervised learning, рекомендательные системы, обработка текстов (NLP).
Студент знает понятия и методы машинного обучения для дальнейшего изучения дисциплин и применения в профессиональной деятельности: классификация, регрессия, кластеризация, снижение размерности, рекомендательные системы.
Студент умеет выбирать методы машинного обучения для решения задач в области профессиональной деятельности: линейные модели, решающие деревья, ансамбли, нейронные сети, методы кластеризации.
Студент умеет строить линейные модели регрессии: линейная регрессия, МНК, градиентный спуск, SGD, регуляризация (Lasso, Ridge, Elastic Net).
Студент умеет строить линейные модели классификации: логистическая регрессия, softmax для multiclass, калибровка вероятностей.
Студент умеет применять метрики качества ML: accuracy, precision, recall, F1, ROC-AUC, MSE, MAE, RMSE, Silhouette score.
Студент умеет строить решающие деревья: критерии ветвления (information gain, gini, MSE), обработка пропущенных значений, стрижка, регуляризация (max_depth, min_samples).
Студент умеет строить ансамбли моделей: бэггинг, Random Forest, AdaBoost, градиентный бустинг (XGBoost, CatBoost, LightGBM).
Студент умеет применять методы кластеризации: K-means, иерархическая кластеризация, DBSCAN, HDBSCAN, спектральная кластеризация.
Студент умеет применять методы снижения размерности.
Студент умеет проводить предобработку данных: нормализация, работа с категориальными признаками (One-Hot, Label Encoding), обработка пропущенных значений.
Студент умеет проводить оценку и выбор моделей: train/validation/test разбиение, перекрестная проверка (cross-validation), переобучение/недообучение, selection признаков (Stepwise, backward/, forward-).
Студент знает основы статистических оценок и проверки гипотез: точечные и интервальные оценки, свойства оценок, проверка статистических гипотез, корреляционный анализ, однофакторный/многофакторный анализ.
Студент умеет применять методы NLP: bag of words, tf-idf, векторные эмбеддинги, кодирование категориальных данных

Содержание учебной дисциплины

Введение в машинное обучение.
Статистические оценки и проверка гипотез.
Линейные модели регрессии
Линейные модели классификации.
Решающие деревья и ансамбли моделей.
Выбор и оценка моделей, работа с признаками.
Введение в NLP и снижение размерности.
Cнижение размерности II и алгоритмы кластеризации.
Нейросети.

Элементы контроля

Экзамен
Итоговый экзамен по дисциплине проводится в форме устного экзамена в конце изучения курса в присутствии преподавателя. На экзамене студент выбирает экзаменационный билет, который составляется с учетом пройденного материала, как на лекционных занятиях, так и на семинарах. После ответа студента преподаватель может ему задать уточняющие вопросы по тематике билета.
AVG_Домашнее задание
AVG_Домашнее задание- средний балл за домашние задания 1-2 модулей. Описание: Домашнее задание представляет собой комплекс практико-ориентированных задач, который предполагает развернутое решение с использованием знаний, полученных на занятиях. Все критерии подробно сформулированы в домашнем задании. Баллы за домашнее задание выставляются в соответствии с критериями. Максимум за выполнение ДЗ можно получить 10 баллов.
Рубежный контроль
Рубежный контроль представляет собой контрольную работу из практико-ориентированных задач и вопросов, которые предполагают развернутое решение и глубокое понимание материала с использованием знаний, полученных на занятиях.

Промежуточная аттестация

2026/2027 1st module
Формула оценивания: AVG_Домашнее задание: Домашнее задание*0.600 + Рубежный контроль: Контрольная работа*0.400
2026/2027 2nd module
Формула оценивания: AVG_Домашнее задание: Домашнее задание * 0.600 + Экзамен: Устный опрос * 0.400

Список литературы

Авторы

Юнышева Анастасия Владимировна
Аксенова Ольга Вениаминовна
Иванов Федор Ильич

Программа дисциплины