Специалитет
2026/2027
Машинное обучение
ID 1131296
Статус:
Курс обязательный (Компьютерная безопасность)
Кто читает:
Кафедра компьютерной безопасности
Когда читается:
3-й курс, 1, 2 модуль
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
4
Контактные часы:
40
Программа дисциплины
Аннотация
Дисциплина Машинное обучение/Machine learning относится к циклу профессиональных (базовая часть). Изучается на 3-м курсе во 2 модуле. Дисциплина представляет собой on-line курс (Ссылка: https://openedu.ru/course/ITMOUniversity/MLDATAN/). Изучение дисциплины «Машинное обучение» базируется на следующих дисциплинах: программирование, управление данными,теоретические основы информатики. Для освоения учебной дисциплины, студенты должны владеть следующими знаниями: иметь навыки работы на персональном компьютере; иметь базовые навыки программирования.
Цель освоения дисциплины
- Целями освоения данной дисциплины является формирование у студентов представления об основных принципах обучения с учителем и без учителя. А также умение применять алгоритмы машинного обучения на практике, например в проектировании роботов (восприятие, контроль), анализе текстов (онлайн поиск, анти-спам), компьютерном зрении, медицинских информационных системах, обработке аудио, интеллектуальном анализе баз данных и других областях.
Планируемые результаты обучения
- Интерпретировать виды нейронных сетей (сверточные, рекуррентные, глубокие), возможность изменения параметров сети (число слоев, число нейронов). Применять нейронные сети для решения практических задач.
- Интерпретировать задачи машинного обучения, основные принципы обучения с учителем/без учителя.
- Интерпретировать задачу кластеризации. Применять на практике основные алгоритмы кластеризации (k-means и иерархические методы) и метод главных компонент (PCA).
- Применять различные виды классификаторов для решения практических задач. Объяснять необходимость применения кросс-валидации.
- Сравнивать задачи классификации и задачи регрессии. Иллюстрировать задачи классификации (бинарной и множественной). Сравнивать наиболее известные классификаторы (логистическая регрессия, деревья решений, случайный лес, метод опорных векторов).
- Применять основные алгоритмы решения задачи линейной регрессии на практике
- Интерпретировать основные алгоритмы и метрики качества бинарной классификации
- Интерпретировать основные алгоритмы и метрики качества задачи кластеризации
Содержание учебной дисциплины
- Нейронные сети.
- Кластеризация
- Понятие объяснимого ИИ в здравоохранении, его принципы. Виды классификаторов. Кросс валидация.
- Обзор основных алгоритмов машинного обучения, которые могут применяться в медицине. Задачи машинного обучения (регрессия, классификация, кластеризация).
- Обзор открытых наборов данных для машинного обучения в здравоохранении. Задача классификации. Бинарный классификатор. Регуляризация.
- Метрики качества задачи кластеризации
- Обзор основных алгоритмов машинного обучения. Задача линейной регрессии.
- Задача бинарной классификации. Метрики качества.
- Задача множественной классификации
- Задача кластеризации
Промежуточная аттестация
- 2026/2027 2nd module0.2 * Домашняя работа 1 + 0.3 * Экзамен + 0.1 * Аудиторная работа + 0.2 * Контрольная работа + 0.2 * Домашняя работа 2
Список литературы
Рекомендуемая основная литература
- Красавин, А. В. Компьютерный практикум в среде matlab : учебное пособие для вузов / А. В. Красавин, Я. В. Жумагулов. — 2-е изд. — Москва : Издательство Юрайт, 2019. — 277 с. — (Университеты России). — ISBN 978-5-534-08509-9. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/442328 (дата обращения: 28.08.2023).
Рекомендуемая дополнительная литература
- Python и машинное обучение: крайне необходимое пособие по новейшей предсказательной аналитике, обязательное для более глубокого понимания методологии машинного обучения - Рашка С. - Издательство "ДМК Пресс" - 978-5-97060-409-0 - 2017 - русский - https://e.lanbook.com/book/100905 - ЛАНЬ - 100905