Бакалавриат
2026/2027
Научное программирование и машинное обучение
ID 1191321
Статус:
Курс обязательный (Фундаментальная и прикладная математика)
Кто читает:
Кафедра фундаментальной математики
Когда читается:
3-й курс, 4 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Панюшев Антон Алексеевич
Язык:
русский
Кредиты:
3
Контактные часы:
40
Программа дисциплины
Аннотация
В ходе этого курса студенты знакомятся с математическими концепциями, связанными с наукой о данных, осваивают основные методы сбора, обработки и преобразования данных с использованием Python. Курс рассматривает концепции предварительной обработки данных, визуализации, классических методов машинного обучения и глубоких нейронных сетей. Он включает в себя основы методов классификации, регрессии, распознавания изображений и обработки естественного языка.
Цель освоения дисциплины
- Цель освоения программы приобретение знаний об алгоритмах анализа данных, моделирования сложных процессов, работы с большими объемами информации и применение методов искусственного интеллекта для прогнозирования и оптимизации решений.
Планируемые результаты обучения
- Корректно применяет ансамбли моделей Random Forest и Gradient Boosting в машинном обучении
- Применять PCA для снижения размерности признаков
- Владеет основными функциями библиотек Numpy и Pandas
- Знаком с библиотеками Matplotlib, NumPy, Pandas, знает их основные возможности
- студент способен формализовать прикладную задачу как задачу машинного обучения
- студент способен различать задачи классификации и регрессии
- студент способен формировать матрицу признаков и целевую переменную
- студент способен обучать базовые линейные модели машинного обучения
- Студент способен получать и интерпретировать результаты прогнозирования
- студент способен корректно разделять данные на обучающую и тестовую выборки
- студент способен выбирать метрики качества в зависимости от исследовательской задачи
- студент способен применять кросс-валидацию
- студент способен выявлять переобучение
- студент способен выполнять подбор гиперпараметров
- студент способен предотвращать утечку данных
- студент способен сравнивать несколько моделей и аргументированно выбирать итоговую модель
- студент способен объяснять принципы ансамблирования моделей
- студент способен выполнять настройку основных гиперпараметров ансамблевых моделей
- студент способен сравнивать ансамблевые методы с базовыми моделями, оценивать важность признаков
- студент способен объяснять отличия классических моделей от нейронных сетей
- студент способен описывать работу многослойного перцептрона
- студент способен объяснять роль функций активации и функции потерь
- студент способен объяснять принцип обратного распространения ошибки
- студент способен обучать простую нейронную сеть и оценивать качество её работы
- студент способен формулировать задачи обучения без учителя
- студент способен применять базовые алгоритмы кластеризации
- студент способен анализировать качество и устойчивость кластеризации
- студент способен применять PCA для снижения размерности
- студент способен визуализировать многомерные данные
- студент способен интерпретировать результаты методов обучения без учителя
Содержание учебной дисциплины
- Python для обработки данных
- Теоретические и практические основы машинного обучения
- Оценка и выбор моделей машинного обучения
- Ансамблевые методы машинного обучения
- Основы нейронных сетей
- Обучение без учителя и анализ многомерных данных
Список литературы
Рекомендуемая основная литература
- 9781789958294 - Raschka, Sebastian; Mirjalili, Vahid - Python Machine Learning : Machine Learning and Deep Learning with Python, Scikit-learn, and TensorFlow 2, 3rd Edition - 2019 - Packt Publishing - http://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=2329991 - nlebk - 2329991
- ALSTYNE, M. W. V., PARKER, G. G., & CHOUDARY, S. P. (2016). Pipelines, Platforms, and the New Rules of Strategy. Harvard Business Review, 94(4), 54–62. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=bsu&AN=113934414
- Nelli, F. (2018). Python Data Analytics : With Pandas, NumPy, and Matplotlib (Vol. Second edition). New York, NY: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1905344
- Python для сложных задач : наука о данных и машинное обучение, Плас, Дж. В., 2018
- Python для сложных задач: наука о данных и машинное обучение : пер. с англ., Плас, Дж. Вандер, 2019
- Python для сложных задач: наука о данных и машинное обучение. - 978-5-4461-0914-2 - Плас Дж. Вандер - 2021 - Санкт-Петербург: Питер - https://ibooks.ru/products/376830 - 376830 - iBOOKS
- Python и машинное обучение - С.Рашка - ДМК Пресс - - - 2017 - русский - https://hse.alpinadigital.ru/document/16740 - Alpina - 16740
- Введение в машинное обучение и анализ данных - Котельников Е. В., Котельникова А. В. - Вятский государственный университет - - - 2023 - русский - https://e.lanbook.com/book/390698 - ЛАНЬ - 390698
- Введение в машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2018
- Инженерия данных в Python: Основы анализа данных с помощью Pandas, NumPy и Scikit-learn - C.Technologies - ДМК Пресс - 9785937003812 - 2024 - русский - https://hse.alpinadigital.ru/document/45458 - Alpina - 45458
- Крупномасштабное машинное обучение вместе с Python : учитесь быстро создавать мощные модели машинного обучения и развертывать крупномасштабные приложения прогнозирования, Шарден, Б., 2018
- Машинное обучение & TensorFlow, Шакла, Н., 2019
- Машинное обучение и TensorFlow - 978-5-4461-0826-8 - Шакла Нишант - 2019 - Санкт-Петербург: Питер - https://ibooks.ru/products/365270 - 365270 - iBOOKS
- Машинное обучение. - 978-5-496-02989-6 - Бринк Хенрик, Ричардс Джозеф, Феверолф Марк - 2018 - Санкт-Петербург: Питер - https://ibooks.ru/products/355472 - 355472 - iBOOKS
- Машинное обучение. От основ до продвинутых моделей, Принс, С., 2025
- Обработка больших массивов данных и визуализация результатов научных исследований с использованием библиотек NumPy и Matplotlib языка программирования Python - Жорняк А. Г., Морозова Т. А. - Московский авиационный институт (национальный исследовательский университет) - 978-5-00246-342-8 - 2025 - русский - https://e.lanbook.com/book/506712 - ЛАНЬ - 506712
- Основы работы с библиотекой NumPy - Титов А. Н., Тазиева Р. Ф. - Казанский национальный исследовательский технологический университет - 978-5-7882-3470-0 - 2024 - русский - https://e.lanbook.com/book/478004 - ЛАНЬ - 478004
- Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow : концепции, инструменты и техники для создания интеллектуальных систем: пер. с англ., Жерон, О., 2018
Рекомендуемая дополнительная литература
- 9781491962268 - Géron, Aurélien - Hands-On Machine Learning with Scikit-Learn and TensorFlow : Concepts, Tools, and Techniques to Build Intelligent Systems - 2017 - O'Reilly Media - https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=1486117 - nlebk - 1486117
- Garreta, R., & Moncecchi, G. (2013). Learning Scikit-learn : Machine Learning in Python: Experience the Benefits of Machine Learning Techniques by Applying Them to Real-world Problems Using Python and the Open Source Scikit-learn Library. Birmingham, UK: Packt Publishing. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=673033
- Idris, I. (2015). NumPy Cookbook - Second Edition (Vol. Second edition). Birmingham, UK: Packt Publishing. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=986717
- Python для сложных задач: наука о данных и машинное обучение - 978-5-496-03068-7 - Плас Дж. Вандер - 2018 - Санкт-Петербург: Питер - https://ibooks.ru/products/356721 - 356721 - iBOOKS
- The Little Learner: чудесное машинное обучение, Фридман, Д. П., 2024
- Машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2022