Основы машинного обучения

2026/2027

ID 1154110

Статус: Маго-лего

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 3 модуль

Охват аудитории: для своего кампуса

Преподаватели: Кубаева Ассоль Рауфжоновна

Язык: русский

Кредиты: 3

Контактные часы: 48

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс знакомит студентов с основными методами машинного обучения и их применением к прикладным и бизнес-задачам: регрессией, классификацией, решающими деревьями и ансамблями моделей, кластеризацией и снижением размерности. Особое внимание уделяется корректной постановке задачи и валидации моделей, выбору метрик качества, борьбе с переобучением и интерпретации результатов.

Цель освоения дисциплины

Знать основные постановки задач и типы данных в машинном обучении.
Знать основные модели машинного обучения: метрические и линейные методы, решающие деревья, ансамбли моделей.
Знать основные методы кластеризации и снижения размерности.
Уметь корректно разделять данные для обучения и проверки моделей и избегать утечек данных.
Уметь выбирать метрики качества моделей с учётом прикладной задачи.
Уметь подбирать гиперпараметры моделей и контролировать переобучение.
Уметь интерпретировать модели и анализировать их ошибки.
Иметь навыки анализа реальных данных с помощью библиотек Python.

Планируемые результаты обучения

Студент знает основные постановки задач и типы данных в машинном обучении.
Студент владеет методами предобработки и разведочного анализа данных.
Студент умеет выбирать схему валидации и выявлять утечки данных.
Студент знает модель k ближайших соседей и умеет её обучать.
Студент знает линейные модели регрессии и классификации и умеет их обучать, в том числе методом градиентного спуска.
Студент владеет основными подходами к оценке качества в задачах регрессии и классификации.
Студент знает модель решающего дерева и умеет её обучать.
Студент владеет методами построения ансамблей моделей и подбора гиперпараметров.
Студент умеет интерпретировать модели и анализировать их ошибки.
Студент владеет методами кластеризации и снижения размерности.

Содержание учебной дисциплины

Введение в машинное обучение
Метод k ближайших соседей
Линейная регрессия
Метрики качества регрессии
Градиентный спуск
Регуляризация и работа с признаками
Линейная классификация
Классификация на практике
Решающие деревья
Ансамбли моделей
Подбор гиперпараметров и интерпретация моделей
Кластеризация и снижение размерности

Элементы контроля

Домашнее задание 1
Разведочный анализ данных, метрические методы, схемы разбиения данных. Выдаётся после 2-й недели; мягкий дедлайн — через 2 недели.
Домашнее задание 2
Линейная регрессия и оценка качества моделей регрессии. Выдаётся после 4-й недели; мягкий дедлайн — через 2 недели.
Домашнее задание 3
Градиентный спуск, регуляризация, работа с признаками. Выдаётся после 6-й недели; мягкий дедлайн — через 2 недели.
Домашнее задание 4
Кластеризация и снижение размерности. Выдаётся после 12-й недели; мягкий дедлайн — через 2 недели, жёсткий — не позднее дня экзамена.
Соревнование
Решение прикладной задачи машинного обучения на платформе для соревнований по анализу данных. Задача, данные и пороги оценивания результата объявляются при запуске соревнования. На время соревнования домашние задания не выдаются. Проводится с 7-й по 11-ю неделю, отчёт сдаётся на 12-й неделе. Единый срок сдачи, продление не предусмотрено.
Бонусные баллы
Бонусные баллы начисляются за активную работу на лекциях и семинарах в течение курса.
Экзамен
Письменный, проводится онлайн, единый для всех студентов курса. Пользоваться материалами нельзя. Если Накоп ≥ 4, студент вправе не сдавать экзамен; в этом случае итоговая оценка равна Накоп, но не выше 8. Если Накоп < 4, студент обязан сдавать экзамен. Любой студент вправе сдавать экзамен независимо от накопленной оценки. Если студент сдаёт экзамен, итоговая оценка рассчитывается только по основной формуле (с учётом оценки за экзамен) и может оказаться как выше, так и ниже накопленной; получить Накоп в качестве итоговой оценки в этом случае нельзя.
Пересдача
Проводится в формате, аналогичном экзамену в сроки, установленные учебным офисом.

Промежуточная аттестация

2026/2027 3rd module
Итог = Округление(0,15·ДЗ1 + 0,15·ДЗ2 + 0,15·ДЗ3 + 0,15·ДЗ4 + 0,2·С + 0,2·Э), где ДЗ1–ДЗ4 — оценки за домашние задания, С — оценка за соревнование, Э — оценка за экзамен. Все оценки выставляются по 10-балльной шкале.

Список литературы

Авторы

Комарова Ксения Степановна

Программа дисциплины