2026/2027





Научное программирование и машинное обучение
ID 1204614
Язык:
русский
Кредиты:
9
Контактные часы:
80
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
- студент способен объяснять индуктивные предположения свёрточных сетей
- студент способен вычислять размерности карт признаков и число параметров
- студент способен реализовывать и обучать CNN в PyTorch
- студент способен применять аугментацию и transfer learning
- студент способен оценивать качество модели и анализировать ошибки классификации
- студент способен подготавливать батчи последовательностей переменной длины
- студент способен объяснять работу encoder-decoder и механизма внимания
- студент способен реализовывать и обучать seq2seq-модель
- студент способен корректно использовать маски и teacher forcing
- студент способен сравнивать рекуррентные и Transformer-подходы и выбирать метрики для оценки результата
- студент способен формализовать прикладную задачу и выбрать подходящую архитектуру
- студент способен подготовить датасет и конвейер загрузки данных
- студент способен дообучить предобученную модель
- студент способен провести воспроизводимое сравнение экспериментов
- студент способен интерпретировать результаты, анализировать ошибки и аргументированно представить ограничения решения
Содержание учебной дисциплины
- Python для обработки данных
- Теоретические и практические основы машинного обучения
- Ансамблевые методы машинного обучения
- Основы нейронных сетей
- Обучение без учителя и анализ многомерных данных
- Оценка и выбор моделей машинного обучения
- Применение нейронных сетей для практических задач
- Модели seq2seq, механизм внимания и Transformers
- Сверточные нейронные сети
Элементы контроля
- Решение задач "Машинное обучение"
- Устный опрос 1
- Решение задач "Глубокое обучение"
- Устный опрос - 2
Промежуточная аттестация
- 2026/2027 4th module0.15 * Решение задач "Машинное обучение" + 0.15 * Решение задач "Глубокое обучение" + 0.35 * Устный опрос 1 + 0.35 * Устный опрос - 2
Список литературы
Рекомендуемая основная литература
- 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
- 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
- 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
- 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
Рекомендуемая дополнительная литература
- 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