Методы искусственного интеллекта для анализа машинных данных

2026/2027

ID 1239214

Статус: Маго-лего

Кто читает: Департамент компьютерной инженерии

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

Когда читается: 3, 4 модуль

Охват аудитории: для всех кампусов НИУ ВШЭ

Язык: русский

Кредиты: 6

Контактные часы: 62

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс направлен на формирование у обучающихся компетенций в области применения современных методов искусственного интеллекта и машинного обучения для решения задач анализа машиночитаемых данных, включая структурированные, полуструктурированные и временные данные. В рамках дисциплины рассматриваются полный цикл анализа данных: предобработка, выбор и обучение моделей, оценка качества, интерпретация результатов и развёртывание решений. Актуальность дисциплины обусловлена необходимостью подготовки специалистов, способных применять алгоритмы машинного обучения и глубокого обучения к задачам мониторинга, диагностики, прогнозирования и оптимизации в технических и информационных системах. Дисциплина логически связана с предшествующими курсами по основам программирования, теории вероятностей и математической статистике, а также с последующими дисциплинами трека, посвящёнными системам обработки больших данных, распределённым вычислениям и прикладным проектам интеллектуального анализа.

Цель освоения дисциплины

Сформировать у обучающихся систему знаний о современных методах искусственного интеллекта, применяемых для анализа машинных данных, и принципах их выбора в зависимости от типа данных и постановки задачи.
Обеспечить освоение практических навыков полного цикла построения и оценки моделей машинного обучения и глубокого обучения на реальных и синтетических наборах данных.
Развить способность самостоятельно проектировать, реализовывать и интерпретировать решения задач классификации, регрессии, кластеризации, анализа временных рядов и снижения размерности.
Сформировать умения критически оценивать качество моделей, выявлять источники ошибок и выбирать методы повышения обобщающей способности.
Подготовить обучающихся к применению полученных знаний и навыков в профессиональной деятельности, связанной с разработкой и сопровождением систем интеллектуального анализа данных.

Планируемые результаты обучения

Проводит анализ временных рядов. Строит модели.
Знает основные стадии ведения проекта машинного обучения; умеет распозанавать задачи машинного обучения в реальных бизнес-задачах; имеет навыки оценки качества и интерпретации полученных результатов
Владеет следующими понятиями: функции активации, кросс-энтропия, градиентный спуск, алгоритм обратного распространения ошибки, многослойная нейронная сеть.
Знать ключевые понятия и задачи анализа данных, в том числе идеи “обучения с учителем” и “обучение без учителя”; основные методы эксплораторного анализа данных; примеры задач классификации и регрессии; понятие воспроизводимого исследования и то, как достигается воспроизводимость исследований
Применять методы обучения без учителя для анализа и визуализации неразмеченных данных, включая кластеризацию и снижение размерности.
Объясняет принципы работы перцептрона, полносвязных, сверточных и рекуррентных нейронных сетей.
студент способен сравнивать ансамблевые методы с базовыми моделями, оценивать важность признаков
Умение производить предобработку и разведочный анализ данных

Содержание учебной дисциплины

Введение в анализ машинных данных и жизненный цикл проекта машинного обучения
Методы обучения с учителем и без учителя: линейные модели и деревья решений, кластеризация
Ансамблевые методы и метод опорных векторов
Снижение размерности и отбор признаков
Основы нейронных сетей и глубокого обучения
Свёрточные и рекуррентные нейронные сети
Анализ временных рядов: статистические и нейросетевые подходы
Оценка качества, интерпретация и развёртывание моделей
Предобработка и разведочный анализ информации

Элементы контроля

Мини-проект
Домашнее задание
Экзамен

Промежуточная аттестация

2026/2027 4th module
0.25 * Домашнее задание + 0.25 * Мини-проект + 0.5 * Экзамен

Список литературы

Авторы

Салибекян Сергей Михайлович
Романова Ирина Ивановна

Программа дисциплины