Машинное обучение

2026/2027

Статус: Маго-лего

Кто читает: Департамент программной инженерии

Где читается: Факультет компьютерных наук

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Меликян Алиса Валерьевна

Язык: русский

Кредиты: 6

Контактные часы: 56

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс посвящён изучению ключевых понятий и задач машинного обучения, методов и моделей, а также развитию навыков их практического применения для решения исследовательских и прикладных задач. В рамках обучения рассматриваются этапы подготовки данных, формулировка исследовательских гипотез и выбор подходящих методов для анализа и прогнозирования. Особое внимание уделяется моделям обучения с учителем, включая задачи регрессии и классификации, а также моделям обучения без учителя – методам кластеризации и понижения размерности. Освещаются современные подходы к оптимизации моделей и методы оценки их качества с использованием различных метрик и техник валидации. Завершающим элементом курса является формирование навыков интерпретации результатов и формулировки содержательных выводов на основе построенных моделей, что позволяет применять машинное обучение в реальных практических сценариях.

Цель освоения дисциплины

Ознакомление студентов с основными методами, алгоритмами и практическими аспектами машинного обучения. Формирование теоретической базы и практических навыков разработки моделей машинного обучения для решения реальных прикладных задач.

Планируемые результаты обучения

Уметь интерпретировать результаты построения моделей машинного обучения.
Подбирать подходящую модель машинного обучения под цели и задачи исследования.
Формулировать исследовательские гипотезы и исследовать взаимосвязи между переменными.
Подготовить и валидировать наборы данных для машинного обучения.
Построить модель регрессии и интерпретировать ее результаты
Применять различные виды классификаторов для решения практических задач.
Провести кластерный анализ данных, описать кластерную модель и оценить ее качество.
Снижать размерность данных.
Корректно применять ансамбли моделей в машинном обучении.
Анализировать и прогнозировать временные ряды.
Оценивать точность и полноту результатов машинного обучения.