• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2019/2020

Научно-исследовательский семинар "Машинное обучение и приложения 2"

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Направление: 01.03.02. Прикладная математика и информатика
Когда читается: 4-й курс, 1-3 модуль
Формат изучения: без онлайн-курса
Преподаватели: Атанов Андрей Игоревич, Ашуха Арсений Павлович, Рябинин Максим Константинович, Струминский Кирилл Алексеевич
Язык: русский
Кредиты: 5
Контактные часы: 54

Программа дисциплины

Аннотация

Данный семинар является одной из форм организации научно-исследовательской деятельности студентов специализации “Машинное обучение и приложения”. На нём в течение года под руководством преподавателей студентам предлагается делать обзорные доклады на различные темы, связанные с машинным обучением, а также презентации своих исследовательских проектов. Семинар призван способствовать расширению научного кругозора студентов и их своевременному включению в исследовательский процесс. Его задачей также является развитие навыков ведения научной дискуссии и презентации исследовательских результатов. В ходе занятий подразумеваются следующие виды деятельности студентов: * Посещение занятий, прослушивание и обсуждение докладов. * Выступление студентов с докладами на различные темы, связанные с машинным обучением. * Рецензирование докладов и ВКР своих одногруппников. * Написание проверочных работ по материалам докладов.
Цель освоения дисциплины

Цель освоения дисциплины

  • Ознакомление студентов с последними достижениями области машинного обучения и расширение научного кругозора студентов.
  • Развитие навыков самостоятельной работы с научными статьями и презентации исследовательских результатов.
  • Своевременное включение студентов в исследовательский процесс в рамках курсовых работ.
Планируемые результаты обучения

Планируемые результаты обучения

  • Знать основные задачи в области современных исследований в машинном обучении (классификация, регрессия, сегментация, прогнозирование и т.д.).
  • Знать современные алгоритмы и модели, рассматриваемые в научных статьях (сверточные нейронные сети, рекуррентные нейронные сети, бустинг, коллаборативная фильтрация, REINFORCE и т.д.), знать преимущества и недостатки моделей данных типов.
  • Уметь готовить и проводить выступление с докладом на научную тему, а также вести дискуссию по материалам доклада.
  • Уметь самостоятельно выбирать и изучать современные научные статьи, находить релевантную литературу.
  • Уметь писать научные тексты.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Приглашенные доклады.
    В начале года на курсе проходят выступления приглашенных лекторов, которые позволяют студентам посмотреть на примеры хороших выступлений и научных исследований.
  • Выступления студентов с научными докладами.
    Большая часть курса посвящена выступлению студентов с докладами на различные темы, связанные с машинным обучением, глубинным обучением, обучением с подкреплением, компьютерным зрением и т.д. Темы выступлений выбираются студентами самостоятельно из предложенного преподавателями списка тем.
  • Научные тексты и их оформление.
    В течение года студенты самостоятельно занимаются написанием таких научных текстов, как рецензии на доклады и КР, а также написанием самой КР.
Элементы контроля

Элементы контроля

  • неблокирующий Доклады (Выступление с презентацией)
    Два раза в год студент должен утвердить тему своего выступления у преподавателя в назначенные для этого сроки. Темы выступлений студенты выбирают самостоятельно из списка тем, предложенных преподавателем, с учетом своих интересов. Минимум за неделю до даты выступления докладчик должен прислать краткий план своего доклада преподавателю на согласование, а также список из 3-4 вопросов по материалам доклада (вопросы должны покрывать основные идеи доклада).
  • неблокирующий Проверочные (Контрольная работа)
    Доклады в течение года будут разбиты по темам на блоки. В конце каждого блока (примерно раз в 3-4 недели) будет проводиться проверочная работа на 30 минут. Список вопросов будет составляться из вопросов по докладам, которые подготовили выступающие, с последующей корректировкой преподавателем. Полный список вопросов будет известен студентам заранее, на проверочной им нужно будет ответить на несколько случайных вопросов из этого списка. Для подготовки студентов презентации и вспомогательные материалы выкладываются на страницу курса. При написании проверочной нельзя пользоваться никакими материалами.
  • неблокирующий Рецензии (Эссе)
    Каждый доклад оценивается не только преподавателем, но и студентами. Трое одногруппников докладчика, присутствовавшие на занятии, пишут короткую рецензию на выступление и оценивают его по 10-бальной шкале. Рецензенты назначаются преподавателем на занятии. Рецензия должна обосновывать выставленную оценку, содержать описание положительных и отрицательных сторон, а также предложения по улучшению доклада. Главная цель рецензии - помочь докладчику улучшить свои навыки.
  • неблокирующий Кросс-рецензирование ВКР (Эссе)
    Оценка выставляется по накопленной, экзамен не проводится
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (3 модуль)
    0.4 * Доклады (Выступление с презентацией) + 0.1 * Кросс-рецензирование ВКР (Эссе) + 0.4 * Проверочные (Контрольная работа) + 0.1 * Рецензии (Эссе)
Список литературы

Список литературы

Рекомендуемая основная литература

  • Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705
  • Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning : Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008
  • Гудфеллоу Я., Бенджио И., Курвилль А. - Глубокое обучение - Издательство "ДМК Пресс" - 2018 - 652с. - ISBN: 978-5-97060-618-6 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/107901

Рекомендуемая дополнительная литература

  • James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.