• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2021/2022

Машинное обучение

Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус: Курс по выбору (Экономика)
Направление: 38.03.01. Экономика
Когда читается: 3-й курс, 1, 2 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Преподаватели: Ананьева Марина Евгеньевна, Кантонистова Елена Олеговна, Липатов Иван Константинович
Язык: русский
Кредиты: 5
Контактные часы: 60

Программа дисциплины

Аннотация

Курс "Машинное обучение" является факультативным курсом для студентов 3го и 4го года обучения факультета экономических наук. Курс читается в первом семестре. У студентов факультета экономических наук есть возможность посещать майнор аналогичной тематики. Курс "Машинное обучение" позиционируется как более сложный. В ходе обучения студенты решают как теоретические задачи на бумаге, так и домашние задания с помощью Python, участвуют в соревнованиях.
Цель освоения дисциплины

Цель освоения дисциплины

  • Знать основные модели и методы машинного обучения и разработки данных
  • Уметь применять указанные модели и методы, а также программные средства, в которых они реализованы
  • Владеть навыками анализа реальных данных с помощью изученных методов
Планируемые результаты обучения

Планируемые результаты обучения

  • Владеть навыками анализа реальных данных с помощью изученных методов
  • Владеть навыками анализа реальных данных с помощью изученных методов
  • Знать основные модели и методы машинного обучения и разработки данных
  • Уметь применять указанные модели и методы, а также программные средства, в которых они реализованы
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение в машинное обучение
  • Линейные методы регрессии
  • Линейные методы классификации
  • Обработка признаков и работа с выбросами
  • Снижение размерности данных
  • Решающие деревья
  • Композиции алгоритмов
  • Прогнозирование временных рядов
  • Метод опорных векторов. Нелинейные модели классификации.
  • Введение в нейронные сети
  • Кластеризация и визуализация данных
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание
  • неблокирующий Коллоквиум
  • неблокирующий Работа на семинаре
    Оценка за самостоятельные работы считается как среднее арифметическое всех оценок
  • неблокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • 2021/2022 учебный год 2 модуль
    0.3 * Экзамен + 0.3 * Домашнее задание + 0.2 * Коллоквиум + 0.2 * Работа на семинаре
Список литературы

Список литературы

Рекомендуемая основная литература

  • Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.

Рекомендуемая дополнительная 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