• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2020/2021

Научно-исследовательский семинар "Машинное обучение и приложения"

Направление: 01.03.02. Прикладная математика и информатика
Когда читается: 3-й курс, 1-4 модуль
Формат изучения: без онлайн-курса
Язык: русский
Кредиты: 4

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. * Выступления студентов с докладами по курсовым работам. * Рецензирование докладов и курсовых работ 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.
  • Выступления студентов по теме курсовых работ (КР).
    В конце курса проводятся выступления студентов по теме их КР в форме предзащиты.
  • 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
    Устные доклады студентов по темам, связанным с машинным обучением
  • неблокирующий Проверочные
    Письменные проверочные работы по материалам выступлений
  • неблокирующий Рецензии (Эссе)
    Короткие рецензии на выступления одногруппников
  • неблокирующий Предзащиты (выступление с перезентацией)
    В начале 3 модуля и в конце 4 модуля проводится предзащита планов КР студентов и итоговых КР студентов, соотвественно. Предзащита планов проводится в виде 5-минутных устных докладов, итоговых работ - в виде устных докладов на 7-10 минут.
  • неблокирующий Кросс-рецензирование КР (Эссе)
    Подробные рецензии на КР одногруппников
  • неблокирующий Доклады
    Устные доклады студентов по темам, связанным с машинным обучением
  • неблокирующий Проверочные
    Письменные проверочные работы по материалам выступлений
  • неблокирующий Рецензии (Эссе)
    Короткие рецензии на выступления одногруппников
  • неблокирующий Предзащиты (выступление с перезентацией)
    В конце 4 модуля проводится предзащита КР студентов в виде устного выступления на 7-10 минут.
  • неблокирующий Кросс-рецензирование КР (Эссе)
    Подробные рецензии на КР одногруппников
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (4 модуль)
    0.3 * Доклады + 0.1 * Кросс-рецензирование КР (Эссе) + 0.1 * Предзащиты (выступление с перезентацией) + 0.4 * Проверочные + 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

Рекомендуемая дополнительная литература

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