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

Научно-исследовательский семинар "Машинное обучение и приложения"

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус: Курс обязательный (Анализ больших данных в бизнесе, экономике и обществе)
Направление: 01.04.02. Прикладная математика и информатика
Когда читается: 2-й курс, 1, 2 модуль
Формат изучения: без онлайн-курса
Прогр. обучения: Анализ больших данных в бизнесе, экономике и обществе
Язык: русский
Кредиты: 5
Контактные часы: 64

Программа дисциплины

Аннотация

Целями освоения дисциплины Научно-исследовательский семинар "Машинное обучение и приложения" являются: • развитие навыков участия в научно-исследовательской деятельности; • знакомство с современными методами машинного обучения и их практическими при-менениями; • развитие навыков презентации результатов исследования и оформления презентационных материалов. В рамках дисциплины изучаются такие разделы, как "Классические методы машинного обучения и практические прикладные задачи", " Глубокое обучение и его применение" и "Технологические вопросы применения методов машинного обучения".
Цель освоения дисциплины

Цель освоения дисциплины

  • развитие навыков участия в научно-исследовательской деятельности
  • знакомство с современными методами машинного обучения и их практическими применениями
  • развитие навыков презентации результатов исследования и оформления презентационных материалов
Планируемые результаты обучения

Планируемые результаты обучения

  • Демонстрирует знание классических методов машинного обучения
  • Умеет применять линейные и логистические регрессии, регрессию LASSO
  • Демонстрирует знание вопросов регуляризации и переобучения
  • Умеет применять нейронные сети в задачах распознавания образов или речи, обрабатывать текст
  • Демонстрирует знание, как обучать нейросети на процессорах и видеокартах
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Классические методы машинного обучения и практические прикладные задачи
    Изучение статей и разбор примеров применения классических методов машинного обучения. Применение широкого спектра регрессий: линейные, логистические, LASSO, ElasticNet. Вопросы регуляризации и переобучения. Деревья, беггинг и бустинг.
  • Глубокое обучение и его применение
    Анализ статей посвященных нейронным сетям и методам их обучения. Практическое применение нейронных сетей в задачах распознавания образов или речи и в других областях. Обработка текста
  • Технологические вопросы применения методов машинного обучения
    Анализ статей и разбор реальных практик реализации методов машинного обучения в "промышленных" задачах. Вопросы нагрузки и отказоустойчивости. Обучение нейросетей на процессорах и видеокартах. Особенности инфраструктуры.
Элементы контроля

Элементы контроля

  • неблокирующий Аудиторная работа
  • неблокирующий Эссе
  • неблокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (2 модуль)
    0.36 * Аудиторная работа + 0.4 * Экзамен + 0.24 * Эссе
Список литературы

Список литературы

Рекомендуемая основная литература

  • Радаев, В.В. Как организовать и представить исследовательский проект. 75 простых правил / В.В. Радаев ; Нац. исслед. ун-т «Высшая школа экономки». — 2-е изд. (эл.). — Электрон. текстовые дан. (1 файл pdf: 204 с.). — Москва : Изд. дом Высшей школы экономики, 2019. — Систем. требования: Adobe Reader XI , либо Adobe Digital Editions 4.5 ; экран 10'. - ISBN 978-5-7598-1469-6. - Текст : электронный. - URL: https://new.znanium.com/catalog/product/1040849 - Текст : электронный. - URL: http://znanium.com/catalog/product/1040849

Рекомендуемая дополнительная литература

  • Tuna, F. (2019). Neural Network Processing Neural Networks: An efficient way to learn higher order functions. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsarx&AN=edsarx.1911.05640