Бакалавриат
2022/2023





Научно-исследовательский семинар "Машинное обучение и приложения 2"
Статус:
Курс по выбору (Прикладная математика и информатика)
Направление:
01.03.02. Прикладная математика и информатика
Где читается:
Факультет компьютерных наук
Когда читается:
4-й курс, 1-3 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
5
Контактные часы:
52
Программа дисциплины
Аннотация
Курс посвящен научному разделу машинного и глубинного обучения. После нескольких вводных классических статей упор делается на материалы последних 2-3 лет, относящихся непосредственно к текущему направлению исследования.
Цель освоения дисциплины
- Уметь читать научные статьи по машинному и глубинному обучению
- Уметь выделять основные их идеи и преподносить не ознакомленному слушателю
- Уметь оценивать сложность статьи и качество презентации
- Уметь работать с кодом к этим статьям / имплементировать их самим
- Знать ключевые статьи по основным разделам глубинного обучения
- Понимать текущие тенденции в научном глубинном обучении
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 писать научные тексты.
- Уметь самостоятельно выбирать и изучать современные научные статьи, находить релевантную литературу.
Содержание учебной дисциплины
- Приглашенные доклады.
- Выступления студентов с научными докладами.
- Научные тексты и их оформление.
Элементы контроля
- 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).
- 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. В случае очных занятий, полный список вопросов будет известен студентам заранее, на проверочной им нужно будет ответить на несколько случайных вопросов из этого списка. В случае занятий онлайн список вопросов студентам заранее не сообщается. Для подготовки студентов презентации и вспомогательные материалы выкладываются на страницу курса. При написании проверочной нельзя пользоваться никакими материалами.
- 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.
- Кросс-рецензирование ВКР (Эссе)Оценка выставляется по накопленной, экзамен не проводится
Промежуточная аттестация
- 2022/2023 учебный год 3 модуль0.4 * Доклады (Выступление с презентацией) + 0.1 * Кросс-рецензирование ВКР (Эссе) + 0.4 * Проверочные (Контрольная работа) + 0.1 * Рецензии (Эссе)
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. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль , перевод с английского А. А. Слинкина. — 2-е изд. — Москва : ДМК Пресс, 2018. — 652 с. — ISBN 978-5-97060-618-6. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/107901 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
Рекомендуемая дополнительная литература
- James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.