2021/2022
Современные методы машинного обучения
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус:
Майнор
Когда читается:
1, 2 модуль
Язык:
русский
Кредиты:
5
Контактные часы:
50
Программа дисциплины
Аннотация
Изучаются продвинутые методы машинного обучения: линейные классификаторы (включая метод опорных векторов), ансамбли классификаторов (включая методы бустинга и случайные леса решений), нейронные сети (включая глубокие нейронные сети). Параллельно с освоением теории студенты приобретают практические навыки работы с реальными данными. Занятия ведут специалисты практики, активно работающие в области анализа данных и машинного обучения.
Цель освоения дисциплины
- Знать: основные понятия и методы машинного обучения; о месте и ценности методов машинного обучения и разработки данных в современной науке и практической деятельности; основные каналы научной и прикладной информации по анализу данных и машинному обучению
- Уметь: использовать освоенные методы машинного обучения для обработки конкретных наборов данных, анализировать результаты, делать выводы; формализовать конкретную задачу и разработать алгоритм решения
- Владеть: методами программирования, отлаживания и тестирования современных алгоритмов машинного обучения
Планируемые результаты обучения
- Знает и может использовать программные реализации алгоритмов ансамблей классификаторов для решения задач машинного обучения
- Знает основные типы ансамблей классификаторов и основанные на них алгоритмы машинного обучения.
- Знать основные архитектуры нейронных сетей
- Знать принципы обучения и применения нейронных сетей
- Понимает общие принципы построения ансамблей классификаторов.
- Уметь обучать нейронные сети с помощью средств языка Python
Промежуточная аттестация
- 2021/2022 учебный год 2 модуль0.2 * лабораторная работа 1 + 0.2 * лабораторная работа 2 + 0.1 * контрольная работа + 0.5 * экзамен
Список литературы
Рекомендуемая основная литература
- Aggarwal C. Data Mining: The Textbook. Springer International Publishing, 2015. DOI: 10.1007/978-3-319-14142-8
Рекомендуемая дополнительная литература
- Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.
- Mirkin, B. Core concepts in data analysis: summarization, correlation and visualization. – Springer Science & Business Media, 2011. – 388 pp.
- 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.