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

Машинное обучение на больших данных

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 (Машинное обучение и анализ данных)
Направление: 01.04.02. Прикладная математика и информатика
Когда читается: 1-й курс, 3, 4 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для всех кампусов НИУ ВШЭ
Преподаватели: Брыксин Тимофей Александрович
Прогр. обучения: Машинное обучение и анализ данных
Язык: русский
Кредиты: 4
Контактные часы: 56

Программа дисциплины

Аннотация

Дисциплина направлена на формирование у студентов теоретических знаний и практических навыков работы с большими данными и знакомит слушателей с основными задачами машинного обучения на больших данных, их особенностями и ограничениями. Для освоения дисциплины студентам необходимо иметь знания, полученные в результате изучения дисциплин «Математический анализ», «Линейная алгебра и геометрия», «Теория вероятностей и математическая статистика», «Алгоритмы и структуры данных», «Машинное обучение».
Цель освоения дисциплины

Цель освоения дисциплины

  • Ознакомление студентов с основными задачами машинного обучения на больших данных, их особенностями и ограничениями.
Планируемые результаты обучения

Планируемые результаты обучения

  • Владеть инструментами обработки данных в парадигме MapReduce
  • владеть инструментами обработки данных в парадигме MapReduce;
  • Знать особенности распараллеливания алгоритмов машинного обучения для применения на больших данных
  • знать особенности распараллеливания алгоритмов машинного обучения для применения на больших данных;
  • Уметь работать с большими данными в реальных задачах
  • уметь работать с большими данными в реальных задачах.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Онлайн обучение и линейные модели
  • Введение в Apache Spark и оптимизация гиперпараметров
  • Рекомендательные системы
  • Бустинг для больших данных
  • Нейросети
  • LSH для нахождения похожих объектов
  • Кластеризация больших данных
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание 1
  • неблокирующий Домашнее задание 2
  • неблокирующий Домашнее задание 3
  • блокирующий Устный экзамен
Промежуточная аттестация

Промежуточная аттестация

  • 2021/2022 учебный год 4 модуль
    0.18 * Домашнее задание 3 + 0.16 * Домашнее задание 2 + 0.5 * Устный экзамен + 0.16 * Домашнее задание 1
Список литературы

Список литературы

Рекомендуемая основная литература

  • 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
  • Murphy, K. P. (2012). Machine Learning : A Probabilistic Perspective. Cambridge, Mass: The MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=480968