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

Прикладные задачи анализа 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: Майнор
Когда читается: 3, 4 модуль
Язык: русский
Кредиты: 5

Программа дисциплины

Аннотация

Данная дисциплина является заключительной на майноре ИАД и посвящена обзору приложений методов машинного обучения, а также включает в себя некоторые важные смежные темы. Изучаются генеративные методы, модели для работы со звуком, диалоговые системы, рекомендательные системы. Рассматриваются методы продуктовой аналитики, а также обсуждаются вопросы промышленного использования моделей машинного обучения.
Цель освоения дисциплины

Цель освоения дисциплины

  • Знать основы генеративных моделей в машинном обучении
  • Знать методы для работы с данными сложной структуры
  • Владеть инструментами внедрения моделей машинного обучения
Планируемые результаты обучения

Планируемые результаты обучения

  • Владеть методами прогнозирования временных рядов
  • Знать основные метрики качества рекомендательных систем
  • Знать основные генеративные методы в машинном обучении
  • Уметь строить рекомендательные системы
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Прогнозирование временных рядов
    Статистические методы прогнозирования. Прогнозирование с помощью машинного обучения.
  • Генеративные модели
    GAN, WGAN. Нормализационные потоки.
  • Глубинное обучение для последовательностей
    Методы анализа звуковых данных. Вопросно-ответные системы.
  • Продуктовая аналитика
  • Внедрение моделей машинного обучения
  • Рекомендательные системы
    Методы на основе памяти. Коллаборативная фильтрация. Матричные разложния. Контентные рекомендации. Метрики качества рекомендаций.
Элементы контроля

Элементы контроля

  • неблокирующий Домашние задания
  • неблокирующий Контрольная работа
  • неблокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (4 модуль)
    0.5 * Домашние задания + 0.2 * Контрольная работа + 0.3 * Экзамен
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

Рекомендуемая дополнительная 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