• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
2022/2023

Основы машинного обучения

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Статус: Майнор
Когда читается: 3, 4 модуль
Онлайн-часы: 20
Охват аудитории: для всех кампусов НИУ ВШЭ
Преподаватели: Егоров Андрей Вадимович, Кантонистова Елена Олеговна, Коган Александра Сергеевна, Косарев Илья Максимович, Масликов Егор Денисович, Нарцев Андрей Дмитриевич, Никифоров Михаил Сергеевич, Семенкин Антон Александрович, Соколов Евгений Андреевич, Шмонов Михаил Михайлович
Язык: русский
Кредиты: 5
Контактные часы: 80

Программа дисциплины

Аннотация

Целями освоения дисциплины «Основы машинного обучения» являются овладение студентами моделями и методами интеллектуального анализа данных и машинного обучения в задачах обработки и анализа данных, а также приобретение навыков исследователя данных (data scientist) и разработчика математических моделей, методов и алгоритмов анализа данных. Изучаются основные модели (линейные, метрические, логические), подходы к их обучению и методы обработки данных.
Цель освоения дисциплины

Цель освоения дисциплины

  • Знать основные модели и методы машинного обучения и разработки данных
  • Уметь адекватно применять указанные модели и методы, а также программные средства, в которых они реализованы
  • Иметь навыки (приобрести опыт) анализа реальных данных с помощью изученных методов
Планируемые результаты обучения

Планируемые результаты обучения

  • Владеет методами кластеризации данных
  • Владеет методами построения композиций моделей
  • Владеет основами математики для анализа данных
  • Владеет основными подходами к оценке качества в задачах классификации и регрессии
  • Знает линейные модели и умеет их обучать
  • Знает модель k ближайших соседей и умеет её обучать
  • Знает модель решающего дерева и умеет её обучать
  • Знает основные подходы к построению рекомендательных систем
  • Знает основные постановки задач и типы данных в машинном обучении
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение, основные понятия анализа данных
  • Математические объекты и методы в анализе данных
  • Метрические методы
  • Линейная регрессия и классификация
  • Оценивание качества алгоритмов
  • Логические методы
  • Композиции алгоритмов
  • Кластеризация данных
  • Рекомендательные системы
Элементы контроля

Элементы контроля

  • неблокирующий Практические домашние задания
  • неблокирующий Письменные проверочные работы
  • неблокирующий Контрольная работа
  • неблокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • 2022/2023 учебный год 4 модуль
    0.2 * Контрольная работа + 0.4 * Практические домашние задания + 0.1 * Письменные проверочные работы + 0.3 * Экзамен
Список литературы

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
  • Trevor Hastie, Robert Tibshirani, & Jerome Friedman. New York. (n.d.). Book Reviews 567 The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.45E1D521

Рекомендуемая дополнительная литература

  • Mohri, M., Talwalkar, A., & Rostamizadeh, A. (2012). Foundations of Machine Learning. Cambridge, MA: The MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=478737

Авторы

  • Соколов Евгений Андреевич