Основы глубинного обучения

2023/2024

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

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 1, 2 модуль

Онлайн-часы: 20

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Баранов Михаил Юрьевич, Блуменау Марк Ильич, Бредихин Александр Иванович, Гущин Михаил Иванович, Лазарева Маргарита Владимировна, Нарцев Андрей Дмитриевич, Никифоров Михаил Сергеевич, Рогачев Александр Игоревич, Соколов Евгений Андреевич, Ульянкин Филипп Валерьевич, Червяков Артем Александрович

Язык: русский

Кредиты: 5

Контактные часы: 60

Полная версия программы учебной дисциплины

Аннотация

Изучение дисциплины «Современные методы машинного обучения» нацелено на освоение продвинутых методов и алгоритмов машинного обучения с применением языка программирования Python. Курс является третьим в майноре «Интеллектуальный анализ данных». Предполагается, что в результате освоения курса студенты будут способны самостоятельно выбирать методы машинного обучения для решения сложных задач анализа данных.

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 и умеет использовать фреймворки глубокого обучения для решения задач распознавания изображений.
Знает основные слои, использующиеся в архитектурах глубоких (в.т.ч. сверточных) нейронных сетей; методы регуляризации; алгоритм обратного распространения ошибки.
Знает основные типы ансамблей классификаторов и основанные на них алгоритмы машинного обучения.
Понимает концепцию многослойного персиптрона, сверточной нейронной сети
Понимает общие принципы построения ансамблей классификаторов.