2023/2024
Основы глубинного обучения
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
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
Программа 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.
Промежуточная аттестация
- 2023/2024 учебный год 2 модуль0.4 * Домашнее задание + 0.2 * Контрольная работа + 0.1 * Проверочные работы + 0.3 * Экзамен
Список литературы
Рекомендуемая основная литература
- Aggarwal C. Data Mining: The Textbook. Springer International Publishing, 2015. DOI: 10.1007/978-3-319-14142-8
- Ian Goodfellow and Yoshua Bengio and Aaron Courville. Deep Learning, 2016. URL: http://www.deeplearningbook.org
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.
- Глубокое обучение : погружение в мир нейронных сетей, Николенко, С., 2018