Машинное обучение 1

2022/2023

Статус: Маго-лего

Кто читает: Базовая кафедра Яндекс

Когда читается: 3, 4 модуль

Онлайн-часы: 14

Охват аудитории: для своего кампуса

Преподаватели: Бронер Валентина Игоревна

Язык: русский

Кредиты: 6

Контактные часы: 64

Полная версия программы учебной дисциплины

Аннотация

Теория обучения машин (machine learning, машинное обучение) находится на стыке прикладной статистики, численных методов оптимизации, дискретного анализа, и за последние 50 лет оформилась в самостоятельную математическую дисциплину. Методы машинного обучения составляют основу ещё более молодой дисциплины — интеллектуального анализа данных (data mining). В курсе рассматриваются основные задачи обучения по прецедентам: классификация, кластеризация, регрессия, понижение размерности. Изучаются методы их решения, как классические, так и новые, созданные за последние 10–15 лет. Упор делается на глубокое понимание математических основ, взаимосвязей, достоинств и ограничений рассматриваемых методов. Отдельные теоремы приводятся с доказательствами. Все методы излагаются по единой схеме: исходные идеи и эвристики; их формализация и математическая теория; описание алгоритма в виде слабо формализованного псевдокода; анализ достоинств, недостатков и границ применимости; пути устранения недостатков; сравнение с другими методами. примеры прикладных задач.

Цель освоения дисциплины

Знать типологию задач машинного обучения
Уметь работать с различными типами данных
Владеть методами из библиотеки scikit-learn
Знать основные модели, используемые для решения задач классификации и регрессии
Владеть методами теоретического исследования моделей машинного обучения
Знать концепцию переобучения, причины возникновения этого явления, методы его преодоления

Планируемые результаты обучения

владеть методами из библиотеки scikit-learn
владеть методами теоретического исследования моделей машинного обучения
знать концепцию переобучения, причины возникновения этого явления, методы его преодоления
знать основные модели, используемые для решения задач классификации и регрессии
уметь подбирать гиперпараметры модели
уметь работать с различными типами данных

Содержание учебной дисциплины

Введение.
Несбалансированные выборки. Счетчики
Прогнозирование временных рядов
Байесовские методы классификации
Градиентные линейные методы
Соревнования по анализу данных
Решающие деревья и случайные леса
Метрические алгоритмы
Метрики качества, отбор признаков, работа с пропущенными значениями
Метод опорных векторов
Линейная регрессия и метод главных компонент
Нелинейная регрессия и нестандартные функции потерь
Многоклассовая классификация. Разреженные признаки. Библиотека VW

Элементы контроля

Домашнее задание 1
Домашнее задание 2
Экзамен
Оценка за дисциплину выставляется в соответствии с формулой оценивания от всех пройденных элементов контроля. Экзамен не проводится.

Промежуточная аттестация

2022/2023 учебный год 4 модуль
0.3 * Домашнее задание 2 + 0.3 * Домашнее задание 1 + 0.4 * Экзамен

Программа дисциплины