Магистратура
2022/2023
Ключевой семинар: машинное обучение
Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Статус:
Курс обязательный (Машинное обучение и высоконагруженные системы)
Направление:
01.04.02. Прикладная математика и информатика
Где читается:
Факультет компьютерных наук
Когда читается:
1-й курс, 2, 3 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Преподаватели:
Кантонистова Елена Олеговна
Прогр. обучения:
Машинное обучение и высоконагруженные системы
Язык:
русский
Кредиты:
6
Контактные часы:
36
Программа дисциплины
Аннотация
На курсе студенты узнают о классических и современных алгоритмах машинного обучения, научатся подходам для обработки и анализа данных. В курсе большое внимание уделяется линейным и нелинейным моделям регрессии и классификации. Часть курса посвящена обучению без учителя, в частности, методам снижения размерности и кластеризации. В курсе также изучаются такие популярные приложения методов машинного обучения как ранжирование, рекомендательные системы, поиск аномалий и временные ряды.
Цель освоения дисциплины
- Освоение в полном объеме методов и подходов классического и современного машинного обучения.
Планируемые результаты обучения
- Студенты освоят описанные темы по введению в машинное обучение
- Студенты освоят описанные темы по линейным моделям регрессии
- Студенты освоят описанные темы по линейным моделям классификации
- Студенты освоят описанные темы по метрическим классификаторам
- Студенты освоят описанные темы по обработке признаков и работе с выбросами
- Студенты освоят описанные темы по снижению размерности данных
- Студенты освоят описанные темы по снижению решающим деревьям и их композициям
- Студенты освоят описанные темы по кластеризации данных
- Студенты освоят описанные темы по интерпретируемости ML-моделей
- Студенты освоят описанные темы по рекомендательным системам и ранжированию
- Студенты освоят описанные темы по AutoML
- Студенты освоят описанные темы по прогнозированию временных рядов
Содержание учебной дисциплины
- Введение в машинное обучение
- Линейные модели регрессии
- Линейные модели классификации
- Метрические классификаторы
- Обработка признаков и работа с выбросами
- Снижение размерности данных
- Решающие деревья и их композиции
- Кластеризация данных
- Интерпретируемость ML-моделей
- Рекомендательные системы и ранжирование
- AutoML
- Прогнозирование временных рядов
Промежуточная аттестация
- 2022/2023 учебный год 3 модуль0.6 * домашние задания + 0.15 * тесты + 0.15 * экзамен + 0.1 * коллоквиум
Список литературы
Рекомендуемая основная литература
- Trevor Hastie, Robert Tibshirani , et al., The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edition, 2017. Free from the publisher: https://web.stanford.edu/~hastie/ElemStatLearn/printings/ESLII_print12.pdf
Рекомендуемая дополнительная литература
- Вероятностное машинное обучение : введение, Мэрфи, К. П., 2023