• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2023/2024

Научно-исследовательский семинар "Машинное обучение и приложения 2"

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»
Направление: 01.03.02. Прикладная математика и информатика
Когда читается: 4-й курс, 1-3 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Преподаватели: Карташев Николай Геннадьевич, Лобачева Екатерина Максимовна, Рубачёв Иван Викторович
Язык: русский
Кредиты: 5
Контактные часы: 48

Программа дисциплины

Аннотация

Данный семинар является одной из форм организации научно-исследовательской деятельности студентов специализации “Машинноеобучение и приложения”. На нём в течение года под руководством преподавателей студентам предлагается делать обзорные доклады на различные темы, связанные с машинным обучением. Семинар призван способствовать расширению научного кругозора студентов и развитию навыков ведения научной дискуссии и презентации исследовательских результатов. В ходе занятий подразумеваются следующие виды деятельности студентов: *Посещение занятий, прослушивание и обсуждение докладов. * Выступление студентов с докладами на различные темы, связанные с машинным обучением. * Рецензирование докладов своих одногруппников. * Написание проверочных работ по материалам докладов.
Цель освоения дисциплины

Цель освоения дисциплины

  • Ознакомление студентов с последними достижениями области машинного обучения и расширение научного кругозора студентов.
  • Развитие навыков самостоятельной работы с научными статьями и презентации исследовательских результатов.
Планируемые результаты обучения

Планируемые результаты обучения

  • Знать основные задачи в области современных исследований в машинном обучении (классификация, регрессия, сегментация, прогнозирование и т.д.).
  • Знать современные алгоритмы и модели, рассматриваемые в научных статьях (сверточные нейронные сети, рекуррентные нейронные сети, бустинг, коллаборативная фильтрация, REINFORCE и т.д.), знать преимущества и недостатки моделей данных типов.
  • Уметь готовить и проводить выступление с докладом на научную тему, а также вести дискуссию по материалам доклада.
  • Уметь писать научные тексты.
  • Уметь самостоятельно выбирать и изучать современные научные статьи, находить релевантную литературу.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Приглашенные доклады.
  • Выступления студентов с научными докладами.
  • Научные тексты и их оформление.
Элементы контроля

Элементы контроля

  • неблокирующий Доклады
    Три раза в год студент выступает с докладом по научной статье в одной из трех ролей - докладчик, исследователь или хакер. Докладчик готовит рассказ о содержании статьи на 20 минут с презентацией и представляет его на занятии. Исследователь подробно изучает контекст статьи, анализирует как данная работа встраивается в существующую научную реальность (что было до, что случилось после, на какие работы опирается эта статья) и готовит об этом выступление на 15-20 минут. Хакер работает с кодом, ставит эксперименты по мотивам статьи, или готовит игрушечный пример, иллюстрирующий идеи и находки статьи. По результатам своей работы готовит ноутбук (с комментариями и выводами) и представляет основные результаты на занятии. В течении года каждый студент один раз выступает докладчиком, один раз исследователем или хакером и третий раз ему распределяется случайная роль (докладчик или исследователь/хакер). Темы выступлений распределяются заранее преподавателями с учетом интересов студентов. Минимум за неделю до даты выступления выступающие должны прислать краткий план своего доклада преподавателю на согласование, а сразу после выступления - все материалы (презентации и ноутбуки).
  • неблокирующий Проверочные
    После каждого занятия студентам будет выдаваться небольшая проверочная работа, содержащая по одному вопросу на каждый доклад. В течение года студенту нужно написать ответы по половину вопросов (то есть можно выбирать на какие темы писать проверочные, а на какие нет). При этом если студент напишет больше ответов, то в его оценку будут засчитываться максимальные оценки.
  • неблокирующий Рецензии
    На каждый доклад трое одногруппников докладчиков, присутствовавшие на занятии, пишут короткую рецензию на выступление. Рецензия должна обосновывать выставленную оценку, содержать описание положительных и отрицательных сторон, а также предложения по улучшению доклада. Главная цель рецензии - помочь докладчику улучшить свои навыки.
Промежуточная аттестация

Промежуточная аттестация

  • 2023/2024 учебный год 3 модуль
    0.6 * Доклады + 0.3 * Проверочные + 0.1 * Рецензии
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
  • Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning : Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008
  • Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль , перевод с английского А. А. Слинкина. — 2-е изд. — Москва : ДМК Пресс, 2018. — 652 с. — ISBN 978-5-97060-618-6. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/107901 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

  • James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.