Научно-исследовательский семинар "Машинное обучение"

Магистратура 2023/2024

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Статус: Курс обязательный

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 1-й курс, 2, 3 модуль

Формат изучения: с онлайн-курсом

Онлайн-часы: 36

Охват аудитории: для своего кампуса

Преподаватели: Зехов Матвей Сергеевич, Рысьмятова Анастасия Александровна

Прогр. обучения: Машинное обучение и высоконагруженные системы

Язык: русский

Кредиты: 6

Контактные часы: 36

Полная версия программы учебной дисциплины

Аннотация

Студенты узнают базовые методы, метрики и концепции машинного обучения, необходимые для решения задач регрессии и классификации. Практическая часть курса реализовывается на языке Python. Курс является необходимым для изучения более продвинутых разделов машинного обучения.

Цель освоения дисциплины

1. Знать базовые концепции и определения машинного обучения: виды постановки задач, виды признаков и т.д. 2. Работать с табличными данными: загружать, сохранять, модифицировать, агрегировать, работать с пропущенными значениями и т.д. 3. Знать и уметь применять методы ближайших соседей. 4. Знать принцип работы линейной регрессии и ее модификаций (Lasso, Ridge) и уметь их применять. 5. Знать принцип действия работы градиентного спуска. 6. Знать принцип работы логистической регрессии и уметь ее применять. 7. Знать основные метрики задач регрессии и классификации и уметь выбирать среди них оптимальную в зависимости от постановки задачи. 8. Знать метод tf-idf и уметь применять его для текстовых данных.

Планируемые результаты обучения

Имеют представление о базовых концепциях и определении машинного обучения: виды постановки задач, виды признаков и т.д.
Работать с табличными данными: загружать, сохранять, модифицировать, агрегировать, работать с пропущенными значениями и т.д.
Уметь применять методы ближайших соседей.
Владеть принципами работы линейной регрессии и ее модификаций (Lasso, Ridge) и уметь их применять.
Знакомы с принципом действия работы градиентного спуска.
Знакомы с принципом работы логистической регрессии и уметь ее применять.
Знакомы с основными метриками задач регрессии и классификации и выбирают среди них оптимальную в зависимости от постановки задачи.
Знакомы с методом tf-idf и применяют его для текстовых данных.

Содержание учебной дисциплины

Линейные методы регрессии
Линейные методы классификации
Снижение размерности данных.
Решающие деревья и их композиции.
Интерпретируемость ML-моделей.
Кластеризация.
Рекомендательные системы и ранжирование.
Детекция аномалий и дисбаланс классов.
Прогнозирование временных рядов.

Элементы контроля

Домашнее задание 1
Линейная регрессия, изучение библиотеки sklearn. Срок выполнения - 2 недели
Домашнее задание 2
Линейная классификация. Классификация текстов. Срок выполнения - 2 недели
Домашнее задание 3
Решающие деревья. Ансамбли над решающими деревьями. Срок выполнения - 2 недели
Домашнее задание 4
Кластеризация. Срок выполнения - 2 недели
Контрольная работа

Промежуточная аттестация

2023/2024 3rd module
Итог = Округление(0.6 * ДЗ + 0.1 * C + 0.1 * К + 0.2 * Э ), где ДЗ — средняя оценка за все домашние задания, C — оценка за курс на stepik, К — оценка за контрольную, Э — оценка за экзамен. Округление арифметическое.

Программа дисциплины