Аспирантура
2024/2025
Методы машинного обучения в исследованиях образования
Статус:
Курс по выбору
Направление:
00.00.00. Аспирантура
Кто читает:
Департамент образовательных программ
Когда читается:
2-й курс, 1 семестр
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Преподаватели:
Адамович Ксения Александровна
Язык:
русский
Кредиты:
2
Контактные часы:
20
Программа дисциплины
Аннотация
Данный курс позволит знакомит слушателей с основами одной из самых обсуждаемых профессиональных сфер XXI века – Data Science. В рамках данного курса студенты познакомятся с центральными понятиями и методами машинного обучения и узнают об их применении в исследованиях образования. В ходе обучения слушатели научатся работать с деревьями решений и случайными лесами, использовать методы предиктивной аналитики в образовании, а также анализировать тестовые и панельные данные. Практическая часть курса будет посвящена работе в Python и знакомству с наиболее популярными библиотеками для машинного обучения и анализа данных.
Цель освоения дисциплины
- Курс ставит перед собой цель развить понимание студентов о том, как методы машинного обучения могут быть применены для анализа данных образовательных систем, а также познакомить с основными методами машинного обучения и Data science.
Планируемые результаты обучения
- Владеет основными принципами и методами подготовки и проведения исследований, использующих текстовые данные.
- - Освоить базовый синтаксис языка программирования Python
- Реализует сбор данных в сети с помощью парсинга или обращения к API.
- способен объяснить основные концепции и принципы, лежащие в основе методов машинного обучения в исследованиях образования.
- способен классифицировать различные методы машинного обучения и объяснить их применимость в анализе данных образовательных систем
- cпособен применять методы машинного обучения, такие как классификация, регрессия и кластеризация, для анализа и обработки данных образовательных систем
- уметь применять методы машинного обучения для выявления паттернов и закономерностей в данных образовательных систем, а также для прогнозирования и принятия решений в контексте образования.
- умеет интерпретировать результаты анализа данных и выдвигать информированные выводы, основанные на применении методов машинного обучения в образовательных исследованиях.
- умеет критически оценивать применимость методов машинного обучения в различных ситуациях и адаптировать их для решения конкретных проблем в образовательных исследованиях.
Содержание учебной дисциплины
- Тема 1. Знакомство с методами машинного обучения и их применением в исследованиях образования
- Тема 2. Обучение с учителем и без учителя
- Тема 3. Предиктивная аналитика
- Тема 4. Анализ текстовых данных
- Тема 5. Парсинг веб-данных
Список литературы
Рекомендуемая основная литература
- 9781491962992 - Bengfort, Benjamin; Bilbro, Rebecca; Ojeda, Tony - Applied Text Analysis with Python : Enabling Language-Aware Data Products with Machine Learning - 2018 - O'Reilly Media - https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=1827695 - nlebk - 1827695
- A Tutorial on Machine Learning and Data Science Tools with Python. (2017). Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.E5F82B62
- Enders, W. (2015). Applied Econometric Time Series (Vol. Fourth edition). Hoboken, NJ: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1639192
- Grune, D., & Jacobs, C. J. H. (2008). Parsing Techniques : A Practical Guide (Vol. 2nd ed). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=254768
- Miroslav Kubat. An Introduction to Machine Learning. Springer, 2015 (296 pages) ISBN: 9783319200095: — Текст электронны // ЭБС books24x7 — https://library.books24x7.com/toc.aspx?bookid=117295
Рекомендуемая дополнительная литература
- Diebold, F. X. (1992). Forecasting, Structural Time Series Models and the Kalman Filter, Andrew C. Harvey Cambridge University Press, 1939 Fore Casting, Structural Time Series Models and The Kalman Filter Adrew C. Harvey Cambridge University Press, 1989. Econometric Theory, (02), 293. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.a.cup.etheor.v8y1992i02p293.299.01
- Peña, D., Tiao, G. C., & Tsay, R. S. (2001). A Course in Time Series Analysis. New York: Wiley-Interscience. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=535798
- Richert, W., & Coelho, L. P. (2013). Building Machine Learning Systems with Python. Birmingham: Packt Publishing. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=619996
- Rogers, S., & Girolami, M. (2016). A First Course in Machine Learning (Vol. 2nd ed). Milton: Chapman and Hall/CRC. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1399490