• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2022/2023

Научно-исследовательский семинар "Машинное обучение и приложения"

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»
Статус: Курс обязательный (Машинное обучение и анализ данных)
Направление: 01.04.02. Прикладная математика и информатика
Когда читается: 2-й курс, 1, 2 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Прогр. обучения: Машинное обучение и анализ данных
Язык: русский
Кредиты: 4
Контактные часы: 20

Программа дисциплины

Аннотация

Научно-исследовательский семинар направлен на развитие у студентов навыков участия в научно-исследовательской деятельности, знакомство с современными методами машинного обучения и их практическим применением, развитие навыков презентации результатов исследования и оформления презентационных материалов.
Цель освоения дисциплины

Цель освоения дисциплины

  • Развитие у студентов навыков участия в научно-исследовательской деятельности.
  • Знакомство студентов с современными методами машинного обучения и их практическим применением.
  • Развитие у студентов навыков презентации результатов исследования и оформления презентационных материалов.
Планируемые результаты обучения

Планируемые результаты обучения

  • Анализирует статьи реализации методов машинного обучения в "промышленных" задачах. Разбирается в вопросах нагрузки и отказоустойчивости. Владеет понятием обучения нейросетей на процессорах и видеокартах. Знает особенности инфраструктуры.
  • Знает классические методы машинного обучения и владеет понятием практических прикладных задач. Применяет широкий спектр регрессий: линейные, логистиче-ские, LASSO, ElasticNet. Владеет понятиями регуляризации и переобучения.
  • Знает классические методы машинного обучения и владеет понятием практических прикладных задач. Применяет широкий спектр регрессий: линейные, логистиче-ские, LASSO, ElasticNet. Владеет понятиями регуляризации и переобучения.
  • Проводит анализ статей посвященных нейронным сетям и методам их обучения. Знает о практическом применении нейронных сетей в задачах распознавания образов или речи и в других областях. Владеет понятием обработки текста.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Классические методы машинного обучения и практические прикладные задачи
  • Глубокое обучение и его применение
  • Технологические вопросы применения методов машинного обучения
Элементы контроля

Элементы контроля

  • блокирующий Защита темы ВКР
    Экзамен проводится в форме публичного доклада по теме ВКР.
  • неблокирующий Аудиторная работа
    Во время аудиторной работы студенты выступают с докладами на темы, согласованные с преподавателем.
  • неблокирующий Эссе
    Тема эссе согласуется с преподавателем и научным руководителем и соответствует основной теме выбранной студентом для написание курсовой работы и выпускной квалификационной работы.
Промежуточная аттестация

Промежуточная аттестация

  • 2021/2022 учебный год 4 модуль
    0.6 * Аудиторная работа + 0.4 * Эссе
  • 2022/2023 учебный год 2 модуль
    0.3 * 2021/2022 учебный год 4 модуль + 0.7 * Защита темы ВКР
Список литературы

Список литературы

Рекомендуемая основная литература

  • Радаев, В.В. Как организовать и представить исследовательский проект. 75 простых правил / В.В. Радаев ; Нац. исслед. ун-т «Высшая школа экономки». — 2-е изд. (эл.). — Электрон. текстовые дан. (1 файл pdf: 204 с.). — Москва : Изд. дом Высшей школы экономики, 2019. — Систем. требования: Adobe Reader XI , либо Adobe Digital Editions 4.5 ; экран 10'. - ISBN 978-5-7598-1469-6. - Текст : электронный. - URL: https://new.znanium.com/catalog/product/1040849 - Текст : электронный. - URL: http://znanium.com/catalog/product/1040849

Рекомендуемая дополнительная литература

  • Spiliopoulou, M., Gesellschaft für Klassifikation, Schmidt-Thieme, L., & Janning, R. (2014). Data Analysis, Machine Learning and Knowledge Discovery. Cham: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=669270

Авторы

  • Спицина Кристина Станиславовна
  • Кузнецов Антон Михайлович