Large-Scale Machine Learning

2021/2022

Academic Year

RUS

Instruction in Russian

4

ECTS credits

Delivered at:

Big Data and Information Retrieval School

Course type:

Elective course

When:

4 year, 3 module

Instructors

Zimovnov, Andrey V.

Космачев Алексей Дмитриевич

Орлов Никита Андреевич

Программа дисциплины

Аннотация

Дисциплина знакомит студентов с основными задачами машинного обучения на больших данных, их особенностями и ограничениями. Для освоения учебной дисциплины студенты должны владеть знаниями и компетенциями следующих дисциплин:  Математический анализ  Линейная алгебра и геометрия  Теория вероятностей  Математическая статистика  Алгоритмы и структуры данных  Машинное обучение I

Цель освоения дисциплины

• Ознакомление студентов с основными задачами машинного обучения на больших данных, их особенностями и ограничениями

Планируемые результаты обучения

• Владеть инструментами обработки данных в парадигме MapReduce
• Знать особенности распараллеливания алгоритмов машинного обучения для применения на больших данных
• Уметь работать с большими данными в реальных задачах

Содержание учебной дисциплины

• Hadoop
• Spark
• Linear models
• Boosting
• Recommender systems
• Neural networks
• Hashing tricks
• Min hash & LSH

Элементы контроля

• Большое домашнее задание
  Содержание: - Обучить модель на большом датасете Выдается после 6 семинара. На выполнение 4 недели.
• Мини-домашнее задание 1
  Содержание: - Работа с облаком - Алгоритм на Bash Выдается после 1 семинара. На выполнение 2 недели.
• Мини-домашнее задание 2
  Содержание: - Алгоритм на Map Reduce - Алгоритмы на Spark Выдается после 3 семинара. На выполнение 3 недели.
• Мини-домашнее задание 3
  Содержание: - Собрать датасет на Spark - Обучить классическую модель Выдается после 6 семинара. На выполнение 2 недели.

Промежуточная аттестация

• 2021/2022 учебный год 3 модуль
  0.167 * Мини-домашнее задание 1 + 0.167 * Мини-домашнее задание 3 + 0.5 * Большое домашнее задание + 0.166 * Мини-домашнее задание 2

Список литературы

Рекомендуемая основная литература

• An Introduction to the Bootstrap, Efron, B., 1993
• 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

Рекомендуемая дополнительная литература

• Murphy, K. P. (2012). Machine Learning : A Probabilistic Perspective. Cambridge, Mass: The MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=480968
• Машинное обучение : наука и искусство построения алгоритмов, которые извлекают знания из данных, Флах, П., 2015