Machine Learning

2025/2026

Academic Year

RUS

Instruction in Russian

6

ECTS credits

Delivered at:

Big Data and Information Retrieval School

Course type:

Elective course

When:

4 year, 1, 2 module

Instructors

Конюшенко Юлия Николаевна

Корпачев Сергей Сергеевич

Программа дисциплины

Аннотация

Курс "Машинное обучение" посвящен разбору классических алгоритмов машинного обучения (от линейной регрессии до композиций алгоритмов). Также в курсе обсуждается работа с данными: очистка, нормализация, удаление выбросов. В ходе обучения студенты решают как теоретические задачи на бумаге, так и домашние задания с помощью Python, участвуют в соревнованиях.Курс является факультативным курсом для студентов 3го и 4го года обучения факультета экономических наук. Курс читается в первом семестре. Для углубления полученных на курсе знаний студенты имеют возможность посещать майнор аналогичной тематики. Пререквизитами являются знание основ высшей математики (математический анализ, линейная алгебра, теория вероятностей и основы математической статистики) и владение языком программирования Python хотя бы на среднем уровне.

Цель освоения дисциплины

• Знать основные модели и методы машинного обучения и разработки данных
• Уметь применять указанные модели и методы, а также программные средства, в которых они реализованы
• Владеть навыками анализа реальных данных с помощью изученных методов

Планируемые результаты обучения

• Знает основные метрики качества для регрессии и классификации
• Знает теоретические основы линейных и логических методов машинного обучения
• Умеет выполнять полный цикл построения модели
• Умеет обучать основные модели машинного обучения, оценивать их качества
• Владеть навыками анализа реальных данных с помощью изученных методов
• Владеть навыками анализа реальных данных с помощью изученных методов
• Знать основные модели и методы машинного обучения и разработки данных
• Уметь применять указанные модели и методы, а также программные средства, в которых они реализованы

Содержание учебной дисциплины

• Введение. Введение в машинное обучение
• Линейные методы регрессии.
• Линейные методы классификации.
• Метод опорных векторов. Нелинейные модели классификации.
• Обработка признаков и работа с выбросами
• Снижение размерности данных.
• Решающие деревья
• Композиции алгоритмов
• Метод опорных векторов
• Кластеризация и визуализация данных.

Элементы контроля

• дз
• коллок
• мср
• экз

Промежуточная аттестация

• 2025/2026 2nd module
  0,35дз+0,2колок+0.2мср+0.25экз

Список литературы

Рекомендуемая основная литература

• 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
• Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.

Рекомендуемая дополнительная 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

Авторы

• Королева Анастасия Романовна
• Сапунова Алёна Сергеевна