Delivered at:: Department of Cyber-Physical Systems Information Security

Course type:: Compulsory course

When:: 3 year, 1, 2 module

Instructors

Бураков Даниил Игоревич

Ivanov, Fedor

Krokhin, Aleksey

Никитин Богдан Сергеевич

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина «Машинное обучение» изучает класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. Целью освоения дисциплины «Методы машинного обучения» является ознакомление студентов с теоретическими основами и основными принципами машинного обучения — а именно, с классами моделей (линейные, логические, нейросетевые), метриками качествами и подходами к подготовке данных. В рамках дисциплины изучаются методы проверки статистических гипотез, линейные модели регрессии, классификации и кластеризации, ансамбли и деревья решений, нейросетевые технологии машинного обучения. Дисциплина «Машинное обучение» дает знания, необходимые для последующего прохождения преддипломной практики и подготовки ВКР. При обучении предусмотрен контроль знаний студентов в виде домашнего задания, контрольных, самостоятельных работ и экзамена.

Цель освоения дисциплины

- ознакомление студентов с теоретическими основами и основными принципами машинного обучения — а именно, с классами моделей (линейные, логические, нейросетевые), метриками качествами и подходами к подготовке данных;
- формирование у студентов практических навыков работы с данными и решения прикладных задач анализа данных.

Планируемые результаты обучения

Владеет методами машинного обучения и популярными программными пакетами для решения практических задач машинного обучения.
Знает наиболее популярные направления исследований в машинном обучении.
Знает понятия и методы машинного обучения, которые могут быть полезны для дальнейшего изучения соответствующих дисциплин, а также для применения в профессиональной деятельности.
Умеет выбирать методы машинного обучения для решения задач в области профессиональной деятельности.

Содержание учебной дисциплины

Введение в машинное обучение
Статистические оценки и проверка гипотез
Машинное обучение как математическое моделирование
Введение в линейные модели и задача регрессии
Линейные модели и задача классификации
Выбор и оценка моделей, работа с признаками
Признаковые представления для дискретных входных данных
Снижение размерности

Элементы контроля

Реализация EM/GMM алгоритма
Реализация квадратичного дискриминанта и линейного дискриминанта Фишера
Реализация наивного байесовского классификатора
Реализация метода кластеризации k-means и с-means на текстовой информации
Экзамен
Итоговый экзамен по дисциплине проводится в форме устного экзамена в конце изучения курса в присутствии преподавателя. На экзамене студент выбирает экзаменационный билет, который составляется с учетом пройденного материала, как на лекционных занятиях, так и на семинарах. После ответа студента преподаватель может ему задать уточняющие вопросы по тематике билета.
Реализация модели линейной регрессии с понижением размерности

Промежуточная аттестация

2025/2026 1st module
0.5 * Реализация EM/GMM алгоритма + 0.25 * Реализация квадратичного дискриминанта и линейного дискриминанта Фишера + 0.25 * Реализация наивного байесовского классификатора
2025/2026 2nd module
0.25 * Реализация метода кластеризации k-means и с-means на текстовой информации + 0.25 * Реализация модели линейной регрессии с понижением размерности + 0.5 * Экзамен

Список литературы

Авторы

Аксенова Ольга Вениаминовна
Иванов Федор Ильич

Bachelor’s Programme 'Information Security'

Contacts

Machine Learning

Instructors

Программа дисциплины