Machine learning and artificial intelligence

2023/2024

Academic Year

RUS

Instruction in Russian

6

ECTS credits

Delivered at:

School of Electronic Engineering

Course type:

Compulsory course

When:

2 year, 1, 2 module

Instructors

Андреев Кирилл Владимирович

Frolov, Alexey

Программа дисциплины

Аннотация

Курс знакомит студентов с основами машинного обучения, систематизирует знания о стандартных библиотеках, дает представление о классических, нейронных моделях, об ансамблях моделей, тренирует навык правильной формулировки задачи модели и правильной оценки качества модели.

Цель освоения дисциплины

• познакомить студентов с основными задачами и методами машинного обучения
• научить применять машинное обучения для решения задач автоматической обработки текстов

Планируемые результаты обучения

• анализирует преимущества и недостатки разных алгоритмов классификации
• анализирует преимущества и недостатки разных алгоритмов кластеризации, подбирает оптимальное количество классов
• воспроизводит и инретпретирует основные термины и понятия, используемые в дальнейшем при освоении курса
• выбирает и интерпретирует метрики
• использует предобученные модели для получения контекстных векторных представлений
• использует слой DropOut для регуляризации, использует предобученные модели для получения представлений картинок
• настраивает параметры кластеризации, оценивает качество кластеризации
• обучает модели бинарной и многоклассовой классификации
• обучает нейронные классификаторы с использованием рекуррентных слоев в keras (gru, lstm), обучает seq2seq модели, использует предобученные векторные представления
• обучает нейронные классификаторы с использованием сверточных слоев в keras, подбирает параметры в сверточных слоях
• обучает нейронные классификаторы с использованием слоев Embedding, Dense в keras, выбирает нужную функцию потерь и оптимизатор
• обучает ранжирующие модели, оценивать результаты ранжирования
• обучает регрессионные модели
• обучает случайный лес, градиентный бустинг, пользовуется xgboost, lightgbm и catboost, применяет стекинг
• отличает accuracy от precision и precision от recall
• подбирает параметры (размер батча, количество слоев, размерность эмбедингов)
• разбивает выборку на обучающую и тестовую
• разбивает выборку на фолды и производит кросс-валидацию
• различает макро и микро усреднение
• учитывает сбалансированность классов или распределения при разбиении, определяет переобучение

Содержание учебной дисциплины

• Введение
• Классификация
• Регрессия
• Валидация
• Ансамбли
• Кластеризация
• Ранжирование
• Нейронные сети (keras)
• Нейронные сети (cnn)
• Нейронные сети (rnn)

Элементы контроля

• Экзамен
• Домашняя работа

Промежуточная аттестация

• 2023/2024 учебный год 2 модуль
  0.5 * Домашняя работа + 0.5 * Экзамен

Список литературы

Рекомендуемая основная литература

• Федоров, Д. Ю.  Программирование на языке высокого уровня Python : учебное пособие для среднего профессионального образования / Д. Ю. Федоров. — 2-е изд. — Москва : Издательство Юрайт, 2019. — 161 с. — (Профессиональное образование). — ISBN 978-5-534-11961-9. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/446505 (дата обращения: 28.08.2023).

Рекомендуемая дополнительная литература

• Лучано, Р. Python. К вершинам мастерства / Р. Лучано , перевод с английского А. А. Слинкин. — Москва : ДМК Пресс, 2016. — 768 с. — ISBN 978-5-97060-384-0. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/93273 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.