Machine Learning

2019/2020

Academic Year

RUS

Instruction in Russian

5

ECTS credits

Delivered at:

School of Linguistics

Course type:

Compulsory course

When:

1 year, 3, 4 module

Instructors

Nefedov, Mikhail

Пономарева Мария Алексеевна

Shavrina, Tatiana

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

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

Содержание учебной дисциплины

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

Элементы контроля

• Домашние задания
  Домашние работы сдаются до дня следующего занятия (до 23:59 предыдущего дня). Если у преподавателя получается проверить все работы к занятию, то они разбираются в начале занятия. В любом случае, студенты получают обратную связь и оценку по своей работе по почте. Работы, которые были сданы после крайнего срока, штрафуются на три балла. Оценки за домашние задания выставляются в рабочую ведомость, перед экзаменом модуля оценки за домашние задания усредняются и выставляется итоговая оценка за домашние задания по десятибалльной шкале Одз. Домашние задания пересдаются в срок не позднее, чем за неделю до начала сессии. Такие работы штрафуются на три балла.
• Проект
  На итоговом контроле студент должен продемонстрировать владение основными навыками из пройденных тем дисциплины. Итоговый контроль проводится в форме индивидуального проекта. Проект подразумевает самостоятельное решение студентом какой-то практической задачи с помощью машинного обучения от начала (подготовка данных) и до конца (оценка качества и анализ ошибок, выбор лучшего метода). Студент может использовать как уже существующие данные, так и собрать всё самостоятельно. Темы должны быть заранее (не менее 3 недель до сдачи) согласованы с преподавателем. Критерии оценки для каждого проекта устанавливаются отдельно по договорённости между студентом и преподавателем. Проект сдаётся письменно. Оценка за проект выставляется по десятибалльной шкале. Пересдается о общим правилам пересдачи экзамена, пропущенного по уважительной причине.

Промежуточная аттестация

• Промежуточная аттестация (4 модуль)
  0.7 * Домашние задания + 0.3 * Проект

Список литературы

Рекомендуемая основная литература

• Федоров Д. Ю. - ПРОГРАММИРОВАНИЕ НА ЯЗЫКЕ ВЫСОКОГО УРОВНЯ PYTHON 2-е изд. Учебное пособие для СПО - М.:Издательство Юрайт - 2019 - 161с. - ISBN: 978-5-534-11961-9 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/programmirovanie-na-yazyke-vysokogo-urovnya-python-446505

Рекомендуемая дополнительная литература

• Лучано Рамальо - Python. К вершинам мастерства - Издательство "ДМК Пресс" - 2016 - 768с. - ISBN: 978-5-97060-384-0 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/93273