• A
  • A
  • A
  • ABC
  • ABC
  • ABC
  • А
  • А
  • А
  • А
  • А
Regular version of the site

Machine Learning

2020/2021
Academic Year
RUS
Instruction in Russian
5
ECTS credits
Course type:
Compulsory course
When:
1 year, 3, 4 module

Instructors

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

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

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

Содержание учебной дисциплины

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

Элементы контроля

  • неблокирующий 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.
  • неблокирующий 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

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

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