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

Machine Learning

2021/2022
Academic Year
RUS
Instruction in Russian
4
ECTS credits
Course type:
Compulsory course
When:
1 year, 2, 3 module

Instructor

Программа дисциплины

Аннотация

Дисциплина "Методы машинного обучения" предназначена для подготовки магистров направления 41.04.04 «Политология». В курсе изучаются основные постановки задач машинного обучения, а также методы, необходимые для их решения. В частности, в курсе рассматриваются методы обучения с учителем (линейные методы, решающие деревья, композиции алгоритмов) и без учителя (методы кластеризации, понижения размерности данных). В курсе также обсуждаются вопросы визуализации данных и их предварительной обработки. Теоретические знания, полученные на занятиях, подкрепляются практическими занятиями по использованию популярных инструментов по изучаемой тематике.
Цель освоения дисциплины

Цель освоения дисциплины

  • Ознакомление студентов с основными принципами машинного обучения – а именно, видами задач машинного обучения, классами моделей, способами обработки различных типов данных и измерение качества результатов
  • Формирование у студентов практических навыков работы с данными и решения прикладных задач анализа данных с помощью современного программного обеспечения
Планируемые результаты обучения

Планируемые результаты обучения

  • Знать и уметь применять основные виды методов обучения без учителя
  • Знать и уметь применять основные виды методов обучения с учителем
  • Знать основные типы задач в машинном обучении и уметь определять тип задачи
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение в машинное обучение и анализ данных
  • Основные методы обучения с учителем
  • Методы обучения без учителя
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание 1
  • неблокирующий Домашнее задание 2
  • неблокирующий Домашнее задание 3
  • неблокирующий Индивидуальный проект
  • неблокирующий Экзамен (письменный)
    Экзамен проводится в письменной форме.
  • неблокирующий Домашнее задание 0
Промежуточная аттестация

Промежуточная аттестация

  • 2021/2022 учебный год 3 модуль
    0.2 * Экзамен (письменный) + 0.15 * Домашнее задание 2 + 0.25 * Индивидуальный проект + 0.15 * Домашнее задание 1 + 0.15 * Домашнее задание 3 + 0.1 * Домашнее задание 0
Список литературы

Список литературы

Рекомендуемая основная 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
  • James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.

Рекомендуемая дополнительная литература

  • Ruud, A. (2019). Convex Optimization: Theory, Methods and Applications. Hauppauge, New York: Nova. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=2043454