Математические основы машинного обучения

2025/2026

Учебный год

RUS

Обучение ведется на русском языке

3

Кредиты

Кто читает:

Департамент электронной инженерии

Статус:

Курс обязательный

Когда читается:

1-й курс, 3 модуль

Преподаватель

Иванов Федор Ильич

Программа дисциплины

Аннотация

Курс посвящен дополнительным аспектам и математическому аппарату применения машинного обучения. Рассматривается формализация основных задач машинного обучения, излагаются алгоритмы обучения для линейно разделимых обучающих выборок, методы градиентного спуска и его разновидности, метод обучения нейронных сетей, метод опорных векторов, ядерные методы машинного обучения, регрессионный анализ, метрические и вероятностные модели машинного обучения, логические модели машинного обучения.

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

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
• Выбор и оценка моделей, работа с признаками
• Признаковые представления для дискретных входных данных

Элементы контроля

• Реализация алгоритма отбора признаков для задачи регрессии
• Экзамен

Промежуточная аттестация

• 2025/2026 3rd module
  0.5 * Реализация алгоритма отбора признаков для задачи регрессии + 0.5 * Экзамен

Список литературы

Рекомендуемая основная литература

• A dictionary of statistics, Upton, G., 2008
• A distribution-free theory of nonparametric regression, Gyorfi, L., 2002
• A first course in order statistics, Arnold, B. C., 2008
• Applied logistic regression, Hosmer, D. W., 1989
• Data mining : practical machine learning tools and techniques, Witten, I. H., 2011
• Elements of information theory, Cover, T. M., 2006
• Entropy randomization in machine learning, Popkov, Y. S., 2023
• Python для сложных задач : наука о данных и машинное обучение, Плас, Дж. В., 2018
• Python для сложных задач: наука о данных и машинное обучение : пер. с англ., Плас, Дж. Вандер, 2019
• Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2017). Data Mining : Practical Machine Learning Tools and Techniques (Vol. Fourth edition). Cambridge, MA: Morgan Kaufmann. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1214611
• Вероятность и математическая статистика : энциклопедия, , 1999
• Математические основы машинного обучения и прогнозирования, Вьюгин, В. В., 2022

Рекомендуемая дополнительная литература

• Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика, Усков, А. А., 2004

Авторы

• Иванов Федор Ильич