Основы машинного обучения

2026/2027

Учебный год

RUS

Обучение ведется на русском языке

3

Кредиты

Кто читает:

Департамент больших данных и информационного поиска

Статус:

Курс обязательный

Когда читается:

1-й курс, 3 модуль

Преподаватель

Кубаева Ассоль Рауфжоновна

Программа дисциплины

Аннотация

Курс знакомит студентов с основными методами машинного обучения и их применением к прикладным и бизнес-задачам: регрессией, классификацией, решающими деревьями и ансамблями моделей, кластеризацией и снижением размерности. Особое внимание уделяется корректной постановке задачи и валидации моделей, выбору метрик качества, борьбе с переобучением и интерпретации результатов.

Цель освоения дисциплины

• Знать основные постановки задач и типы данных в машинном обучении.
• Знать основные модели машинного обучения: метрические и линейные методы, решающие деревья, ансамбли моделей.
• Знать основные методы кластеризации и снижения размерности.
• Уметь корректно разделять данные для обучения и проверки моделей и избегать утечек данных.
• Уметь выбирать метрики качества моделей с учётом прикладной задачи.
• Уметь подбирать гиперпараметры моделей и контролировать переобучение.
• Уметь интерпретировать модели и анализировать их ошибки.
• Иметь навыки анализа реальных данных с помощью библиотек Python.

Планируемые результаты обучения

• Студент знает основные постановки задач и типы данных в машинном обучении.
• Студент владеет методами предобработки и разведочного анализа данных.
• Студент умеет выбирать схему валидации и выявлять утечки данных.
• Студент знает модель k ближайших соседей и умеет её обучать.
• Студент знает линейные модели регрессии и классификации и умеет их обучать, в том числе методом градиентного спуска.
• Студент владеет основными подходами к оценке качества в задачах регрессии и классификации.
• Студент знает модель решающего дерева и умеет её обучать.
• Студент владеет методами построения ансамблей моделей и подбора гиперпараметров.
• Студент умеет интерпретировать модели и анализировать их ошибки.
• Студент владеет методами кластеризации и снижения размерности.

Содержание учебной дисциплины

• Введение в машинное обучение
• Метод k ближайших соседей
• Линейная регрессия
• Метрики качества регрессии
• Градиентный спуск
• Регуляризация и работа с признаками
• Линейная классификация
• Классификация на практике
• Решающие деревья
• Ансамбли моделей
• Подбор гиперпараметров и интерпретация моделей
• Кластеризация и снижение размерности

Элементы контроля

• Домашнее задание 1
  Разведочный анализ данных, метрические методы, схемы разбиения данных. Выдаётся после 2-й недели; мягкий дедлайн — через 2 недели.
• Домашнее задание 2
  Линейная регрессия и оценка качества моделей регрессии. Выдаётся после 4-й недели; мягкий дедлайн — через 2 недели.
• Домашнее задание 3
  Градиентный спуск, регуляризация, работа с признаками. Выдаётся после 6-й недели; мягкий дедлайн — через 2 недели.
• Домашнее задание 4
  Кластеризация и снижение размерности. Выдаётся после 12-й недели; мягкий дедлайн — через 2 недели, жёсткий — не позднее дня экзамена.
• Соревнование
  Решение прикладной задачи машинного обучения на платформе для соревнований по анализу данных. Задача, данные и пороги оценивания результата объявляются при запуске соревнования. На время соревнования домашние задания не выдаются. Проводится с 7-й по 11-ю неделю, отчёт сдаётся на 12-й неделе. Единый срок сдачи, продление не предусмотрено.
• Бонусные баллы
  Бонусные баллы начисляются за активную работу на лекциях и семинарах в течение курса.
• Экзамен
  Письменный, проводится онлайн, единый для всех студентов курса. Пользоваться материалами нельзя. Если Накоп ≥ 4, студент вправе не сдавать экзамен; в этом случае итоговая оценка равна Накоп, но не выше 8. Если Накоп < 4, студент обязан сдавать экзамен. Любой студент вправе сдавать экзамен независимо от накопленной оценки. Если студент сдаёт экзамен, итоговая оценка рассчитывается только по основной формуле (с учётом оценки за экзамен) и может оказаться как выше, так и ниже накопленной; получить Накоп в качестве итоговой оценки в этом случае нельзя.
• Пересдача
  Проводится в формате, аналогичном экзамену в сроки, установленные учебным офисом.

Промежуточная аттестация

• 2026/2027 3rd module
  Итог = Округление(0,15·ДЗ1 + 0,15·ДЗ2 + 0,15·ДЗ3 + 0,15·ДЗ4 + 0,2·С + 0,2·Э), где ДЗ1–ДЗ4 — оценки за домашние задания, С — оценка за соревнование, Э — оценка за экзамен. Все оценки выставляются по 10-балльной шкале.

Список литературы

Рекомендуемая основная литература

• Лимановская О.В., Алферьева Т.И. - Основы машинного обучения - 978-5-7996-3015-7 - Издательство Уральского университета - 2020 - https://znanium.ru/catalog/document?id=424207 - 424207 - ZNANIUM
• Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow : концепции, инструменты и техники для создания интеллектуальных систем: пер. с англ., Жерон, О., 2018

Рекомендуемая дополнительная литература

• Введение в статистическое обучение с примерами на Python - Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р. - Издательство "ДМК Пресс" - 978-5-93700-217-4 - 2024 - русский - https://e.lanbook.com/book/464258 - ЛАНЬ - 464258

Авторы

• Комарова Ксения Степановна