Машинное обучение для построения моделей

2022/2023

Учебный год

RUS

Обучение ведется на русском языке

3

Кредиты

Кто читает:

Департамент прикладной математики

Статус:

Курс обязательный

Когда читается:

1-й курс, 4 модуль

Преподаватели

Болдырев Алексей Сергеевич

Ратников Федор Дмитриевич

Программа дисциплины

Аннотация

The course introduces the students to mathematical modeling using machine learning techniques, including supervised and unsupervised methods such as linear and logistic regressions, decision trees, bootstrapping, random forests, boosting, regularized methods and several topics in deep learning, such as artificial neural networks, convolutional neural networks, transformers and auto-encoders, etc. The course uses Google Colaboratory, GitHub Classroom, and DataCamp products and services and aims to raise practical skills in using machine learning methods to solve typical problems of mathematical modeling.

Цель освоения дисциплины

• Цель дисциплины «Принципы построения математических моделей» - обеспечить введение слушателей в предмет математического моделирования с использованием методов машинного обучения, получение ими практических навыков в области использования методов машинного обучения для решения типичных задач.

Планируемые результаты обучения

• Специфика моделей машинного обучения, их сильные и слабые стороны. Статистические методы, используемые при построении моделей ML. Построение линейных регрессий
• Освоение различных подходов к линейной классификации. Изучение приемов подготовки данных и использования признаков
• Построение универсальных моделей с помощью решающих деревьев. Принципы работы с деревьями. Способы построения композиций алгоритмов для усиления результата
• Принцип использования нейронных сетей как универсального представления модели. Типы нейронных сетей. Обучение нейронных сетей. Использование нейронных сетей для задач различных типов

Содержание учебной дисциплины

• Машинное обучение, статистика, линейные методы регрессии
• Линейные методы классификации, Особенности работы с реальными данными, Работа с признаками
• Решающие деревья, Композиции алгоритмов
• Нейронные сети, Обучение без учителя

Элементы контроля

• Аудиторные занятия
• Домашние задания
• Экзамен

Промежуточная аттестация

• 2022/2023 учебный год 4 модуль
  0.2 * Аудиторные занятия + 0.5 * Экзамен + 0.3 * Домашние задания

Список литературы

Рекомендуемая основная литература

• An introduction to statistical learning : with applications in R, , 2013
• Pattern recognition and machine learning, Bishop, C. M., 2006

Рекомендуемая дополнительная литература

• Deep learning, Goodfellow, I., 2016