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

Introduction to Machine Learning

2021/2022
Academic Year
RUS
Instruction in Russian
5
ECTS credits
Delivered at:
Department of Information Technologies in Business (Faculty of Economics, Management, and Business Informatics)
Course type:
Elective course
When:
3 year, 3, 4 module

Программа дисциплины

Аннотация

Настоящая программа учебной дисциплины устанавливает требования к образовательным результатам и результатам обучения студента и определяет содержание и виды учебных занятий и отчетности. Программа предназначена для преподавателей, ведущих дисциплину «Введение в машинное обучение», учебных ассистентов и студентов направления подготовки 38.03.05 Бизнес-информатика, обучающихся по образовательной программе «Бизнес информатика».
Цель освоения дисциплины

Цель освоения дисциплины

  • приобретение навыков работы на языке Python, знание и понимание задач управления данными, в том числе, загрузка данных, преобразование данных, и предварительный анализ и визуализация данных
  • знакомство с основными задачами и моделями машинного обучения, знание методов оценки качества работы различных моделей машинного обучения
  • понимание процесса интеграции моделей машинного обучения в рамках задач стоящих перед потенциальными заказчиками
  • повышение мотивации студентов на дальнейшее углубление своих знаний в области работы с данными и машинного обучения
Планируемые результаты обучения

Планируемые результаты обучения

  • Знает основные стадии ведения проекта машинного обучения; умеет распозанавать задачи машинного обучения в реальных бизнес-задачах; имеет навыки оценки качества и интерпретации полученных результатов
  • Знает основные подходы к преобразованию данных; умеет работать с массивами данных; имеет навыки загрузки, преобразования, очистки и визуализизации данных на языке Python
  • Знает основные задачи машинного обучени; знает основные модели машинного обучения; умеет формализовать бизнес задачу как задачу машинного обучения; имеет навыки обучения и применения моделей машинного обучения на языке Python
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Раздел 1. Введение в анализ данных и язык Python
    Тема 1. Введение в анализ данных Тема 2. Введение в язык Python Тема 3. Основные операции работы с данными Тема 4. Визуализация данных
  • Раздел 2. Фундаментальные основы машинного обучения
    Тема 5. Статистика и машинное обучение Тема 6. Задачи классификации и регрессии. Линейные и древесные модели Тема 7. Бэггинг и бустинг Тема 8. Задача кластеризации
  • Раздел 3. Прикладной опыт ведения проектов машинного обучения
    Тема 9. Разработка и создание аналитических приложений Тема 10. Внедрение, сопровождение и мониторинг модели Тема 11. Экспертиза качества моделей
Элементы контроля

Элементы контроля

  • неблокирующий Лабораторная работа 1
  • неблокирующий Лабораторная работа 2
  • неблокирующий Лабораторная работа 3
  • неблокирующий Выполнение проекта (самостоятельная работа)
  • неблокирующий Экзамен
    Экзамен проводится с использованием асинхронного прокторинга. Требования к ПК пользователя: 1. Стационарный компьютер или ноутбук (мобильные устройства не поддерживаются); 2. Операционная система Windows (версии 7, 8, 8.1, 10) или Mac OS X Yosemite 10.10 и выше; 3. Интернет-браузер Google Chrome последней на момент сдачи экзамена версии: (для установки браузера используйте ссылку https://www.google.com/chrome/, для проверки и обновления версии браузера используйте ссылку chrome://help/, при переходе можно увидеть номер версии своего браузера и кнопку для обновления, если они доступны); 4. Наличие постоянного интернет-соединения со скоростью передачи данных от пользователя не ниже 5 Мбит/сек.; 5. Разрешена передача данных по сетевым портам: 80 TCP, 443 TCP, 3478 TCP/UDP (уточнить этот вопрос у провайдера/открыть панель управления - система и безопасность - брандмауэр защитника Windows- дополнительные параметры. Убедитесь, что нет ограничений на входящее и исходящее соединение); 6. Наличие исправной и включенной веб-камеры (включая встроенные в ноутбуки); 7. Наличие исправного и включенного микрофона (включая встроенные в ноутбуки). https://elearning.hse.ru/data/2020/04/23/1559799268/Инструкция%20по%20работе%20в%20системе%20прокторинга%20Экзамус%202020.%20Асинхрон.pdf
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (4 модуль)
    0.3 * Выполнение проекта (самостоятельная работа) + 0.1 * Лабораторная работа 1 + 0.1 * Лабораторная работа 2 + 0.1 * Лабораторная работа 3 + 0.4 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Компьютерные технологии анализа данных в эконометрике / Д.М. Дайитбегов. - М.: ИНФРА-М: Вузовский учебник, 2008. - 578 с.: 70x100 1/16. - (Научная книга). (переплет) ISBN 978-5-16-003380-8 - Режим доступа: http://znanium.com/catalog/product/143137
  • Основы алгоритмизации и программирования на Python : учеб. пособие / С.Р. Гуриков. — М. : ФОРУМ : ИНФРА-М, 2018. — 343 с. — (Высшее образование: Бакалавриат). - Режим доступа: http://znanium.com/catalog/product/924699
  • Под ред. Мхитаряна В.С.-АНАЛИЗ ДАННЫХ. Учебник для академического бакалавриата-М.:Издательство Юрайт,2019-490-Бакалавр. Академический курс-978-5-534-00616-2: -Текст электронный // ЭБС Юрайт - https://biblio-online.ru/book/analiz-dannyh-432178

Рекомендуемая дополнительная литература

  • Экономическая информатика: Введение в экономический анализ информационных систем [Электронный ресурс] : Учебник. - M.: Инфра-М, 2005. - 965 с.: - (Учебники экономического факультета МГУ им. М.В. Ломоносова). - ISBN 5-16-002009-8. - Режим доступа: http://znanium.com/catalog/product/534301