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

Introduction to Machine Learning

2019/2020
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

Instructors

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 «Нейронные сети», учебных ассистентов и студентов направления подготовки 09.03.04 Программная инженерия и 8.04.05 Бизнес-информатика, обучающихся по образовательной программе «Программная инженерия» и «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
Результаты освоения дисциплины

Результаты освоения дисциплины

  • 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
  • Знает основные стадии ведения проекта машинного обучения; умеет распозанавать задачи машинного обучения в реальных бизнес-задачах; имеет навыки оценки качества и интерпретации полученных результатов
Содержание учебной дисциплины

Содержание учебной дисциплины

  • 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
  • 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
Элементы контроля

Элементы контроля

  • лабораторная работа 1 (неблокирующий)
  • лабораторная работа 2 (неблокирующий)
  • лабораторная работа 3 (неблокирующий)
  • прохождение курсов в DataCamp (неблокирующий)
  • выполнение проекта (неблокирующий)
  • Экзамен (неблокирующий)
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (4 модуль)
    Оценка по дисциплине (Одисциплине) определяется, как взвешенная сумма оценок по всем видам контроля и рассчитывается по следующей формуле: Одисциплине = 0.1*ОDataCamp + 0.1*ОЛаб1 + 0.1*ОЛаб2 + 0.1*ОЛаб3 + + 0.3*Опроект + 0.3*Оэкзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning : Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008
  • Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.
  • Massaron, L., & Mueller, J. (2019). Python for Data Science For Dummies (Vol. 2nd edition). Hoboken, New Jersey: For Dummies. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=2012364
  • Mueller, J. (2018). Beginning Programming with Python For Dummies (Vol. 2nd edition). Hoboken, NJ: For Dummies. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1689584
  • 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

Рекомендуемая дополнительная литература

  • Manning, A. (2015). Databases for Small Business : Essentials of Database Management, Data Analysis, and Staff Training for Entrepreneurs and Professionals. [Berkeley, CA]: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1102108
  • Статистический анализ данных в MS Excel : учеб. пособие / А.Ю. Козлов, В.С. Мхитарян, В.Ф. Шишов. — М. : ИНФРА-М, 2019. — 320 с. — (Высшее образование: Бакалавриат). — www.dx.doi.org/10.12737/2842. - Режим доступа: http://znanium.com/catalog/product/987337
  • 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