Machine Learning

2020/2021

Academic Year

ENG

Instruction in English

7

ECTS credits

Delivered at:

Department of Information Technologies in Business (Faculty of Computer Science, Economics, and Social Sciences)

Course type:

Compulsory course

When:

2 year, 1, 2 module

Instructors

Kuznetsov, Denis

Шиловских Петр Александрович

Course Syllabus

Abstract

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 «Машинное обучение», учебных ассистентов и студентов направления подготовки 38.04.05 Бизнес-информатика, обучающихся по образовательной программе «Информационная аналитика в управлении предприятием».

Learning Objectives

• закрепление 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

Expected Learning Outcomes

• Знает задачи классификации и регрессии; знает модели дерева решений, леса решений и градиентного бустинга.
• Знает основные модели глубинного обучения для работы с изображениями.
• Знает задачу оценки эффект от воздействия и основным подходы к её решению
• Знает задачу построения рекомендательных систем и основные подходы к её решению.
• Знает задачу кластеринга и основные подходы к её решению.
• Умеет формализовать бизнес-задачу как задачу машинного обучения, умеет её решить и оценить её качество
• ведет профессиональную, в том числе научно-исследовательскую деятельность в международной среде

Course Contents

• Раздел 1. Задача классификации и регрессии
  Тема 1. Деревья решений. Тема 2. Лес решений. Тема 3. Градиентный бустинг.
• Раздел 2. Задача оценки эффекта от воздействия
  Тема 4. Постановка задачи оценки эффект от воздействия. Тема 5. Методы сведений задачи оценки эффекта от воздействия к задачам регрессии и классификации.
• Раздел 3. Задача построения рекомендательных систем
  Тема 6. Постановка задачи построения рекомендательных систем. Тема 7. Основные подходы к построению рекомендательных систем.
• Раздел 4. Задачи обучения без учителя
  Тема 8. Задача кластеринга и основные методы её решений. Тема 9. Задача обнаружения подгрупп.
• Раздел 5. Модели глубинного обучения
  Тема 10. Нейронные сети. Тема 11. PyTorch и подробности. Тема 12. Нейронные сети на практике. Тема 13. Convolutional Neural Networks. Тема 14. Segmentation и Object Detection. Тема 15. Metric Learning, Autoencoders, GANs.
• Раздел. 6. Работа над проектом

Assessment Elements

• Лабораторная работа 1
• Лабораторная работа 2
• Лабораторная работа 3
• Проект
• Экзамен

Interim Assessment

• Interim assessment (2 module)
  0.15 * Лабораторная работа 1 + 0.1 * Лабораторная работа 2 + 0.15 * Лабораторная работа 3 + 0.3 * Проект + 0.3 * Экзамен

Bibliography

Recommended Core Bibliography

• Загорулько Ю. А., Загорулько Г. Б. - ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ. ИНЖЕНЕРИЯ ЗНАНИЙ. Учебное пособие для вузов - М.:Издательство Юрайт - 2019 - 93с. - ISBN: 978-5-534-07198-6 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/iskusstvennyy-intellekt-inzheneriya-znaniy-442134
• Рашка С. - Python и машинное обучение: крайне необходимое пособие по новейшей предсказательной аналитике, обязательное для более глубокого понимания методологии машинного обучения - Издательство "ДМК Пресс" - 2017 - 418с. - ISBN: 978-5-97060-409-0 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/100905

Recommended Additional Bibliography

• Шарден Б., Массарон Л., Боскетти А. - Крупномасштабное машинное обучение вместе с Python - Издательство "ДМК Пресс" - 2018 - 358с. - ISBN: 978-5-97060-506-6 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/105836