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

Course type:: Compulsory course

When:: 1 year, 3, 4 module

Instructor

Garafutdinov, Robert V.

Полная версия программы учебной дисциплины

Аннотация

Машинное обучение – это область знаний, позволяющая автоматически находить зависимости в данных. Такая технология позволяет решать различные задачи без явного программирования правил. Благодаря развитию вычислительной техники и самой области, в последнее десятилетие машинное обучение стало неотъемлемой частью самых разных продуктов – от веб-сервисов до банков. В рамках данного курса студенты рассмотрят основные концепции машинного обучения и попрактикуются в применении методов машинного обучения для решения бизнес-задач.

Цель освоения дисциплины

Развитие у студентов навыков применения методов и решения задач искусственного интеллекта и машинного обучения с использованием современных подходов, технологий и инструментальных средств (на примере языка программирования Python и его библиотек).

Планируемые результаты обучения

имеет представление об искусственном интеллекте и его применимости для решения задач бизнеса;
владеет языком Python и библиотекой pandas;
способен выполнять загрузку и обработку табличных данных с помощью этих инструментов;
знает основные понятия и постановки задач машинного обучения;
знает алгоритмы и методы классических задач машинного обучения;
знает основные метрики качества регрессии, классификации и кластеризации;
способен строить модели регрессии, классификации и кластеризации;
способен оценивать качество моделей на практике в Python;
знает принципы построения композиций моделей;
знает алгоритмы ансамблирования;
умеет применять подходы к решению проблем машинного обучения на практике в Python;
имеет представление об искусственных нейронных сетях как базовых алгоритмах глубокого обучения;
способен строить простые нейронные сети на практике в Python.

Содержание учебной дисциплины

Тема 1. Введение в искусственный интеллект
Тема 2. Инструментальные средства
Тема 3. Подготовка и визуализация данных
Тема 4. Классические задачи машинного обучения: регрессия, классификация, кластеризация
Тема 5. Ансамбли алгоритмов
Тема 6. Проблемы качества обучения
Тема 7. Отбор и синтез признаков и объектов
Тема 8. Введение в нейронные сети

Элементы контроля

Контрольная работа 2
Домашняя работа
Контрольная работа 1
Экзамен

Промежуточная аттестация

2023/2024 учебный год 4 модуль
0.2 * Домашняя работа + 0.2 * Контрольная работа 1 + 0.2 * Контрольная работа 2 + 0.4 * Экзамен

Master’s Programme 'Business Analytics'

Contacts

Machine Learning

Instructor

Программа дисциплины

Аннотация

Цель освоения дисциплины

Планируемые результаты обучения

Содержание учебной дисциплины

Элементы контроля

Промежуточная аттестация

Список литературы

Рекомендуемая основная литература

Рекомендуемая дополнительная литература