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

Course type:: Compulsory course

When:: 2 year, 2 module

Instructor

Garafutdinov, Robert V.

Полная версия программы учебной дисциплины Задать вопрос

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. Рассматриваются популярные методы машинного обучения, такие как ансамбли, алгоритмы прогнозирования временных рядов и нейронные сети.

Цель освоения дисциплины

Целью освоения дисциплины «Прикладные аспекты машинного обучения» является 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

• способен определять проблему, для решения которой применимо машинное обучение
• способен определять задачи классификации, регрессии и кластеризации
• способен строить модели для решения этих задач на заданном наборе данных
• способен использовать различные алгоритмы для решения этих задач и подбирать наиболее подходящий в рамках конкретной задачи
• способен определить подходящую метрику качества модели машинного обучения
• способен применять ансамблирование и бустинг для повышения точности моделей
• способен выявлять и недообучение и переобучение
• способен спроектировать и обучить нейронную сеть на заданном наборе данных
• способен моделировать и прогнозировать временные ряды
• способен применять ансамблирование и другие техники повышения точности моделей
• способен решать задачи обработки текстов и временных рядов с помощью классических методов машинного обучения
• способен спроектировать и обучить полносвязную нейронную сеть прямого распространения для решений задач регрессии и классификации на заданном наборе данных
• способен использовать специальные архитектуры нейронных сетей для решения задач обработки изображений, текстов и временных рядов

Содержание учебной дисциплины

Продвинутые техники машинного обучения
Простые методы обработки текстов
Моделирование временных рядов
Введение в нейронные сети
Специальные архитектуры нейронных сетей

Элементы контроля

Домашняя работа №2
Экзамен
Домашняя работа №1

Промежуточная аттестация

2024/2025 учебный год 2 модуль
0.25 * Домашняя работа №1 + 0.25 * Домашняя работа №2 + 0.5 * Экзамен

Список литературы

Авторы

Карпович Марина Валерьевна
Гарафутдинов Роберт Викторович

Master’s Programme 'Business Analytics'

Contacts

Applied Machine Learning

Instructor

Программа дисциплины