Кто читает:: Кафедра информационных технологий в бизнесе (Пермь) (Факультет социально-экономических и компьютерных наук)

Статус:: Курс обязательный

Когда читается:: 1-й курс, 2, 3 модуль

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

Домашняя работа
Контрольная работа 2
Контрольная работа 1
Экзамен

Промежуточная аттестация

2024/2025 3rd module
0.2 * Домашняя работа + 0.2 * Контрольная работа 1 + 0.2 * Контрольная работа 2 + 0.4 * Экзамен

Список литературы

Авторы

Карпович Марина Валерьевна
Гарафутдинов Роберт Викторович

Магистерская программа «Бизнес-аналитика»

Машинное обучение

Программа дисциплины