Кафедра информационных технологий в бизнесе (Пермь)

АБB
АБB
АБB

Обычная версия сайта

Материалы грантов с участием преподавателей кафедры

Публикации

Книга

Современные проблемы науки

Данилевич Т. В., Ясницкий Л. Н.

М.: Юрайт, 2025.

Статья

Comparative Analysis of Requirements Prioritization Methods for Personalized Nutrition Web Applications

Mozhegova A., V.V. Lanin.

Proceedings of the Institute for System Programming of the RAS. 2025. Vol. 37. No. 5. P. 225-240.

Глава в книге

Development the reinforcement learning model for sources identification of H2S industrial emissions

Kychkin A., Chernitsin I., Vikentyeva O.

In bk.: 2025 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). IEEE, 2025. P. 987-991.

Препринт

Оценка моделей LLM по степени готовности решать задачи управления в области ESG

Сторчевой М. А., Мыльников Л. А., Чернышев В. В. и др.

Working Papers. SSRN, 2025

Все публикации

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

Статус:: Маго-лего

Когда читается:: 2, 3 модуль

Преподаватель

Гарафутдинов Роберт Викторович

Дополнительные материалы в LMS 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

Специальные архитектуры нейронных сетей
Ансамбли
Работа с признаками и объектами
Анализ текстовых данных
Временные ряды
Нейронные сети

Элементы контроля

Домашняя работа №1
Домашняя работа №2
Экзамен

Промежуточная аттестация

2023/2024 учебный год 3 модуль
0.3 * Домашняя работа №1 + 0.3 * Домашняя работа №2 + 0.4 * Экзамен

Список литературы

Авторы

Гарафутдинов Роберт Викторович
Карпович Марина Валерьевна

Документы

Прикладные аспекты машинного обучения