Математика машинного обучения

Краткое содержание учебной дисциплины, модуля / Brief summary

Дисциплина посвящена углубленному изучению математических основ работы моделей машинного обучения. Рассматриваются классические модели машинного обучения, модели классификации, регрессии, понижения размерности и клатеризации. В процессе обучения предполагается создание учебных моделей на Python. 

Задачи учебной дисциплины:

1.     Освоение теоретической информации по основным алгоритмам МО.

2.     Построение моделей эстиматоров для различных задач.

3.     Приобретение навыков практической реализации алгоритмов машинного обучения.

4.     Оценка качества моделей МО и применение их в задачах реальной жизни.

The discipline is dedicated to the in-depth study of the mathematical foundations of machine learning models. It covers classical machine learning models, classification models, regression, dimensionality reduction, and clustering. During the course, it is expected to create educational models in Python.

Objectives of the course:

1. Mastering theoretical information on basic machine learning algorithms.
2. Building estimator models for various tasks.
3. Acquiring skills in the practical implementation of machine learning algorithms.
4. Evaluating the quality of machine learning models and applying them to real-life tasks.

Формируемые компетенции / The formed competences

Специализированные компетенции:

СК-1. Быть способным эффективно использовать алгоритмы обработки данных и нейронные сети.

Specialized Competencies: 

SC-1. Be able to effectively use data processing algorithms and neural networks.

Результаты обучения (знать, уметь, владеть) / Learning outcomes (know, can, be able)

В результате изучения учебной дисциплины студент магистратуры должен:

знать:

—     наиболее известные алгоритмы машинного обучения;

—     критерии оценки качества моделей;

—     инструменты для работы с алгоритмами МО в среде Python;

уметь:

—     проектировать признаки, описывающие данные;

—     создавать учебные программы моделирующие различные эстиматоры;

—     осуществлять обоснованные подбор гиперпараметров моделей МО;

владеть:

—     навыками прикладного анализа данных с помощью МО;

—     методиками постановки конкретных задач на основе технических требований.

Upon completion of the course, a master’s student should:

know:

• The most well-known machine learning algorithms;
• Criteria for evaluating model quality;
• Tools for working with machine learning algorithms in the Python environment.

be able to:

• Design features that describe data;
• Create educational programs that model various estimators;
• Perform justified selection of machine learning model hyperparameters.

possess:

• Skills in applied data analysis using machine learning;
• Methods for setting specific tasks based on technical requirements.

Семестр изучения учебной дисциплины, модуля / Semester of study

1

1

Пререквизиты / Prerequisites

–

–

Трудоемкость в зачетных единицах (кредитах) / Credit units

6

6

Количество аудиторных часов и часов самостоятельной работы / Academic hour of students’ class work, 

hours of self-directed learning

для очной формы получения высшего образования – 198 часов, в том числе 72 аудиторных часа, из них: 

• лекции – 36 часов, 
• лабораторные занятия –  16 часов,
• семинарские занятия – 20 часов.

для заочной формы получения высшего образования – 16 аудиторных часов, из них:

• лекции — 8 часов,
• лабораторные занятия — 8 часов.

For the full-time higher education program – 198 hours, including 72 classroom hours, of which:

• Lectures – 36 hours,
• Laboratory sessions – 16 hours,
• Seminars – 20 hours.

For the part-time higher education program – 16 classroom hours, including:

• Lectures – 8 hours,
• Laboratory sessions – 8 hours.

Требования и формы текущей и промежуточной аттестации / Requirements and forms of current and interim certification

Экзамен

Exam