Основы машинного обучения

Код специальности / Specialty code: Код специальности / Specialty code: 6-05-0533-08

Специальность / Specialty: Компьютерная математика и системный анализ / Computer Mathematics and Systems Analysis

Учебная дисциплина, модуль / Academic discipline, module: Основы машинного обучения / Fundamentals of Machine Learning

Краткое содержание учебной дисциплины, модуля / Brief summary

Курс «Основы машинного обучения» знакомит с математической базой и практическими приёмами построения моделей машинного обучения (МО). Раздел 1 охватывает основы МО: введение, предварительная обработка данных (нормализация, работа с признаками, корреляция). Раздел 2 посвящён МО с учителем: алгоритмы регрессии (линейная, полиномиальная, регуляризация Lasso/Ridge), классификации (дерево решений, k-ближайших соседей, логистическая регрессия), ансамблевые методы (бэггинг, случайные леса, бустинг, стэкинг), оценка качества моделей и кросс-валидация. Раздел 3 посвящён МО без учителя и временным рядам: анализ временных рядов, кластеризация (k-средних, DBSCAN), понижение размерности (PCA, t-SNE).

The course «Fundamentals of Machine Learning» introduces the mathematical foundations and practical techniques for building machine learning (ML) models. Part 1 covers ML basics: introduction, data preprocessing (normalization, feature engineering, correlation). Part 2 covers supervised learning: regression algorithms (linear, polynomial, Lasso/Ridge regularization), classification (decision tree, k-nearest neighbors, logistic regression), ensemble methods (bagging, random forests, boosting, stacking), model quality evaluation and cross-validation. Part 3 covers unsupervised learning and time series: time series analysis, clustering (k-means, DBSCAN), dimensionality reduction (PCA, t-SNE).

Формируемые компетенции / The formed competences

универсальные компетенции:

Владеть основами исследовательской деятельности, осуществлять поиск, анализ и синтез информации.

Решать стандартные задачи профессиональной деятельности на основе применения информационно-коммуникационных технологий.

специализированные компетенции:

Осуществлять полный цикл анализа данных с применением машинного обучения.

universal competencies:

Possess the basics of research activities, search, analyze and synthesize information.

Solve standard professional tasks based on the application of information and communication technologies.

specialized competencies:

Carry out the full cycle of data analysis using machine learning.

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

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 программы, моделирующие различные эстиматоры;

– осуществлять обоснованный подбор гиперпараметров моделей МО;

иметь навык:

– прикладного анализа данных с помощью МО;

– постановки конкретных задач на основе технических требований.

know:

– the most well-known machine learning algorithms;

– model quality evaluation criteria;

– tools for working with ML algorithms in the Python environment;

be able to:

– design features that describe the data;

– create programs that model various estimators;

– perform justified selection of ML model hyperparameters;

possess:

– skills in applied data analysis using ML;

– skills in formulating specific tasks based on technical requirements.

Семестр изучения учебной дисциплины, модуля / Semester of study

5

5

Пререквизиты / Prerequisites

«Анализ данных», «Нейронные сети и генетические алгоритмы».

«Data Analysis», «Neural Networks and Genetic Algorithms».

Трудоемкость в зачетных единицах (кредитах) / Credit units

3

3

Количество аудиторных часов и часов самостоятельной работы / Academic hour of students’ class work, hours of self-directed learning

всего 120 часов, в том числе 72 аудиторных часа, из них: лекции – 36 часов, лабораторные занятия – 30 часов, управляемая самостоятельная работа – 6 часов.

total 120 hours, including 72 classroom hours, including: lectures – 36 hours, laboratory classes – 30 hours, guided independent work – 6 hours.

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

экзамен

exam