Математика машинного обучения

Код специальности / Specialty code: Код специальности / Specialty code: 7-06-0533-04

Специальность / Specialty: Математика и компьютерные науки / Mathematics and Computer Sciences

Учебная дисциплина, модуль / Academic discipline, module: Математика машинного обучения / Mathematics of Machine Learning

Краткое содержание учебной дисциплины, модуля / Brief summary

Курс «Математика машинного обучения» направлен на изучение математической базы основных алгоритмов машинного обучения. Темы включают: основные алгоритмы МО, построение моделей эстиматоров, оценку качества моделей, практическую реализацию алгоритмов с использованием инструментов Python (scikit-learn и др.), а также применение моделей МО к задачам реальной жизни.

The course «Mathematics of Machine Learning» focuses on the mathematical foundations of key machine learning algorithms. Topics include: main ML algorithms, building estimator models, model quality assessment, practical implementation of algorithms using Python tools (scikit-learn, etc.), and applying ML models to real-world problems.

Формируемые компетенции / The formed competences

специализированные компетенции: Использовать инструменты анализа и алгоритмы обработки данных.

specialized competencies: Use data analysis tools and data processing algorithms.

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 учебные программы, моделирующие различные эстиматоры;

– осуществлять обоснованный подбор гиперпараметров моделей МО;

владеть: 

– навыками прикладного анализа данных с помощью МО;

– навыками постановки конкретных задач на основе технических требований.

know: 

– the most well-known machine learning algorithms;

– model quality assessment criteria;

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

be able to: 

– design features describing data;

– create training programs modeling various estimators;

– perform justified selection of hyperparameters for ML models;

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

2

2

Пререквизиты / Prerequisites

«Интеллектуальный анализ данных», «Методы программирования», «Математический анализ», «Алгебра и геометрия».

«Intelligent Data Analysis», «Programming Methods», «Mathematical Analysis», «Algebra and Geometry».

Трудоемкость в зачетных единицах (кредитах) / Credit units

6

6

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

всего 216 часов, в том числе 72 аудиторных часа, из них: лекции – 36 часов, лабораторные занятия – 36 часов.

total 216 hours, including 72 classroom hours, including: lectures – 36 hours, laboratory classes – 36 hours.

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

дифференцированный зачёт

graded pass/fail exam