Анализ данных и основы машинного обучения

Код специальности / Specialty code: Код специальности / Specialty code: 6-05-0533-07

Специальность / Specialty

Математика и компьютерные  науки / Mathematics and Computer Sciences

Учебная дисциплина, модуль / Academic discipline, module

Анализ данных и основы машинного обучения / Data Analysis and Fundamentals of Machine Learning

Краткое содержание учебной дисциплины, модуля / Brief summary

Курс «Анализ данных и основы машинного обучения» направлен на изучение математической базы анализа данных и применение основных алгоритмов машинного обучения. Темы включают введение в машинное обучение, предварительную обработку данных, алгоритмы регрессии и классификации, линейный классификатор, бэггинг, бустинг и стэкинг, оценку качества моделей, анализ временных рядов, кластеризацию и понижение размерности. Практическая реализация алгоритмов осуществляется на языке Python с использованием библиотек numpy, matplotlib, sklearn, seaborn.

The course «Data Analysis and Fundamentals of Machine Learning» is aimed at studying the mathematical foundations of data analysis and applying core machine learning algorithms. Topics include introduction to machine learning, data preprocessing, regression and classification algorithms, linear classifier, bagging, boosting and stacking, model quality evaluation, time series analysis, clustering, and dimensionality reduction. Practical implementation is performed in Python using numpy, matplotlib, sklearn, and seaborn libraries.

Формируемые компетенции / The formed competences

специализированные компетенции:

СК. Осуществлять анализ контекста и поставленной проблемы, аргументированно выбирать оптимальный способ её решения, согласовывать частичные проекты решения в общую согласованную архитектуру, выполнять реализацию проекта с учётом оценки накопленных и поступающих данных.

универсальные компетенции:

УК-1. Владеть основами исследовательской деятельности, осуществлять поиск, анализ и синтез информации.

базовые профессиональные компетенции:

БПК. Применять современные технологии и базовые конструкции языков программирования для реализации алгоритмических прикладных задач и разработки веб-проектов.

specialized competencies:

SC. Analyze context and the stated problem, make a reasoned choice of the optimal solution, coordinate partial solution designs into a coherent overall architecture, and implement the project taking into account accumulated and incoming data.

universal competencies:

UK-1. Possess the foundations of research activity; search, analyze, and synthesize information.

basic professional competencies:

BPC. Apply modern technologies and basic programming language constructs for implementing algorithmic applied tasks and developing web projects.

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;

– методами постановки конкретных задач на основе технических требований.

know:

– the most well-known machine learning algorithms;

– criteria for evaluating model quality;

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

be able to:

– design features that describe data;

– create programs that model various estimators;

– perform reasoned selection of ML model hyperparameters;

possess:

– skills in applied data analysis using ML;

– methods for formulating specific tasks based on technical requirements.

Семестр изучения учебной дисциплины, модуля / Semester of study

7

7

Пререквизиты / Prerequisites

«Методы программирования», «Математический анализ».

«Programming Methods», «Mathematical Analysis».

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

total 108 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

examination