• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Современные методы машинного обучения

2019/2020
Учебный год
RUS
Обучение ведется на русском языке

Программа дисциплины

Аннотация

Изучение дисциплины «Современные методы машинного обучения» нацелено на освоение продвинутых методов и алгоритмов машинного обучения с применением языка программирования Python. Курс является третьим в майноре «Интеллектуальный анализ данных». Предполагается, что в результате освоения курса студенты будут способны самостоятельно выбирать методы машинного обучения для решения сложных задач анализа данных.
Цель освоения дисциплины

Цель освоения дисциплины

  • Знать: основные понятия и методы машинного обучения; о месте и ценности методов машинного обучения и разработки данных в современной науке и практической деятельности; основные каналы научной и прикладной информации по анализу данных и машинному обучению.
  • Уметь: использовать освоенные методы машинного обучения для обработки конкретных наборов данных, анализировать результаты, делать выводы; формализовать конкретную задачу и разработать алгоритм решения.
  • Владеть: методами программирования, отлаживания и тестирования современных алгоритмов машинного обучения.
Планируемые результаты обучения

Планируемые результаты обучения

  • Знает и умеет использовать фреймворки глубокого обучения для решения задач распознавания изображений.
  • Знает основные слои, использующиеся в архитектурах глубоких (в.т.ч. сверточных) нейронных сетей; методы регуляризации; алгоритм обратного распространения ошибки.
  • Понимает концепцию многослойного персиптрона, сверточной нейронной сети
  • Знает и может использовать программные реализации алгоритмов ансамблей классификаторов для решения задач машинного обучения
  • Знает основные типы ансамблей классификаторов и основанные на них алгоритмы машинного обучения.
  • Понимает общие принципы построения ансамблей классификаторов.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Ансамбли классификаторов
    Ансамбли классификаторов. Общие принципы. Причина успеха. Bias-variance tradeoff (компромисс между сдвигом и разбросом). Бэггинг, бустинг. Бутстрэп. Блендинг алгоритмов. Сравнение с Random Forest. Оценка out-of-bag. Алгоритм AdaBoost. Различные функции потерь для бустинга. Градиентный бустинг.
  • Нейронные сети
    Простейшие однослойные и многослойные нейронные сети, функции активации. Алгоритм обратного распространения ошибки для обучения нейронной сети. Регуляризации. Глубокие сети. Cвёрточные слои, пулинг, нормализации.
Элементы контроля

Элементы контроля

  • неблокирующий Контрольная работа
  • неблокирующий Лабораторная работа
    Тема лабораторной: Ансамблевые модели.
  • неблокирующий Лабораторная работа
    Тема лабораторной: Нейронные сети.
  • неблокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (2 модуль)
    0.1 * Контрольная работа + 0.2 * Лабораторная работа + 0.2 * Лабораторная работа + 0.5 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Aggarwal C. Data Mining: The Textbook. Springer International Publishing, 2015. DOI: 10.1007/978-3-319-14142-8
  • Ian Goodfellow and Yoshua Bengio and Aaron Courville. Deep Learning, 2016. URL: http://www.deeplearningbook.org

Рекомендуемая дополнительная литература

  • Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.
  • Mirkin, B. Core concepts in data analysis: summarization, correlation and visualization. – Springer Science & Business Media, 2011. – 388 pp.
  • Глубокое обучение : погружение в мир нейронных сетей, Николенко, С., Кадурин, А., 2018