• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
14
Апрель

Машинное обучение

2020/2021
Учебный год
RUS
Обучение ведется на русском языке
3
Кредиты

Преподаватель

Программа дисциплины

Аннотация

Дисциплина Машинное обучение/Machine learning относится к циклу профессиональных (базовая часть). Изучается на 3-м курсе во 2 модуле. Дисциплина представляет собой on-line курс (Ссылка: https://www.coursera.org/learn/machine-learning). Изучение дисциплины «Машинное обучение» базируется на следующих дисциплинах: программирование, управление данными,теоретические основы информатики. Для освоения учебной дисциплины, студенты должны владеть следующими знаниями: иметь навыки работы на персональном компьютере; иметь базовые навыки программирования.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целями освоения данной дисциплины является формирование у студентов представления об основных принципах обучения с учителем и без учителя. А также умение применять алгоритмы машинного обучения на практике, например в проектировании роботов (восприятие, контроль), анализе текстов (онлайн поиск, анти-спам), компьютерном зрении, медицинских информационных системах, обработке аудио, интеллектуальном анализе баз данных и других областях.
Планируемые результаты обучения

Планируемые результаты обучения

  • Интерпретировать задачи машинного обучения, основные принципы обучения с учителем/без учителя.
  • Сравнивать задачи классификации и задачи регрессии. Иллюстрировать задачи классификации (бинарной и множественной). Сравнивать наиболее известные классификаторы (логистическая регрессия, деревья решений, случайный лес, метод опорных векторов).
  • Применять различные виды классификаторов для решения практических задач. Объяснять необходимость применения кросс-валидации.
  • Интерпретировать задачу кластеризации. Применять на практике основные алгоритмы кластеризации (k-means и иерархические методы) и метод главных компонент (PCA).
  • Интерпретировать виды нейронных сетей (сверточные, рекуррентные, глубокие), возможность изменения параметров сети (число слоев, число нейронов). Применять нейронные сети для решения практических задач.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Нейронные сети.
    Виды нейронных сетей (глубокие, рекуррентные, сверточные ). Пример нейронной сети для распознавания цифр или степени развития диабета по изображению сетчатки глаз
  • Кластеризация
    Задача кластеризации. Метод k-средних. Метод главных компонент.
  • Понятие объяснимого ИИ в здравоохранении, его принципы. Виды классификаторов. Кросс валидация.
    Рассматриваются различные классификаторы (метод опорных векторов (SVM), деревья решений (Decision Tree), метод ближайшего соседа (KNeighbors), случайный лес (Random Forest)). Необходимость применения кросс валидации (Cross Validation).
  • Обзор основных алгоритмов машинного обучения, которые могут применяться в медицине. Задачи машинного обучения (регрессия, классификация, кластеризация).
    Модель линейной регрессии для решения задачи прогнозирования развития пандемии COVID-19.
  • Обзор открытых наборов данных для машинного обучения в здравоохранении. Задача классификации. Бинарный классификатор. Регуляризация.
    Применение логистической регрессии для решения задачи бинарной классификации (например, болен пациент или здоров). Понятие регуляризации.
Элементы контроля

Элементы контроля

  • неблокирующий лабораторные работы
    На занятиях студенты выполняют лабораторные работы по пройденной теме. Например, реализуют спам-фильтр на языке Python
  • неблокирующий устный экзамен
  • неблокирующий лабораторные работы
    На занятиях студенты выполняют лабораторные работы по пройденной теме. Например, реализуют спам-фильтр на языке Python
  • неблокирующий устный экзамен
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (2 модуль)
    0.4 * лабораторные работы + 0.6 * устный экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Bell, J. (2015). Machine Learning : Hands-On for Developers and Technical Professionals. Indianapolis, Ind: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=872454
  • Iba, H. (2018). Evolutionary Approach to Machine Learning and Deep Neural Networks : Neuro-Evolution and Gene Regulatory Networks. Singapore: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1833749
  • Izenman, A. J. (2008). Modern Multivariate Statistical Techniques : Regression, Classification, and Manifold Learning. New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=275789
  • Muller, A. C., & Guido, S. (2017). Introduction to machine learning with Python: a guide for data scientists. O’Reilly Media. (HSE access: http://ebookcentral.proquest.com/lib/hselibrary-ebooks/detail.action?docID=4698164)
  • Красавин А. В., Жумагулов Я. В. - КОМПЬЮТЕРНЫЙ ПРАКТИКУМ В СРЕДЕ MATLAB 2-е изд. Учебное пособие для вузов - М.:Издательство Юрайт - 2019 - 277с. - ISBN: 978-5-534-08509-9 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/kompyuternyy-praktikum-v-srede-matlab-442328

Рекомендуемая дополнительная литература

  • Goldberg, Y. (2017). Neural Network Methods in Natural Language Processing. [San Rafael, California]: Morgan & Claypool Publishers. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1506512
  • Mohammed, M., Khan, M. B., & Bashier, E. B. M. (2017). Machine Learning : Algorithms and Applications. Boca Raton: CRC Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1293656
  • Palumbo, F., International Federation of Classification Societies, Montanari, A., & Vichi, M. (2017). Data Science : Innovative Developments in Data Analysis and Clustering. Cham: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1548455