Машинное обучение

2021/2022

Учебный год

RUS

Обучение ведется на русском языке

4

Кредиты

Кто читает:

Кафедра информационных систем и технологий (Нижний Новгород) (Факультет информатики, математики и компьютерных наук (Нижний Новгород))

Статус:

Курс по выбору

Когда читается:

3-й курс, 2 модуль

Преподаватель

Савченко Людмила Васильевна

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://openedu.ru/course/ITMOUniversity/MLDATAN/). 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

• 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

• Интерпретировать виды нейронных сетей (сверточные, рекуррентные, глубокие), возможность изменения параметров сети (число слоев, число нейронов). Применять нейронные сети для решения практических задач.
• Интерпретировать задачи машинного обучения, основные принципы обучения с учителем/без учителя.
• Интерпретировать задачу кластеризации. Применять на практике основные алгоритмы кластеризации (k-means и иерархические методы) и метод главных компонент (PCA).
• Применять различные виды классификаторов для решения практических задач. Объяснять необходимость применения кросс-валидации.
• 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).

Содержание учебной дисциплины

• Нейронные сети.
• Кластеризация
• Понятие объяснимого ИИ в здравоохранении, его принципы. Виды классификаторов. Кросс валидация.
• Обзор основных алгоритмов машинного обучения, которые могут применяться в медицине. Задачи машинного обучения (регрессия, классификация, кластеризация).
• Обзор открытых наборов данных для машинного обучения в здравоохранении. Задача классификации. Бинарный классификатор. Регуляризация.

Элементы контроля

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

Промежуточная аттестация

• 2021/2022 учебный год 2 модуль
  0.6 * лабораторные работы + 0.4 * устный экзамен

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
• Рашка, С. Python и машинное обучение: крайне необходимое пособие по новейшей предсказательной аналитике, обязательное для более глубокого понимания методологии машинного обучения : руководство / С. Рашка ; перевод с английского А. В. Логунова. — Москва : ДМК Пресс, 2017. — 418 с. — ISBN 978-5-97060-409-0. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100905 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

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