Кто читает:: Департамент экономики и анализа данных (Факультет экономики НИУ ВШЭ (Нижний Новгород))

Статус:: Курс обязательный

Когда читается:: 4-й курс, 1, 2 модуль

Преподаватель

Зиняков Юрий Викторович

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс посвящён основам классического машинного обучения с акцентом на обучение с учителем и работу с табличными данными. Рассматриваются постановка задачи машинного обучения, линейные модели, функции потерь и оптимизация, методы классификации, оценка и валидация моделей, регуляризация, подготовка данных, решающие деревья и ансамблевые методы. Особое внимание уделяется построению корректного и воспроизводимого ML-эксперимента, предотвращению утечек данных, выбору метрик и гиперпараметров, анализу ошибок и интерпретации результатов. Практическая часть курса предполагает работу с Python и современными инструментами машинного обучения.

Цель освоения дисциплины

Сформировать у студентов понимание основных механизмов классического машинного обучения и способность самостоятельно формулировать задачи, строить, оценивать и сравнивать модели, проводить корректные вычислительные эксперименты и обоснованно интерпретировать их результаты и ограничения.

Планируемые результаты обучения

Умеет формулировать задачу машинного обучения и строить базовый корректный эксперимент для оценки качества модели.
Умеет строить и интерпретировать линейную регрессию, анализировать устойчивость коэффициентов и структуру ошибок модели.
Умеет выбирать и интерпретировать функцию потерь и применять градиентный спуск для обучения модели.
Умеет строить бинарный вероятностный классификатор с помощью логистической регрессии и интерпретировать его прогнозы.
Умеет выбирать метрику качества и порог классификации с учётом дисбаланса классов и характера ошибок.
Умеет применять регуляризацию и выбирать гиперпараметры модели с помощью валидации и кросс-валидации.
Умеет применять метод k ближайших соседей и оценивать качество многоклассовой классификации.
Умеет строить корректный pipeline обработки табличных данных и предотвращать утечки информации при обучении и оценивании модели.
Умеет объяснять механизм построения решающего дерева и управлять сложностью модели с помощью её гиперпараметров.
Умеет объяснять связь смещения и дисперсии модели и применять ансамблирование для повышения устойчивости прогнозов.
Умеет объяснять механизм градиентного бустинга и управлять его обучением с помощью основных гиперпараметров и early stopping.
Умеет сравнивать современные модели для табличных данных, подбирать гиперпараметры и проводить диагностику и интерпретацию результатов.
Может самостоятельно освоить новое направление машинного обучения, провести корректный вычислительный эксперимент и представить результаты и ограничения работы.

Содержание учебной дисциплины

Осмысленный ML-эксперимент
Линейная регрессия
Функции потерь и градиентный спуск
Бинарная логистическая регрессия
Метрики классификации и принятие решения
Регуляризация и выбор гиперпараметров
Метод k ближайших соседей и многоклассовая классификация
Преобразование данных, Pipeline и утечки данных
Решающие деревья
Коллоквиум по основам классического машинного обучения
Смещение и дисперсия, бэггинг и Random Forest
Градиентный бустинг над решающими деревьями
Современный tabular ML, подбор гиперпараметров и диагностика моделей
Итоговые мини-проекты по направлениям машинного обучения

Элементы контроля

Активность
Коллоквиум
Домашние работы
Проект

Промежуточная аттестация

2026/2027 2nd module
0.2 * Активность + 0.2 * Домашние работы + 0.3 * Проект + 0.3 * Коллоквиум

Список литературы

Авторы

Зиняков Юрий Викторович

Бакалаврская программа «Международная программа по бизнесу и экономике»

Машинное обучение

Преподаватель

Программа дисциплины