• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Статья
Planning of life-depleting preventive maintenance activities with replacements

Ketkov S., Prokopyev O. A., Maillart L. M.

Annals of Operations Research. 2022.

Глава в книге
Faster exploration of some temporal graphs

Adamson D., Gusev V. V., Malyshev D. et al.

In bk.: 1st Symposium on Algorithmic Foundations of Dynamic Networks (SAND 2022, March 28–30, 2022, Virtual Conference). Vol. 221. Schloss Dagstuhl – Leibniz-Zentrum für Informatik, Dagstuhl Publishing, 2022. Ch. 5. P. 5:1-5:10.

Препринт
The approximate variation of univariate uniform space valued functions and pointwise selection principles

Vyacheslav V. Chistyakov, Svetlana A. Chistyakova.

Functional Analysis. arXiv [math.FA]. Cornell University, NY, USA, 2020. No. 2010.11410.

Анализ и разработка данных

2021/2022
Учебный год
RUS
Обучение ведется на русском языке
4
Кредиты

Преподаватель

Гречихин Иван Сергеевич

Гречихин Иван Сергеевич

Программа дисциплины

Аннотация

Настоящая дисциплина относится к профессиональному циклу дисциплин, обеспечивающих подготовку бакалавра по направлению «прикладная математика и информатика». Изучение данной дисциплины базируется на знании, полученных при освоении дисциплин: линейная алгебра и геометрия, математический анализ, дискретная математика, математическая статистика, программировании.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целью освоения дисциплины «Анализ и разработка данных» является получение высшего профессионально профилированного (на уровне бакалавра) образования, позволяющего выпускнику успешно работать в избранной сфере деятельности, обладать универсальными и предметно-специализированными компетенциями, способствующими его социальной мо-бильности и устойчивости на рынке труда.
  • Целью освоения дисциплины «Анализ и разработка данных» является получение высшего профессионально профилированного (на уровне бакалавра) образования, позволяющего выпускнику успешно работать в избранной сфере деятельности, обладать универсальными и предметно-специализированными компетенциями, способствующими его социальной мо-бильности и устойчивости на рынке труда.
  • Целью освоения дисциплины «Анализ и разработка данных» является получение высшего профессионально профилированного (на уровне бакалавра) образования, позволяющего выпускнику успешно работать в избранной сфере деятельности, обладать универсальными и предметно-специализированными компетенциями, способствующими его социальной мобильности и устойчивости на рынке труда.
  • Целью освоения дисциплины «Анализ и разработка данных» является получение высшего профессионально профилированного (на уровне бакалавра) образования, позволяющего выпускнику успешно работать в избранной сфере деятельности, обладать универсальными и предметно-специализированными компетенциями, способствующими его социальной мобильности и устойчивости на рынке труда.
Планируемые результаты обучения

Планируемые результаты обучения

  • Знание алгоритмов классификации на основе ансамблей простейших алгоритмов
  • Знание алгоритмов классификации на основе ансамблей простейших алгоритмов
  • Знание задачи и алгоритмов кластеризации
  • Знание задачи и алгоритмов кластеризации
  • Знание простейших алгоритмов классификации
  • Знание простейших алгоритмов классификации
  • Изучение техники сокращения размерности
  • Изучение техники сокращения размерности
  • Ознакомление с задачами регресии и способами их решения
  • Ознакомление с задачами регресии и способами их решения
  • Ознакомление с задачей классификации
  • Ознакомление с задачей классификации
  • Понимание основ работы с данными
  • Понимание основ работы с данными
  • Умение готовить данные для обучения и поддерживать процесс обучения
  • Умение готовить данные для обучения и поддерживать процесс обучения
  • Знакомство с нейронными сетями
  • Знакомство с нейронными сетями
  • Знание известных архитектур классификации изображений
  • Знание известных архитектур классификации изображений
  • Знание последних результатов в области глубокого обучения
  • Знание последних результатов в области глубокого обучения
  • Понимание математических основ алгоритма обратного распространения ошибок
  • Понимание математических основ алгоритма обратного распространения ошибок
  • Понимание уязвимых мест нейронных сетей и возможных проблем в их работе
  • Понимание уязвимых мест нейронных сетей и возможных проблем в их работе
  • Понимание целей использования свёрточных и рекуррентных слоёв нейронной сети
  • Понимание целей использования свёрточных и рекуррентных слоёв нейронной сети
  • Умение создавать архитектуры нейронных сетей и настраивать их для поставленных целей
  • Умение создавать архитектуры нейронных сетей и настраивать их для поставленных целей
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение в анализ данных. Описательные статистики.
  • Введение в анализ данных. Описательные статистики.
  • Анализ главных компонент для выявления скрытых факторов и сокращения размерности
  • Анализ главных компонент для выявления скрытых факторов и сокращения размерности
  • Нейронные сети: основы
  • Кластеризация
  • Кластеризация
  • Нейронные сети: основы
  • Регрессия. Алгоритмы регрессии.
  • Регрессия. Алгоритмы регрессии.
  • Нейронные сети: настройка
  • Нейронные сети: настройка
  • Архитектуры нейронных сетей
  • Задача классификации. Простейшие алгоритмы классификации.
  • Задача классификации. Простейшие алгоритмы классификации.
  • Архитектуры нейронных сетей
  • Алгоритмы классификации - ансамбли
  • Алгоритмы классификации - ансамбли
Элементы контроля

Элементы контроля

  • блокирующий лабораторные работы
    5 лабораторных работ
  • блокирующий лабораторные работы
    5 лабораторных работ
  • неблокирующий экзамен
  • неблокирующий экзамен
  • неблокирующий Лабораторная работа
  • неблокирующий Лабораторная работа
  • блокирующий экзамен
  • блокирующий экзамен
  • блокирующий лабораторные работы
    5 лабораторных работ
  • блокирующий лабораторные работы
    5 лабораторных работ
  • неблокирующий экзамен
  • неблокирующий экзамен
  • неблокирующий Лабораторная работа
  • неблокирующий Лабораторная работа
  • блокирующий экзамен
  • блокирующий экзамен
Промежуточная аттестация

Промежуточная аттестация

  • 2021/2022 учебный год 1 модуль
  • 2021/2022 учебный год 1 модуль
  • 2021/2022 учебный год 2 модуль
    0.5 * лабораторные работы + 0.5 * экзамен
  • 2021/2022 учебный год 2 модуль
    0.5 * лабораторные работы + 0.5 * экзамен
  • 2022/2023 учебный год 1 модуль
    0.5 * Лабораторная работа + 0.5 * экзамен
  • 2022/2023 учебный год 1 модуль
    0.5 * Лабораторная работа + 0.5 * экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Статистические методы анализа данных : учебник / Л.И. Ниворожкина, С.В. Арженовский, А.А. Рудяга [и др.] ; под общ. ред. д-ра экон. наук, проф. Л.И. Ниворожкиной. — М. : РИОР : ИНФРА-М, 2016. — 333 с. — (Высшее образование: Бакалавриат). — www.dx.doi.org/10.12737/21064. - Режим доступа: http://znanium.com/catalog/product/556760
  • Статистический анализ данных, моделирование и исследование вероятностных закономерностей. Компьютерный подход / Б.Ю. Лемешко, С.Б. Лемешко, С.Н. Постовалов и др. - М.: НИЦ ИНФРА-М, 2015. - 890 с.: 60x90 1/16 ISBN 978-5-16-103267-1 (online) - Режим доступа: http://znanium.com/catalog/product/515227

Рекомендуемая дополнительная литература

  • Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705