• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Статья
Combinatorics and Algorithms for Quasi-Chain Graphs
В печати

Alecu B., Atminas A., Lozin V. V. et al.

Algorithmica. 2022. P. 1-23.

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.

Современные методы машинного обучения

2021/2022
Учебный год
RUS
Обучение ведется на русском языке
5
Кредиты

Преподаватели

Программа дисциплины

Аннотация

Изучаются продвинутые методы машинного обучения: линейные классификаторы (включая метод опорных векторов), ансамбли классификаторов (включая методы бустинга и случайные леса решений), нейронные сети (включая глубокие нейронные сети). Параллельно с освоением теории студенты приобретают практические навыки работы с реальными данными. Занятия ведут специалисты практики, активно работающие в области анализа данных и машинного обучения.
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 может использовать программные реализации алгоритмов ансамблей классификаторов для решения задач машинного обучения
  • Знает основные типы ансамблей классификаторов и основанные на них алгоритмы машинного обучения.
  • Знать основные архитектуры нейронных сетей
  • Знать принципы обучения и применения нейронных сетей
  • Понимает общие принципы построения ансамблей классификаторов.
  • Уметь обучать нейронные сети с помощью средств языка Python
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Ансамбли классификаторов
  • Нейронные сети
Элементы контроля

Элементы контроля

  • неблокирующий контрольная работа
  • неблокирующий лабораторная работа 1
  • неблокирующий лабораторная работа 2
  • неблокирующий экзамен
Промежуточная аттестация

Промежуточная аттестация

  • 2021/2022 учебный год 1 модуль
  • 2021/2022 учебный год 2 модуль
    0.1 * контрольная работа + 0.2 * лабораторная работа 1 + 0.2 * лабораторная работа 2 + 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

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.
  • Гудфеллоу Я., Бенджио И., Курвилль А. - Глубокое обучение - Издательство "ДМК Пресс" - 2018 - ISBN: 978-5-97060-618-6 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/107901