• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Глава в книге
ALOE: Boosting Large Language Model Fine-Tuning with Aggressive Loss-Based Elimination of Samples

Demidovskij A., Трутнев А. И., Тугарев А. М. et al.

In bk.: Frontiers in Artificial Intelligence and Applications: 27th European Conference on Artificial Intelligence, 19–24 October 2024, Santiago de Compostela, Spain. Vol. 392. IOS Press Ebooks, 2024. P. 3980-3986.

Препринт
DAREL: Data Reduction with Losses for Training Acceleration of Real and Hypercomplex Neural Networks

Demidovskij A., Трутнев А. И., Тугарев А. М. et al.

NeurIPS 2023 Workshop. ZmuLcqwzkl. OpenReview, 2023

Машинное обучение

2023/2024
Учебный год
RUS
Обучение ведется на русском языке
6
Кредиты

Преподаватель

Программа дисциплины

Аннотация

Курс посвящен изложению современных методов машинного обучения. Излагаются математические основы методов машинного обучения, основные алгоритмы, методы предобработки данных, основы теории машинного обучения. Практические задания выполняются с использованием библиотеки scikit-learn.
Цель освоения дисциплины

Цель освоения дисциплины

  • Подготовка к профессиональной деятельности в области машинного обучения
  • Развитие компетенций в области математических методов и информационных технологий.
Планируемые результаты обучения

Планируемые результаты обучения

  • Овладение практическими навыками решения задач методами машинного обучения
  • Овладение практическими навыками решения задач методами машинного обучения
  • Освоение основных теоретических положений машинного обучения
  • Освоение основных теоретических положений машинного обучения
  • Освоение основных теоретических положений методов машинного обучения
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение. Примеры практических задач
  • Метод наименьших квадратов
  • Вероятностная постановка задачи обучения с учителем
  • Статистические методы решения задач классификации
  • Нейронные сети
  • Деревья решений
  • Ансамбли решающих правил
  • Задача обучения без учителя
  • Метод опорных векторов
  • 10. Элементы теории Вапника-Червоненкиса
Элементы контроля

Элементы контроля

  • неблокирующий Лабораторная работа
  • неблокирующий Экзамен
  • неблокирующий Лабораторная работа
Промежуточная аттестация

Промежуточная аттестация

  • 2023/2024 учебный год 2 модуль
    0.25 * Лабораторная работа + 0.25 * Лабораторная работа + 0.5 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Введение в статистическое обучение с примерами на языке R / Г. Джеймс, Д. Уиттон, Т. Хасти, Р. Тибширани , перевод с английского С. Э. Мастицкого. — Москва : ДМК Пресс, 2017. — 456 с. — ISBN 978-5-97060-495-3. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/93580 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Рекомендуемая дополнительная литература

  • Флах, П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / П. Флах. — Москва : ДМК Пресс, 2015. — 400 с. — ISBN 978-5-97060-273-7. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/69955 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Авторы

  • Горбунов Дмитрий Владимирович