Анализ данных и машинное обучение

2026/2027

Учебный год

RUS

Обучение ведется на русском языке

3

Кредиты

Кто читает:

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

Статус:

Курс обязательный

Когда читается:

3-й курс, 1, 2 модуль

Преподаватели

Савченко Людмила Васильевна

Семенов Дмитрий Павлович

Программа дисциплины

Аннотация

Изучение дисциплины нацелено на освоение основных методов и алгоритмов машинного обучения и анализа данных с применением языка программирования Python. Дисциплина является пререквизитом к независимому экзамену по анализу данных продвинутого уровня. В результате освоения курса студенты будут способны самостоятельно проводить анализ различных наборов данных и реализовывать различные модели машинного обучения с использованием библиотеки sklearn. В курсе используются технологии ИИ. Также в рамках курса предполагается знакомство с заданиями с НЭ https://edu.hse.ru/course/view.php?id=151704 и прохождение онлайн курса основы машинного обучения (https://edu.hse.ru/course/view.php?id=132854)

Цель освоения дисциплины

• Целями освоения данной дисциплины является формирование у студентов представления об основных принципах обучения с учителем (регрессия, классификация) и без учителя (кластеризация). 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

• Владеть: программными библиотеками кластеризации, входящими в состав библиотеки sklearn.
• Уметь: обоснованно и корректно выбирать метод для решения задачи кластеризации; корректно ставить задачу кластеризации.
• Интерпретировать виды нейронных сетей (сверточные, рекуррентные, глубокие), возможность изменения параметров сети (число слоев, число нейронов). Применять нейронные сети для решения практических задач.
• Интерпретировать задачу множественной классификации. Применять и интерпретировать на практике методы и метрики качества для решения задачи многоклассовой классификации.
• Интерпретировать основные алгоритмы и метрики качества бинарной классификации
• Интерпретировать основные алгоритмы и метрики качества задачи регрессии

Содержание учебной дисциплины

• Обзор алгоритмов машинного обучения. Линейная регрессия.
• Кластеризация данных
• Нейронные сети
• классификация
• Генеративные модели.
• Модуль Pandas, работа с таблицами и анализ данных.

Элементы контроля

• Practice work
• Активность на семинарах
  Ответы на семинарах
• In-class assignment
• Project
• экзамен
• онлайн курс

Промежуточная аттестация

• 2026/2027 2nd module
  0.1 * онлайн курс + 0.1 * Активность на семинарах + 0.2 * Project + 0.1 * In-class assignment + 0.1 * экзамен + 0.1 * Practice work

Список литературы

Рекомендуемая основная литература

• 9780262046824 - Kevin P. Murphy - Probabilistic Machine Learning - 2022 - MIT Press - https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=2932689 - nlebk - 2932689
• Introduction to machine learning, Alpaydin, E., 2020
• Python для сложных задач: наука о данных и машинное обучение. - 978-5-4461-0914-2 - Плас Дж. Вандер - 2021 - Санкт-Петербург: Питер - https://ibooks.ru/products/376830 - 376830 - iBOOKS
• Обработка данных в Python. Основы работы с библиотекой Pandas - Титов А. Н., Тазиева Р. Ф. - Казанский национальный исследовательский технологический университет - 978-5-7882-3164-8 - 2022 - русский - https://e.lanbook.com/book/331013 - ЛАНЬ - 331013

Рекомендуемая дополнительная литература

• Arduino: искусственный интеллект и машинное обучение - С.Ф. - ДМК Пресс - 9785937002761 - 2024 - русский - https://hse.alpinadigital.ru/document/45368 - Alpina - 45368
• Osondu, O. (2021). A First Course in Artificial Intelligence. Bentham Science Publishers Ltd.
• Shoeybi, M., Patwary, M., Puri, R., LeGresley, P., Casper, J., & Catanzaro, B. (2019). Megatron-LM: Training Multi-Billion Parameter Language Models Using Model Parallelism.

Авторы

• Савченко Людмила Васильевна