Data Analysis (Additional Chapters)

2024/2025

Academic Year

RUS

Instruction in Russian

Delivered at:

Department of Applied Mathematics and Informatics (Faculty of Informatics, Mathematics, and Computer Science (HSE Nizhny Novgorod))

Course type:

Compulsory course

When:

3 year, 3 module

Instructor

Shimko, Aleksei

Программа дисциплины

Аннотация

«Дополнительные главы анализа данных» – дисциплина, посвященная углубленному изучению методов машинного обучения и их применению для анализа данных. Курс охватывает широкий спектр алгоритмов и техник, от линейных моделей до ансамблевых методов и обучения без учителя, с акцентом на их практическое использование и оценку эффективности. В результате изучения дисциплины студенты получат глубокие знания в области современных методов анализа данных и смогут применять их для решения практических задач в различных областях

Цель освоения дисциплины

• Формирование глубоких знаний и практических навыков в области современных методов машинного обучения и их применения для анализа данных. В результате изучения курса студенты должны научиться выбирать и адаптировать соответствующие алгоритмы под конкретные задачи, оценивать эффективность моделей, а также интерпретировать полученные результаты.

Планируемые результаты обучения

• Применять метод k-ближайших соседей для решения задач классификации и регрессии, настраивая параметры и оценивая качество модели.
• Интерпретировать и оценивать линейные регрессионные модели, применяя методы регуляризации и прогнозируя значения зависимой переменной.
• Применять градиентный спуск для оптимизации моделей, настраивать шаги обучения и анализировать процесс сходимости.
• Строить и настраивать линейные классификаторы для задач классификации, оценивать их производительность и подбирать оптимальные гиперпараметры.
• Анализировать и сравнивать различные методы линейной классификации, оценивать их эффективность и применять регулярные методы для предотвращения переобучения.
• Создавать и интерпретировать решающие деревья для задач классификации и регрессии, настраивать гиперпараметры и предотвращать переобучение
• Применять ансамблевые методы, такие как бэггинг, для повышения точности моделей и уменьшения дисперсии предсказаний.
• Применять градиентный бустинг для улучшения точности моделей, настраивать гиперпараметры и минимизировать ошибку предсказаний.
• Применять методы обучения без учителя для анализа и визуализации неразмеченных данных, включая кластеризацию и снижение размерности.
• Разрабатывать и оценивать рекомендательные системы, используя методы коллаборативной фильтрации, контентной фильтрации и гибридные подходы

Содержание учебной дисциплины

• Композиции (бэггинг)
• Градиентный бустинг
• Обучение без учителя
• Рекомендательные системы

Элементы контроля

• Домашняя работа
• Домашняя работа
• Домашняя работа
• Домашняя работа
• Домашняя работа
• Домашняя работа
• Экзамен
  Demo day

Промежуточная аттестация

• 2024/2025 3rd module
  0.1 * Домашняя работа + 0.1 * Домашняя работа + 0.1 * Домашняя работа + 0.1 * Домашняя работа + 0.1 * Домашняя работа + 0.1 * Домашняя работа + 0.4 * Экзамен

Список литературы

Рекомендуемая основная литература

• Искусственный интеллект и принятие решений, ежеквартальный научный журнал, учред. Институт системного анализа РАН ; гл. ред. С. В. Емельянов, , 2010
• Искусственный интеллект. Современный подход. Т.3: Обучение, восприятие и действие, Рассел, С., 2022

Рекомендуемая дополнительная литература

• Introduction to machine learning, Alpaydin, E., 2020
• Введение в машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2018
• Искусственный интеллект, аналитика и новые технологии : пер. с англ., , 2022
• Искусственный интеллект. Введение в многоагентные системы : учебник для вузов, Бессмертный, И. А., 2024
• Методы и алгоритмы интеллектуального анализа данных о сложных проблемных ситуациях с использовани... : автореф. дис. ... канд. техн. наук : 05.13.17, Ивлиев, С. А., 2020

Авторы

• Шимко Алексей Андреевич