Machine Learning

2019/2020

Academic Year

RUS

Instruction in Russian

3

ECTS credits

Delivered at:

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

Course type:

Compulsory course

When:

4 year, 2 module

Instructor

Yashunin, Dmitry

Программа дисциплины

Аннотация

Дисциплина направлена на теоретическое и практическое изучение основ машинного обучения. Машинное обучение – это подраздел искусственного интеллекта, актуальная и динамично развивающаяся дисциплина, тесно связанная с различными разделами математики и компьютерных наук. Машинное обучение решает проблемы, связанные с разработкой и применением алгоритмов, способных выполнять такие сложные задачи, как распознавание образов, автоматическая обработка текстов и др. Важной особенностью алгоритмов машинного обучения является то, что они не требуют подробных инструкций по выполнению задач, но способны сами "обучаться" на примерах решения аналогичных задач человеком.

Цель освоения дисциплины

• Целью освоения дисциплины «Машинное обучение» 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

• Знает постановки основных задач машинного обучения;
• Знает свойства линейных преобразований и операций над матрицами;
• Знает понятие и свойства случайной величины, свойства её характеристик
• Знает базовые архитектуры нейронных сетей для их решения;
• Знает программные инструменты и библиотеки их реализующие.
• Умеет тренировать нейронные сети для решения прикладных задач в различных предметных областях;
• Применяет программные продукты для решения задач
• Использует инструменты машинного обучения для анализа данных
• Владеет навыками работы программирования на python и работы в консоли

Содержание учебной дисциплины

• Тема 1. Простейшие методы машинного обучения
  Приложения задач машинного обучения. Задача классификации. Метод k-ближайших соседей. Подбор параметров модели по кросс-валидации. Линейный классификатор.
• Тема 2. Функция ошибки. Регуляризация. Оптимизация.
  Логистическая функция потерь. Квадратичная, экспоненциальная и кусочно-линейная функция потерь.
• Тема 3. Метод обратного распространения ошибки. Нейронные сети.
  Стохастический градиентный спуск. Простейший персептрон. Функции активации
• Тема 4. Обучение нейронных сетей. Нормализационные методы
  Обучение нейронных сетей. Нормализационные методы.
• Тема 5. Архитектуры сверточных нейронных сетей
  Понятие свёртки. Пулинг. Полно связанный слой.
• Тема 6. Библиотеки для тренировки и запуска нейронных сетей.
  Библиотеки “Keras”, “TenzorFlow”

Элементы контроля

• Самостоятельная работа (лабораторные работы)
• Экзамен

Промежуточная аттестация

• Промежуточная аттестация (2 модуль)
  0.5 * Самостоятельная работа (лабораторные работы) + 0.5 * Экзамен

Список литературы

Рекомендуемая основная литература

• Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.

Рекомендуемая дополнительная литература

• Коэльо Л.П., Ричарт В. - Построение систем машинного обучения на языке Python - Издательство "ДМК Пресс" - 2016 - 302с. - ISBN: 978-5-97060-330-7 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/82818
• Новиков Ф. А. - СИМВОЛИЧЕСКИЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ: МАТЕМАТИЧЕСКИЕ ОСНОВЫ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ. Учебное пособие для академического бакалавриата - М.:Издательство Юрайт - 2019 - 278с. - ISBN: 978-5-534-00734-3 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/simvolicheskiy-iskusstvennyy-intellekt-matematicheskie-osnovy-predstavleniya-znaniy-434065