• A
  • A
  • A
  • ABC
  • ABC
  • ABC
  • А
  • А
  • А
  • А
  • А
Regular version of the site

Machine Learning

2022/2023
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

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

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

Планируемые результаты обучения

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

Содержание учебной дисциплины

  • Тема 1. Простейшие методы машинного обучения
  • Тема 2. Функция ошибки. Регуляризация. Оптимизация.
  • Тема 3. Метод обратного распространения ошибки. Нейронные сети.
  • Тема 4. Обучение нейронных сетей. Нормализационные методы
  • Тема 5. Архитектуры сверточных нейронных сетей
  • Тема 6. Библиотеки для тренировки и запуска нейронных сетей.
Элементы контроля

Элементы контроля

  • неблокирующий Самостоятельная работа (лабораторные работы)
  • неблокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • 2022/2023 учебный год 2 модуль
    0.5 * Самостоятельная работа (лабораторные работы) + 0.5 * Экзамен
Список литературы

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. Построение систем машинного обучения на языке Python / Л. П. Коэльо, В. Ричарт , перевод с английского А. А. Слинкин. — 2-е изд. — Москва : ДМК Пресс, 2016. — 302 с. — ISBN 978-5-97060-330-7. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/82818 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
  • Новиков, Ф. А.  Символический искусственный интеллект: математические основы представления знаний : учебное пособие для академического бакалавриата / Ф. А. Новиков. — Москва : Издательство Юрайт, 2019. — 278 с. — (Бакалавр. Академический курс. Модуль). — ISBN 978-5-534-00734-3. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/434065 (дата обращения: 28.08.2023).