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, 1, 2 module

Instructor

Исрафилов Руслан Алиярович

Полная версия программы учебной дисциплины

Аннотация

The course is aimed at training specialists capable of carrying out mathematical modeling of a subject area and solving applied problems of information processing at a high technical level. The problems of natural language processing are considered using deep learning methods using transformers and generative adversarial networks. Practical exercises serve to obtain stable natural language processing skills using modern high-level programming languages. . Для выполнения заданий используется скриптовый язык Pyhton 3, а также технологическая платформа Anaconda 4. To complete tasks, the scripting language Pyhton 3 is used, as well as the technology platform Anaconda 4. To master the academic discipline, students must have the following knowledge and competencies: modern methods of designing and implementing information systems; basic algorithms and data structures for quick information retrieval; • programming in C, C++ languages.

Цель освоения дисциплины

Целью освоения дисциплины «Анализ и разработка данных» 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 мо-бильности и устойчивости на рынке труда.
Целью освоения дисциплины «Анализ и разработка данных» 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

Знание алгоритмов классификации на основе ансамблей простейших алгоритмов
Знание задачи и алгоритмов кластеризации
Знание простейших алгоритмов классификации
Изучение техники сокращения размерности
Ознакомление с задачами регресии и способами их решения
Ознакомление с задачей классификации
Понимание основ работы с данными
Умение готовить данные для обучения и поддерживать процесс обучения
Знакомство с нейронными сетями
Знание известных архитектур классификации изображений
Знание последних результатов в области глубокого обучения
Понимание математических основ алгоритма обратного распространения ошибок
Понимание уязвимых мест нейронных сетей и возможных проблем в их работе
Понимание целей использования свёрточных и рекуррентных слоёв нейронной сети
Умение создавать архитектуры нейронных сетей и настраивать их для поставленных целей

Содержание учебной дисциплины

Нейронные сети: основы
Нейронные сети: настройка
Архитектуры нейронных сетей

Элементы контроля

Лабораторная работа 1
Лабораторная работа 2
Экзамен

Промежуточная аттестация

2023/2024 учебный год 2 модуль
0.3 * Лабораторная работа 1 + 0.3 * Лабораторная работа 2 + 0.4 * Экзамен

Bachelor’s Programme 'Applied Mathematics and Information Science'

Data Analysis and Data Mining

Instructor

Программа дисциплины

Аннотация

Цель освоения дисциплины

Планируемые результаты обучения

Содержание учебной дисциплины

Элементы контроля

Промежуточная аттестация

Список литературы

Рекомендуемая основная литература

Рекомендуемая дополнительная литература