Delivered at:: Department of Information Systems and Technologies (Faculty of Informatics, Mathematics, and Computer Science (HSE Nizhny Novgorod))

Course type:: Compulsory course

When:: 3 year, 2 module

Instructor

Savchenko, Liudmila

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Изучение дисциплины нацелено на освоение основных методов и алгоритмов машинного обучения и анализа данных с применением языка программирования Python. В результате освоения курса студенты будут способны самостоятельно проводить анализ различных наборов данных и реализовывать различные модели машинного обучения с использованием языка программирования Python. В курсе используются технологии ИИ. Курс предполагает прохождение on-line курса https://edu.hse.ru/course/view.php?id=151704

Цель освоения дисциплины

Целями освоения данной дисциплины является формирование у студентов представления об основных принципах обучения с учителем (например, задачи регрессии и классификации) и без учителя (например, задача кластеризации). А также умение применять сервисы ИИ и 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

Интерпретировать задачу кластеризации. Применять на практике основные алгоритмы кластеризации (k-means и иерархические методы) и метод главных компонент (PCA).
интерпретировать алгоритмы машинного обучения (с учителем, без учителя)
уметь интерпретировать задачу линейной регрессии и метрики качества
уметь интерпретировать задачу линейной регрессии с многими переменными. Применять полученные знания на практике.
интерпретировать задачи классификации (бинарная, множественная) и метрики качества для задач классификации
Интерпретировать нейронные сети, уметь применять на практике нейронные сети из библиотеки Keras
Интерпретировать нейронные сети, уметь применять на практике нейронные сети из библиотеки Keras для разных задач (регрессии, классификации)
Интерпретировать задачу кластеризации. Применять на практике основные алгоритмы кластеризации (k-means и DBSCAN). Применять и сравнивать показатели качества для задачи кластеризации.
Интерпретировать задачи классификации (бинарная, множественная). Интерпретировать и применять на практике метрики качества для задач классификации (Accuracy, Precision, Recall, F1).
Уметь интерпретировать задачу сегментации. Интерпретировать и применять на практике основные метрики качества и нейронные сети для решения задачи сегментации (U-Net, SegNet).

Содержание учебной дисциплины

Introduction. Examples of practical tasks.
Обзор основных алгоритмов машинного обучения, которые могут применяться в медицине. Задачи машинного обучения (регрессия, классификация, кластеризация).
Linear regression
Polynomial regression. The concept of overfitting and regularization.
Classification problem. Logistic regression. The KNN algorithm. Naïve Bayes Classifier.
Classification algorithms: decision trees and ensembles
Unsupervised machine learning tasks. Dimension reduction
Метрики качества задачи кластеризации
Unsupervised machine learning tasks. The task of clustering
Нейронные сети.
Задача сегментации

Элементы контроля

Лабораторные работы
Итоговый проект в области машинного обучения
Прохождение он-лайн курса

Промежуточная аттестация

2024/2025 2nd module
0.3 * Итоговый проект в области машинного обучения + 0.5 * Лабораторные работы + 0.2 * Прохождение он-лайн курса

Список литературы

Авторы

Частова Вероника Игоревна
Савченко Людмила Васильевна

Bachelor’s Programme 'Business Informatics'

Data Analysis and Machine Learning

Instructor

Программа дисциплины