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

Course type:: Compulsory course

When:: 3 year, 4 module

Дополнительные материалы в LMS Задать вопрос

Аннотация

В ходе этого курса студенты знакомятся с математическими концепциями, связанными с наукой о данных, осваивают основные методы сбора, обработки и преобразования данных с использованием Python. Курс рассматривает концепции предварительной обработки данных, визуализации, классических методов машинного обучения и глубоких нейронных сетей. Он включает в себя основы методов классификации, регрессии, распознавания изображений и обработки естественного языка.

Цель освоения дисциплины

Цель освоения программы приобретение знаний об алгоритмах анализа данных, моделирования сложных процессов, работы с большими объемами информации и применение методов искусственного интеллекта для прогнозирования и оптимизации решений.

Планируемые результаты обучения

Корректно применяет ансамбли моделей Random Forest и Gradient Boosting в машинном обучении
Применять PCA для снижения размерности признаков
Владеет основными функциями библиотек Numpy и Pandas
Знаком с библиотеками Matplotlib, NumPy, Pandas, знает их основные возможности
студент способен формализовать прикладную задачу как задачу машинного обучения
студент способен различать задачи классификации и регрессии
студент способен формировать матрицу признаков и целевую переменную
студент способен обучать базовые линейные модели машинного обучения
Студент способен получать и интерпретировать результаты прогнозирования
студент способен корректно разделять данные на обучающую и тестовую выборки
студент способен выбирать метрики качества в зависимости от исследовательской задачи
студент способен применять кросс-валидацию
студент способен выявлять переобучение
студент способен выполнять подбор гиперпараметров
студент способен предотвращать утечку данных
студент способен сравнивать несколько моделей и аргументированно выбирать итоговую модель
студент способен объяснять принципы ансамблирования моделей
студент способен выполнять настройку основных гиперпараметров ансамблевых моделей
студент способен сравнивать ансамблевые методы с базовыми моделями, оценивать важность признаков
студент способен объяснять отличия классических моделей от нейронных сетей
студент способен описывать работу многослойного перцептрона
студент способен объяснять роль функций активации и функции потерь
студент способен объяснять принцип обратного распространения ошибки
студент способен обучать простую нейронную сеть и оценивать качество её работы
студент способен формулировать задачи обучения без учителя
студент способен применять базовые алгоритмы кластеризации
студент способен анализировать качество и устойчивость кластеризации
студент способен применять PCA для снижения размерности
студент способен визуализировать многомерные данные
студент способен интерпретировать результаты методов обучения без учителя

Содержание учебной дисциплины

Python для обработки данных
Теоретические и практические основы машинного обучения
Оценка и выбор моделей машинного обучения
Ансамблевые методы машинного обучения
Основы нейронных сетей
Обучение без учителя и анализ многомерных данных

Элементы контроля

Решение задач
Теоретический отчет

Промежуточная аттестация

2026/2027 4th module
0.7 * Теоретический отчет + 0.3 * Решение задач

Список литературы

Авторы

Станкевич Наталия Владимировна
Ноздринова Елена Вячеславовна

Bachelor’s Programme 'Pure and Applied Mathematics'

Scientific Programming and Machine Learning

Программа дисциплины