Mathematics and Python for Data Analysis

2022/2023

Academic Year

RUS

Instruction in Russian

3

ECTS credits

Delivered at:

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

Course type:

Compulsory course

When:

1 year, 4 module

Программа дисциплины

Аннотация

Дисциплина Математика и Python для анализа данных/Math and Python for Data Analysis относится к циклу дисциплин по выбору (читается в рамках трека E-health). Изучается на 1-м курсе магистратуры в 4 модуле. Изучение дисциплины «Машинное обучение» базируется на следующих дисциплинах: программирование, управление данными, теоретические основы информатики. Для освоения учебной дисциплины, студенты должны владеть следующими знаниями: иметь навыки работы на персональном компьютере; иметь базовые навыки программирования.

Цель освоения дисциплины

• Целями освоения данной дисциплины является формирование у студентов представления об основных принципах обучения с учителем и без учителя. А также умение применять алгоритмы машинного обучения на практике для задач в области медицины. Например, по МРТ снимкам определить есть ли у пациента опухоль или нет (задача бинарной классификации), предсказать число заболевших COVID-19 на основе имеющихся данных (задача прогнозирования временных рядов).

Планируемые результаты обучения

• Интерпретировать виды нейронных сетей (сверточные, рекуррентные, глубокие), возможность изменения параметров сети (число слоев, число нейронов). Применять нейронные сети для решения практических задач.
• Интерпретировать задачи машинного обучения, основные принципы обучения с учителем/без учителя.
• Применять различные виды классификаторов для решения практических задач. Объяснять необходимость применения кросс-валидации.
• Сравнивать задачи классификации и задачи регрессии. Иллюстрировать задачи классификации (бинарной и множественной). Сравнивать наиболее известные классификаторы (логистическая регрессия, деревья решений, случайный лес, метод опорных векторов).
• 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

Содержание учебной дисциплины

• Обзор основных алгоритмов машинного обучения, которые могут применяться в медицине. Задачи машинного обучения (регрессия, классификация, кластеризация).
• Обзор открытых наборов данных для машинного обучения в здравоохранении. Задача классификации. Бинарный классификатор. Регуляризация.
• Понятие объяснимого ИИ в здравоохранении, его принципы. Виды классификаторов. Кросс валидация.
• Нейронные сети.
• Обзор основных алгоритмов машинного обучения. Задача линейной регрессии.
• Задача линейной регрессии с многими переменными. Регуляризация.
• Задача бинарной классификации. Метрики качества.
• Нейронные сети

Элементы контроля

• Лабораторные работы
• Экзамен
• Презентация

Промежуточная аттестация

• 2022/2023 учебный год 4 модуль
  0.2 * Презентация + 0.4 * Экзамен + 0.4 * Лабораторные работы

Список литературы

Рекомендуемая основная литература

• Iba, H. (2018). Evolutionary Approach to Machine Learning and Deep Neural Networks : Neuro-Evolution and Gene Regulatory Networks. Singapore: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1833749

Рекомендуемая дополнительная литература

• Goldberg, Y. (2017). Neural Network Methods in Natural Language Processing. [San Rafael, California]: Morgan & Claypool Publishers. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1506512
• Mohammed, M., Khan, M. B., & Bashier, E. B. M. (2017). Machine Learning : Algorithms and Applications. Boca Raton: CRC Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1293656
• Рашка, С. Python и машинное обучение: крайне необходимое пособие по новейшей предсказательной аналитике, обязательное для более глубокого понимания методологии машинного обучения : руководство / С. Рашка ; перевод с английского А. В. Логунова. — Москва : ДМК Пресс, 2017. — 418 с. — ISBN 978-5-97060-409-0. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100905 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.