We use cookies in order to improve the quality and usability of the HSE website. More information about the use of cookies is available here, and the regulations on processing personal data can be found here. By continuing to use the site, you hereby confirm that you have been informed of the use of cookies by the HSE website and agree with our rules for processing personal data. You may disable cookies in your browser settings.

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

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

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

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

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

Элементы контроля

  • неблокирующий Лабораторные работы
  • неблокирующий Экзамен
  • неблокирующий Презентация
Промежуточная аттестация

Промежуточная аттестация

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

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.

Авторы

  • Савченко Людмила Васильевна