Scientific Programming and Machine Learning

2026/2027

Учебный год

ENG

Обучение ведется на английском языке

9

Кредиты

Кто читает:

Кафедра фундаментальной математики (Факультет информатики, математики и компьютерных наук (Нижний Новгород))

Статус:

Курс обязательный

Когда читается:

1-й курс, 4 модуль

Course Syllabus

Abstract

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.

Learning Objectives

• 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.

Expected Learning Outcomes

• 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
• студент способен объяснять индуктивные предположения свёрточных сетей
• студент способен вычислять размерности карт признаков и число параметров
• студент способен реализовывать и обучать CNN в PyTorch
• студент способен применять аугментацию и transfer learning
• студент способен оценивать качество модели и анализировать ошибки классификации
• студент способен подготавливать батчи последовательностей переменной длины
• студент способен объяснять работу encoder-decoder и механизма внимания
• студент способен реализовывать и обучать seq2seq-модель
• студент способен корректно использовать маски и teacher forcing
• студент способен сравнивать рекуррентные и Transformer-подходы и выбирать метрики для оценки результата
• студент способен формализовать прикладную задачу и выбрать подходящую архитектуру
• студент способен подготовить датасет и конвейер загрузки данных
• студент способен дообучить предобученную модель
• студент способен провести воспроизводимое сравнение экспериментов
• студент способен интерпретировать результаты, анализировать ошибки и аргументированно представить ограничения решения

Course Contents

• Python для обработки данных
• Теоретические и практические основы машинного обучения
• Ансамблевые методы машинного обучения
• Основы нейронных сетей
• Обучение без учителя и анализ многомерных данных
• Оценка и выбор моделей машинного обучения
• Применение нейронных сетей для практических задач
• Модели seq2seq, механизм внимания и Transformers
• Сверточные нейронные сети

Assessment Elements

• Решение задач "Машинное обучение"
• Устный опрос 1
• Решение задач "Глубокое обучение"
• Устный опрос - 2

Interim Assessment

• 2026/2027 4th module
  0.15 * Решение задач "Машинное обучение" + 0.15 * Решение задач "Глубокое обучение" + 0.35 * Устный опрос 1 + 0.35 * Устный опрос - 2

Bibliography

Recommended Core Bibliography

• 16740 - Python и машинное обучение - С.Рашка - ДМК Пресс - 2017 - https://hse.alpinadigital.ru/document/16740 - Alpina
• 45458 - Инженерия данных в Python: Основы анализа данных с помощью Pandas, NumPy и Scikit-learn - C.Technologies - ДМК Пресс - 9785937003812 - 2024 - https://hse.alpinadigital.ru/document/45458 - Alpina
• 9781789958294 - Raschka, Sebastian; Mirjalili, Vahid - Python Machine Learning : Machine Learning and Deep Learning with Python, Scikit-learn, and TensorFlow 2, 3rd Edition - 2019 - Packt Publishing - http://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=2329991 - nlebk - 2329991
• ALSTYNE, M. W. V., PARKER, G. G., & CHOUDARY, S. P. (2016). Pipelines, Platforms, and the New Rules of Strategy. Harvard Business Review, 94(4), 54–62. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=bsu&AN=113934414
• Nelli, F. (2018). Python Data Analytics : With Pandas, NumPy, and Matplotlib (Vol. Second edition). New York, NY: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1905344
• Python для сложных задач : наука о данных и машинное обучение, Плас, Дж. В., 2018
• Python для сложных задач: наука о данных и машинное обучение : пер. с англ., Плас, Дж. Вандер, 2019
• Python для сложных задач: наука о данных и машинное обучение. - 978-5-4461-0914-2 - Плас Дж. Вандер - 2021 - Санкт-Петербург: Питер - https://ibooks.ru/products/376830 - 376830 - iBOOKS
• Введение в машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2018
• Жорняк, А. Г. Обработка больших массивов данных и визуализация результатов научных исследований с использованием библиотек NumPy и Matplotlib языка программирования Python : учебное пособие / А. Г. Жорняк, Т. А. Морозова. — Москва : МАИ, 2025. — 92 с. — ISBN 978-5-00246-342-8. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/506712 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Котельников, Е. В. Введение в машинное обучение и анализ данных : учебное пособие / Е. В. Котельников, А. В. Котельникова. — Киров : ВятГУ, 2023. — 68 с. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/390698 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Крупномасштабное машинное обучение вместе с Python : учитесь быстро создавать мощные модели машинного обучения и развертывать крупномасштабные приложения прогнозирования, Шарден, Б., 2018
• Машинное обучение & TensorFlow, Шакла, Н., 2019
• Машинное обучение и TensorFlow - 978-5-4461-0826-8 - Шакла Нишант - 2019 - Санкт-Петербург: Питер - https://ibooks.ru/products/365270 - 365270 - iBOOKS
• Машинное обучение. - 978-5-496-02989-6 - Бринк Хенрик, Ричардс Джозеф, Феверолф Марк - 2018 - Санкт-Петербург: Питер - https://ibooks.ru/products/355472 - 355472 - iBOOKS
• Машинное обучение. От основ до продвинутых моделей, Принс, С., 2025
• Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow : концепции, инструменты и техники для создания интеллектуальных систем: пер. с англ., Жерон, О., 2018
• Титов, А. Н. Основы работы с библиотекой NumPy : учебно-методическое пособие / А. Н. Титов, Р. Ф. Тазиева. — Казань : КНИТУ, 2024. — 112 с. — ISBN 978-5-7882-3470-0. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/478004 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Recommended Additional Bibliography

• 9781491962268 - Géron, Aurélien - Hands-On Machine Learning with Scikit-Learn and TensorFlow : Concepts, Tools, and Techniques to Build Intelligent Systems - 2017 - O'Reilly Media - https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=1486117 - nlebk - 1486117
• Garreta, R., & Moncecchi, G. (2013). Learning Scikit-learn : Machine Learning in Python: Experience the Benefits of Machine Learning Techniques by Applying Them to Real-world Problems Using Python and the Open Source Scikit-learn Library. Birmingham, UK: Packt Publishing. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=673033
• Idris, I. (2015). NumPy Cookbook - Second Edition (Vol. Second edition). Birmingham, UK: Packt Publishing. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=986717
• Python для сложных задач: наука о данных и машинное обучение - 978-5-496-03068-7 - Плас Дж. Вандер - 2018 - Санкт-Петербург: Питер - https://ibooks.ru/products/356721 - 356721 - iBOOKS
• The Little Learner: чудесное машинное обучение, Фридман, Д. П., 2024
• Машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2022

Authors

• Stankevich Nataliia Vladimirovna
• Bagaev Andrei Vladimirovich