3 семестр – Методы машинного обучения
Целью освоения дисциплины «Машинное обучение» являются формирование у студентов теоретических знаний и практических навыков по основам машинного обучения, овладение студентами инструментарием, моделями и методами машинного обучения, а также приобретение навыков исследователя данных (data scientist) и разработчика математических моделей, методов и алгоритмов анализа данных
Результаты освоения курса
В курсе рассматриваются основные задачи обучения по прецедентам: классификация, кластеризация, регрессия, понижение размерности. Изучаются методы их решения, как классические, так и новые, созданные за последние 10–15 лет. Упор делается на глубокое понимание математических основ, взаимосвязей, достоинств и ограничений рассматриваемых методов. Теоремы в основном приводятся без доказательств.
- Математические основы машинного обучения
- Основные понятия и примеры прикладных задач
- Линейный классификатор и стохастический градиент
- Нейронные сети: градиентные методы оптимизации
- Метрические методы классификации и регрессии
- Метод опорных векторов
- Многомерная линейная регрессия
- Нелинейная регрессия
- Критерии выбора моделей и методы отбора признаков
- Логические методы классификации
- Кластеризация и частичное обучение
- Прикладные модели машинного обучения
- Нейронные сети с обучением без учителя
- Векторные представления текстов и графов
- Обучение ранжированию
- Рекомендательные системы
- Адаптивные методы прогнозирования