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