Машинное обучение

Цели и задачи дисциплины

сформировать у студентов базовые теоретические знания и практические навыки по машинному обучению, необходимые для анализа данных и построения интеллектуальных систем. Студенты познакомятся с основными задачами машинного обучения, такими как классификация, регрессия, кластеризация и ранжирование. Освоят методы оценки качества моделей и принципы отбора признаков. Особое внимание в курсе уделяется борьбе с переобучением, регуляризации и автоматизации подбора гиперпараметров. Задача курса — подготовить студентов к решению прикладных задач с использованием современных инструментов машинного обучения.

Краткое содержание дисциплины

В рамках дисциплины изучаются основные задачи и подходы машинного обучения, включая обучение с учителем и без учителя. Рассматриваются алгоритмы классификации и регрессии, такие как метод ближайших соседей, наивный Байес, линейная и логистическая регрессия, метод опорных векторов, деревья решений и ансамблевые методы. Изучаются методы кластеризации, включая k-means, DBSCAN, иерархическую кластеризацию и байесовские модели на основе EM-алгоритма. Отдельное внимание уделяется методам понижения размерности, отбору и преобразованию признаков. Затрагиваются темы оценки качества моделей, переобучения, регуляризации и кросс-валидации. В завершение рассматриваются методы автоматизированного машинного обучения, включая подбор гиперпараметров и использование AutoML-систем. Практические занятия ориентированы на применение алгоритмов с использованием Python и библиотеки Scikit-learn.

Компетенции обучающегося, формируемые в результате освоения дисциплины

Выпускник должен обладать:

ПК-1 [LC-5] Способен применять и (или) проектировать различные инструменты и инженерные практики промышленной разработки систем ИИ, развертывания и сопровождения моделей машинного обучения в продуктивной среде
ПК-2 [MF-4] Способен применять статистические методы для анализа данных, валидации моделей машинного обучения и проведения экспериментов в области ИИ
ПК-5 [ML-3] Способен применять классические алгоритмы машинного обучения с пониманием их математических основ и областей применения
ПК-6 [ML-4] Способен применять методы обучения без учителя для анализа структуры данных и выявления скрытых закономерностей
ПК-8 [BD-1] Способен осуществлять поиск, сбор, очистку и предварительный анализ данных
ПК-11 [ML-7] Способен применять автоматическое машинное обучение