Методы и технологии машинного обучения

Цели и задачи дисциплины

Целью дисциплины является формирование у студентов фундаментальных теоретических знаний и практических навыков в области машинного обучения, понимания математических основ и принципов работы основных алгоритмов. В ходе изучения курса студенты осваивают методы построения, обучения и оценки моделей для задач классификации, регрессии, кластеризации и ранжирования, учатся применять метрики качества и интерпретировать результаты. Особое внимание уделяется глубокому пониманию работы алгоритмов «под капотом» через ручные вычисления и геометрическую интерпретацию, что позволяет осознанно выбирать и настраивать модели для решения прикладных задач.

Краткое содержание дисциплины

Дисциплина охватывает ключевые разделы машинного обучения: введение в ML и метод ближайших соседей, метрики качества классификации и регрессии, линейную и логистическую регрессию с методами оптимизации, метод опорных векторов с жёстким и мягким зазором. Изучаются деревья решений и ансамбли моделей, методы отбора признаков и интерпретируемости, автоматизированное машинное обучение (AutoML). Рассматриваются алгоритмы понижения размерности (PCA, t-SNE, PACMAP), методы кластеризации (K-Means, DBSCAN, иерархическая кластеризация), задача ранжирования и метрики ROC-AUC, Precision-Recall.

Компетенции обучающегося, формируемые в результате освоения дисциплины

Выпускник должен обладать:

ОПК-3 Способен проводить анализ математических моделей, создавать инновационные методы решения прикладных задач профессиональной деятельности в области информатики и математического моделирования
ПК-1 Способен разрабатывать и применять алгоритмы анализа данных, машинного обучения и нейросетевых технологий при создании интеллектуальных информационных систем