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.