Машинное обучение и анализ данных

内容描述: Дисциплина посвящена изучению алгоритмов, моделей и методов машинного обучения и способов их применения для решения практических задач; обработки и анализа больших данных; основ построения моделей и алгоритмов решения и оценки точности решения задач методами машинного обучения. Рассматриваются программные средства, современные языки программирования и библиотеки для анализа реальных наборов данных.

贷款数: 6

Пререквизиты:

• Линейные системы автоматического регулирования

*СomplexityDiscipline(zh-CN)*:

零件: Вузовский компонент

循环次数: Профилирующие дисциплины

Цель

• изучение современных методов и инструментов машинного обучения и анализа данных для решения конкретных задач в области построения автоматизированных и интеллектуальных систем управления техническими объектами.

Задача

• формирование целостного представления о методах машинного обучения для обработки и анализа больших данных;
• овладение умениями разработки программ на языках Python и MatLab, реализующих алгоритмы машинного обучения;
• овладение моделями и методами интеллектуального анализа данных и машинного обучения в задачах поиска информации, обработки и анализа данных;
• приобретение навыков исследователя данных (data scientist) и разработчика математических моделей, методов и алгоритмов анализа данных.

Результат обучения: знание и понимание

• показывать знания математических основ теории машинного обучения, основные классы алгоритмов машинного обучения.

Результат обучения: применение знаний и пониманий

• выбирать наиболее подходящие алгоритмы решения задач машинного обучения и оценивать качество построенных моделей
• применять методы интеллектуального анализа данных и машинного обучения в задачах поиска информации, обработки и анализа данных систем автоматизации техническими объектами

Результат обучения: формирование суждений

• анализировать, выделять особенности и комбинировать методы машинного обучения;

Результат обучения: коммуникативные способности

• сообщать тенденции в области автоматизации производственных систем, перспективные направления и возможности практического применения, как специалистам, так и не специалистам;

Результат обучения: навыки обучения или способности к учебе

• демонстрировать навыки исследователя данных (data scientist) и разработчика математических моделей, методов и алгоритмов анализа данных.

*TeachingMethods(zh-CN)*

технологии учебно-исследовательской деятельности

информационно-коммуникационные технологии

модульная технология обучения

*AssessmentKnowledge(zh-CN)*

Преподаватель проводит все виды работ текущего контроля и выводит соответствующую оценку текущей успеваемости обучающихся два раза в академический период. По результатам текущего контроля формируется рейтинг 1 и 2. Учебные достижения обучающегося оцениваются по 100-балльной шкале, итоговая оценка Р1 и Р2 выводится как средняя арифметическая из оценок текущей успеваемости. Оценка работы обучающегося в академическом периоде осуществляется преподавателем в соответствии с графиком сдачи заданий по дисциплине. Система контроля может сочетать письменные и устные, групповые и индивидуальные формы.

*PolicyAssignmentTask(zh-CN)*

*EvaluationForm(zh-CN)*

Итоговая оценка знаний обучающего по дисциплине осуществляется по 100 балльной системе и включает:

• 40% результата, полученного на экзамене;
• 60% результатов текущей успеваемости.

Формула подсчета итоговой оценки:

 

где, Р₁, Р₂ – цифровые эквиваленты оценок первого, второго рейтингов соответственно; Э – цифровой эквивалент оценки на экзамене.

Итоговая буквенная оценка и ее цифровой эквивалент в баллах:

Буквенная система оценки учебных достижений обучающихся, соответствующая цифровому эквиваленту по четырехбалльной системе:

Темы лекционных занятий

• Введение в теорию и практику машинного обучения. Что такое машинное обучение. Области науки о данных. Сферы применения машинного обучения. Этапы машинного обучения.
• Задачи машинного обучения. Пространство признаков. Формальное определение понятия «обучение». Общий алгоритм машинного обучения. Типы задач машинного обучения.
• Способы обучения и оценки его качества. Типы обучения. Как работает обучение с учителем. Почему модель способна работать с новыми данными.
• Типовые задачи при подготовке данных и обучении моделей. Учет пропусков. Кодирование нечисловых признаков. Приведение данных к единому масштабу и стандартизация. Разметка данных. Переобучение
• Математическое обеспечение теории машинного обучения. Обозначения. Случайная величина. Несмещенные оценки. Правило Байеса. Оценка параметров. Параметры и гиперпараметры. Классификация и регрессия. Обучение на основе моделей и на основе примеров. Поверхностное и глубокое обучение
• Модели и методы машинного обучения. Методы теории вероятностей. Статистические модели и методы.
• Фундаментальные алгоритмы. Линейная регрессия. Логистическая регрессия. Обучение дерева решений. Метод опорных векторов. Метод k ближайших соседей.
• Анатомия алгоритмов обучения. Строительные блоки алгоритмов обучения. Градиентный спуск. Особенности алгоритмов обучения.
• Проектирование признаков, переобучение и настройка гиперпараметров. Проектирование признаков. Выбор алгоритма обучения. Три набора. Недообучение и переобучение. Регуляризация. Оценка эффективности модели. Настройка гиперпараметров.
• Модели и методы нечеткой логики. Нечеткие системы. Нечеткая логика в анализе временных рядов. Метод моделирования нечетких временных рядов. Пример моделирования временного ряда в нечетком подходе. Извлечение знаний из временных рядов. Нечеткое сглаживание временного ряда. Нечеткая регрессия.
• Нейронные сети и глубокое обучение. Особенности нейронных сетей. Определение модели искусственной нейронной сети. Первая формальная модель и первая реализация нейронной сети. Многослойный персептрон. Сверточные. Карты. Рекуррентные сети. Самоорганизующиеся карты. Автокодировщики. Импульсные сети. Причины бурного развития ИНС сегодня. Борьба с переобучением в ИНС. Обратное распространение ошибки. Нечеткие нейронные сети.
• Проблемы и решения обучения моделей. Ядерная регрессия. Многоклассовая классификация. Одноклассовая классификация. Классификация с многими метками. Обучение ансамбля. Обучение маркировке последовательностей. Обучение преобразованию последовательностей в последовательности. Активное обучение. Обучение с частичным привлечением учителя. Обучение с первого раза. Обучение без подготовки.
• Продвинутые методики. Работа с несбалансированными наборами данных. Объединение моделей. Обучение нейронных сетей. Продвинутая регуляризация. Обработка нескольких входов. Обработка нескольких выходов. Перенос обучения. Эффективность алгоритмов.
• Обучение без учителя. Оценка плотности. Кластеризация. Сокращение размерности. Обнаружение аномалий
• Разработка приложений в сфере машинного обучения. Архитектура системы машинного обучения. Аппаратная и программная составляющая. Алгоритм создания системы машинного обучения.

Основная литература

• Бурков А. Машинное обучение без лишних слов. - СПб.: Питер, 2020. — 192 с.
• Основы машинного обучения : учебное пособие / О.В. Лимановская, Т.И. Алферьева ; Мин-во науки и высш. образования РФ.— Екатеринбург : Изд-во Урал. ун-та, 2020. — 88 с.
• Гладилин П.Е., Боченина К.О., Технологии машинного обучения– СПб: Университет ИТМО, 2020. – 75 с.

Дополнительная литература

• Теория и практика машинного обучения : учебное пособие / В. В. Воронина, А. В. Михеев, Н. Г. Ярушкина, К. В. Святов. – Ульяновск : УлГТУ, 2017. – 290 с.
• Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar. Foundations of Machine Learning. - MIT Press, 2018. – 504с.