Машинное обучение и анализ данных

Описание: 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.

Количество кредитов: 6

Пререквизиты:

• Линейные системы автоматического регулирования

Трудоемкость дисциплины:

Компонент: Вузовский компонент

Цикл: 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.

Методы преподавания

технологии учебно-исследовательской деятельности

информационно-коммуникационные технологии

модульная технология обучения

Оценка знаний обучающегося

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.

Политика оценивания результатов обучения по видам работ

Форма оценки

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
• Задачи машинного обучения
• Способы обучения и оценки его качества
• Типовые задачи при подготовке данных и обучении моделей
• Математическое обеспечение теории машинного обучения
• Модели и методы машинного обучения
• Фундаментальные алгоритмы
• Анатомия алгоритмов обучения
• Проектирование признаков, переобучение и настройка гиперпараметров
• Модели и методы нечеткой логики
• Нейронные сети и глубокое обучение
• Проблемы и решения обучения моделей
• Продвинутые методики
• Обучение без учителя
• Разработка приложений в сфере 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.