Основы программирования математических алгоритмов для ML

Вайс Юрий Андреевич

*InstructorProfile(zh-CN)*

内容描述: Курс объединяет основы Python с линейной алгеброй для машинного обучения. Обучающиеся освоят NumPy, операции с векторами и матрицами, а также ключевые алгоритмы метода главных компонент и сингулярного разложения матриц. Практические задания включают реализацию методов линейной регрессии и работу с данными. Курс подготовит к углубленному изучению ML-библиотек.

贷款数: 6

Пререквизиты:

  • Информатика. Школьный курс

*СomplexityDiscipline(zh-CN)*:

*TypesOfClasses(zh-CN)* *hours(zh-CN)*
*Lectures(zh-CN)* 30
*PracticalWork(zh-CN)*
*LaboratoryWork(zh-CN)* 30
*srop(zh-CN)* 30
*sro(zh-CN)* 90
*FormOfFinalControl(zh-CN)* экзамен
*FinalAssessment(zh-CN)* Творческий экзамен

零件: Вузовский компонент

循环次数: Базовые дисциплины

Цель
  • Изучение обучающимися основ Python и математических алгоритмов для машинного обучения.
Задача
  • изучение основ программирования на языке Python
  • ознакомить с основными математическими алгоритмами линейной алгебры для машинного обучения
  • научить применять библиотеки Python, необходимые для реализации ML
Результат обучения: знание и понимание
  • знание и понимание основных математических алгоритмов линейной алгебры для машинного обучения
Результат обучения: применение знаний и пониманий
  • применение библиотек Python для операций с векторами и матрицами
Результат обучения: формирование суждений
  • самостоятельно разбираться в математических алгоритмах для ML, содержащихся в специальной литературе.
Результат обучения: коммуникативные способности
  • развить коммуникационные способности, необходимые для работы в команде.
Результат обучения: навыки обучения или способности к учебе
  • иметь навыки применения библиотек Python для ML при решении фундаментальных и прикладных задач.
*TeachingMethods(zh-CN)*

интерактивная лекция (применение следующих активных форм обучения: ведомая (управляемая) дискуссия или беседа; демонстрация слайдов или учебных фильмов; мозговой штурм; мотивационная речь);

информационно-коммуникационная (например, занятия в компьютерном классе с использованием различных операционных систем и профессиональных пакетов прикладных программ);

поисково-исследовательская (самостоятельная исследовательская деятельность студентов в процессе 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.

*Period2(zh-CN)* *TypeOfTask(zh-CN)* *Total(zh-CN)*
1  *Rating(zh-CN)* Лабораторная работа 1 0-100
Лабораторная работа 2
Лабораторная работа 3
Рубежное тестирование 1
2  *Rating(zh-CN)* Лабораторная работа 4 0-100
Лабораторная работа 5
Лабораторная работа 6
Рубежное тестирование 2
*TotalControl(zh-CN)* экзамен 0-100
*PolicyAssignmentTask(zh-CN)*
*TypeOfTask(zh-CN)* 90-100 70-89 50-69 0-49
Excellent *Grade4(zh-CN)* *Grade3(zh-CN)* *Grade2(zh-CN)*
Ответы на контрольные вопросы демонстрирует системные теоретические знания, владеет терминологией, делает аргументированные выводы и обобщения, приводит примеры, показывает свободное владение материалом и способность быстро реагировать на уточняющие вопросы демонстрирует прочные теоретические знания, владеет терминологией, делает аргументированные выводы и обобщения, приводит примеры, оказывает свободное владение материалом, но при этом делает несущественные ошибки, которые исправляет самостоятельно или при незначительной коррекции преподавателем демонстрирует неглубокие теоретические знания, недостаточное умение делать аргументированные выводы и приводить примеры, показывает недостаточно свободное владение материалом, логичностью и последовательностью изложения, делает ошибки которые может исправить только при коррекции преподавателем. демонстрирует незнание теоретических основ предмета, не умеет делать аргументированные выводы и приводить примеры, показывает слабое владение материалом, не владеет терминологией, проявляет отсутствие логичности и последовательности изложения, делает ошибки, которые не может исправить даже при коррекции преподавателем, отказывается отвечать на занятии
Работа на лабораторных занятиях выполнил лабораторную работу в полном объеме с соблюдением необходимой последовательности действий; в отчете правильно и аккуратно выполняет все записи, таблицы, рисунки, чертежи, графики, вычисления; правильно выполняет анализ ошибок. При ответе на вопросы правильно понимает сущность вопроса, дает точное определение и истолкование основных понятий; сопровождает ответ новыми примерами, умеет применить знания в новой ситуации; может установить связь между изучаемым и ранее изученным материалом, а также с материалом, усвоенным при изучении других дисциплин. выполнил требования к оценке «отлично», но допущены 2-3 недочета. Ответ обучающегося на вопросы удовлетворяет основным требованиям к ответу на «отлично», но дан без применения знаний в новой ситуации, без использования связей с ранее изученным материалом и материалом, усвоенным при изучении других дисциплин; допущены одна не критичная ошибка или не более двух недочетов, при этом обучающийся может их исправить самостоятельно без помощи преподавателя. выполнил работу не полностью, но не менее 50% объема практической работы, что позволяет получить правильные результаты и выводы; в ходе проведения работы были допущены ошибки. При ответе на вопросы обучающийся правильно понимает сущность вопроса, но в ответе имеются отдельные проблемы в усвоении вопросов курса, не препятствующие дальнейшему усвоению программного материала; допущена одна грубая ошибка и не более двух-трех недочетов, при этом обучающийся может их исправить с небольшой помощью преподавателя. выполнил работу не более 50% от объема, что не позволяет сделать правильных выводов. При ответе на вопросы демонстрирует отсутствие владения основными знаниями и умениями в соответствии с требованиями программы; допущены больше ошибок и недочетов, чем необходимо для оценки «удовлетворительно», не может ответить на большую часть из поставленных вопросов.
*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:

И= 0,6 Р12 +0,4Э
2

 

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:

Оценка по буквенной системе Цифровой эквивалент Баллы (%-ное содержание) Оценка по традиционной системе
A 4.0 95-100 Отлично
A- 3.67 90-94
B+ 3.33 85-89 Хорошо
B 3.0 80-84
B- 2.67 75-79
C+ 2.33 70-74
C 2.0 65-69 Удовлетворительно
C- 1.67 60-64
D+ 1.33 55-59
D 1.0 50-54
FX 0.5 25-49 Неудовлетворительно
F 0 0-24
Темы лекционных занятий
  • Введение в Python. Рассматривается процесс создания проекта в Python, изучаются методы ввода и вывода данных и обработка исключений.
  • Линейный алгоритм. Примеры реализации линейных задач.
  • Разветвляющийся алгоритм. Простой условный оператор, сокращенный условный оператор, составной условный оператор, многозначные ветвления, алгоритм поиска максимального и минимального элементов.
  • Циклический алгоритм. Оператор цикла For. Оператор цикла While.
  • Работа с последовательностями. Кортежи и списки. Функции и методы обработки списков.
  • Работа со строками. Основные понятия. Функции обработки строк.
  • Работа с функциями. Создание пользовательских функций. Примеры использования.
  • Векторы. Создание и визуализация векторов в NumPy. Операции на векторах. Линейная независимость. Подпространство и охват.
  • Матрицы. Создание и визуализация матриц в NumPy. Матричная математика: сложение, умножение на скаляр и другие. Нормы матриц. Пространства матрицы. Ранг.
  • Применения матриц. Матрицы ковариаций многопеременных данных. Геометрические преобразования посредством умножения матриц на векторы. Обнаружение признаков изображения.
  • Обратные матрицы. Вычисление обратной матрицы. Численная стабильность обратной матрицы. Геометрическая интерпретация обратной матрицы.
  • Ортогональные матрицы и QR-разложение. Ортогональные матрицы. QR-разложение.
  • Приведение строк и LU-разложение. Системы уравнений. LU-разложение.
  • Общие линейные модели и наименьшие квадраты. Общие линейные модели. Наименьшие квадраты посредством QR-разложения.
  • Применения метода наименьших квадратов. Полиномиальная регрессия. Поиск в параметрической решетке для отыскания модельных параметров.
Основная литература
  • Курс аналитической геометрии и линейной алгебры : Учеб. пособие для вузов / В. В. Федорчук. - М. : Изд-во МГУ, 1990. - 328 с.
  • Луис Серрано Грокаем глубокое обучение. — СПб.: Питер, 2019. — 352 с.
  • Дайзенрот Марк Питер, Альдо Фейзал А., Чен Сунь Он Математика в машинном обучении. — СПб.: Питер, 2024. — 512 с.
  • Adhikari, Ani, and DeNero, John. 2018. Computational and Inferential Thinking: The Foundations of Data Science. Gitbooks.
Дополнительная литература
  • Сборник задач по аналитической геометрии и линейной алгебре : сборник задач / Л. А. Беклемишева, А. Ю. Петрович, И. А. Чубаров ; под ред. Д. В. Беклемишева. - 2-е изд. перераб. . - М. : Физматлит, 2001. - 495 с.
  • Тестовые задания по математике : тесты / С. Д. Тыныбекова, Р. О. Мухамедова. - Усть-Каменогорск : ВКГТУ, 2006. - 146 с. - Библиогр.: с. 146.