BSc: MachineLearning II - Revision history

V.matiukhin: /* Перечень учебно-методического обеспечения дисциплины */

2024-04-23T14:27:03Z

Перечень учебно-методического обеспечения дисциплины

← Older revision		Revision as of 14:27, 23 April 2024
Line 149:		Line 149:
	- Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. –		- Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. –
	745 pp https://link.springer.com/book/10.1007%2F978-0-387-84858-7		745 pp https://link.springer.com/book/10.1007%2F978-0-387-84858-7
		+

	Список дополнительной литературы:		Список дополнительной литературы:

V.matiukhin: /* Общая характеристика результата обучения по дисциплине */

2024-04-23T14:25:42Z

Общая характеристика результата обучения по дисциплине

← Older revision		Revision as of 14:25, 23 April 2024
Line 21:		Line 21:
	- продвинутые постановки задач в машинном обучении, <br>		- продвинутые постановки задач в машинном обучении, <br>
	- метрические методы машинного обучения и владеть методами быстрого поиска ближайших соседей.		- метрические методы машинного обучения и владеть методами быстрого поиска ближайших соседей.
−

	: '''Умения:''' сформированы умения:		: '''Умения:''' сформированы умения:

V.matiukhin: /* 2. Перечень планируемых результатов обучения */

2024-04-23T14:16:49Z

2. Перечень планируемых результатов обучения

← Older revision		Revision as of 14:16, 23 April 2024
Line 13:		Line 13:

	== 2. Перечень планируемых результатов обучения ==		== 2. Перечень планируемых результатов обучения ==
		+	: '''Целью освоения дисциплины''' является приобретение навыков и знаний по продвинутым методам машинного обучения с целью успешного решения нестандартных задач анализа данных.
−	: '''Целью освоения дисциплины''' ...

		+	: '''Задачами дисциплины''' являются освоение метрических методов, решение задач поиска аномалий и кластеризации, построение рекомендательных систем, выполнение задач ранжирования и проведение полного цикла анализа данных.
−	: '''Задачами дисциплины''' вляются ... <span style="color:red;">(перечислить задачи дисциплины, например: изучение принципов организации подсистем обработки естественного языка для различных прикладных задач и тенденций развития лингвистических ресурсов в сфере интеллектуальных информационных технологий и т.д.).</span>

	=== Общая характеристика результата обучения по дисциплине ===		=== Общая характеристика результата обучения по дисциплине ===
−	: '''Знания:''' сформированы систематические знания ~~...~~	+	: '''Знания:''' сформированы систематические знания:
		+	- продвинутые постановки задач в машинном обучении, <br>
−	<span style="color:red;">(информация, которой обладает обучающийся в определенных областях, полученная в процессе обучения, то есть это информация для осуществления какой-либо деятельности (действия))</span>
		+	- метрические методы машинного обучения и владеть методами быстрого поиска ближайших соседей.

⚫	: '''Умения:''' сформированы умения ~~...~~
−	<span style="color:red;">(предполагает целенаправленное выполнение действий, по изученной информации)</span>

		⚫	: '''Умения:''' сформированы умения:
−	: '''Навыки (владения):''' сформировано владение навыками ...
		+	- выполнять полный цикл решения задачи анализа данных,<br>
−	<span style="color:red;">(автоматизированные устойчивые умения выполнять определенную работу, то есть действие выполняется без контроля сознания, автоматически)</span>
		+	- решать задачи поиска аномалий и кластеризации, <br>
		+	- решать задачи ранжирования.
		+
		+	: '''Навыки (владения):'''
		+	- владение методами для решения нестандартных задач машинного обучения,<br>
		+	- владение методами построения рекомендательных систем.

	== 3. Структура и содержание дисциплины ==		== 3. Структура и содержание дисциплины ==

V.matiukhin: /* Методические указания для обучающихся по освоению дисциплины */

2024-04-23T14:09:27Z

Методические указания для обучающихся по освоению дисциплины

Show changes

V.matiukhin: /* Машинное обучение 2 */

2024-04-23T04:30:21Z

Машинное обучение 2

← Older revision		Revision as of 04:30, 23 April 2024
Line 1:		Line 1:
−	= <span style="">Машинное обучение 2</span> =	+	= <span style="">Машинное обучение II</span> =
	: '''Квалификация выпускника''': бакалавр		: '''Квалификация выпускника''': бакалавр
	: '''Направление подготовки''': 09.03.01 - “Информатика и вычислительная техника”		: '''Направление подготовки''': 09.03.01 - “Информатика и вычислительная техника”

V.matiukhin: /* Перечень учебно-методического обеспечения дисциплины */

2024-04-23T04:27:31Z

Перечень учебно-методического обеспечения дисциплины

← Older revision		Revision as of 04:27, 23 April 2024
Line 141:		Line 141:

	- Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Vol.		- Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Vol.
−	Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?	+	Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008
−	direct=true&site=eds-live&db=edsebk&AN=277008

	- Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. –		- Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. –

V.matiukhin: /* Перечень учебно-методического обеспечения дисциплины */

2024-04-23T04:27:01Z

Перечень учебно-методического обеспечения дисциплины

← Older revision		Revision as of 04:27, 23 April 2024
Line 139:		Line 139:
	- Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from		- Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from
	http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705		http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705
		+
	- Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Vol.		- Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Vol.
	Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?		Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?
	direct=true&site=eds-live&db=edsebk&AN=277008		direct=true&site=eds-live&db=edsebk&AN=277008
		+
	- Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. –		- Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. –
	745 pp https://link.springer.com/book/10.1007%2F978-0-387-84858-7		745 pp https://link.springer.com/book/10.1007%2F978-0-387-84858-7

V.matiukhin: /* Перечень учебно-методического обеспечения дисциплины */

2024-04-23T04:26:14Z

Перечень учебно-методического обеспечения дисциплины

← Older revision		Revision as of 04:26, 23 April 2024
Line 136:		Line 136:
	=== Перечень учебно-методического обеспечения дисциплины ===		=== Перечень учебно-методического обеспечения дисциплины ===
	Список основной литературы:		Список основной литературы:
		+
		+	- Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from
		+	http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705
		+	- Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Vol.
		+	Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?
		+	direct=true&site=eds-live&db=edsebk&AN=277008
		+	- Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. –
		+	745 pp https://link.springer.com/book/10.1007%2F978-0-387-84858-7

	Список дополнительной литературы:		Список дополнительной литературы:
		+
		+	- Trevor Hastie, Robert Tibshirani, & Jerome Friedman. New York. (n.d.). Book Reviews 567 The Elements of Statistical Learning: Data
		+	Mining, Inference, and Prediction. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=edslive&db=edsbas&AN=edsbas.45E1D521
		+
	=== Методические указания для обучающихся по освоению дисциплины ===		=== Методические указания для обучающихся по освоению дисциплины ===
	<span style="color:red;">(Указываются рекомендации для обучающихся, которые раскрывают суть их работы при различных видах деятельности в рамках освоения дисциплины. Данные рекомендации должны охватывать работу с лекционным материалом, подготовку и работу во время проведения семинарских занятий, самостоятельную работу, подготовку к текущему контролю и промежуточной аттестации)</span>		<span style="color:red;">(Указываются рекомендации для обучающихся, которые раскрывают суть их работы при различных видах деятельности в рамках освоения дисциплины. Данные рекомендации должны охватывать работу с лекционным материалом, подготовку и работу во время проведения семинарских занятий, самостоятельную работу, подготовку к текущему контролю и промежуточной аттестации)</span>

V.matiukhin: /* 3. Структура и содержание дисциплины */

2024-04-23T04:24:32Z

3. Структура и содержание дисциплины

← Older revision		Revision as of 04:24, 23 April 2024
Line 40:		Line 40:
	\| style="text-align:center;" \| 3. \|\| Ранжирование и рекомендательные системы \|\| Матричные разложения и факторизационные машины; их применения в машинном обучении. Метрики качества рекомендательных систем. Обучение ранжированию. Метрики качества ранжирования. Поточечный, попарный и списочный подходы. Краудсорсинг при сборе разметки, оптимальная агрегация меток.<br>		\| style="text-align:center;" \| 3. \|\| Ранжирование и рекомендательные системы \|\| Матричные разложения и факторизационные машины; их применения в машинном обучении. Метрики качества рекомендательных систем. Обучение ранжированию. Метрики качества ранжирования. Поточечный, попарный и списочный подходы. Краудсорсинг при сборе разметки, оптимальная агрегация меток.<br>
	\|- style="background-color:#F8F9FA; color:#202122;"		\|- style="background-color:#F8F9FA; color:#202122;"
−	\| style="text-align:center;" \| 4. \|\| Задача адаптации признакового пространства (domain adaptation), transfer	+	\| style="text-align:center;" \| 4. \|\| Задача адаптации признакового пространства (domain adaptation), transfer learning <br>
−	learning \|\| <br>

	\|}		\|}

V.matiukhin: /* 3. Структура и содержание дисциплины */

2024-04-23T04:23:57Z

3. Структура и содержание дисциплины

← Older revision		Revision as of 04:23, 23 April 2024
Line 28:		Line 28:

	== 3. Структура и содержание дисциплины ==		== 3. Структура и содержание дисциплины ==
−	<span style="color:red;">(Указываются: 1) порядковый номер раздела (количество разделов зависит от содержания Вашей дисциплины); 2) наименования разделов дисциплины; 3) темы указанных разделов (количество тем в каждом разделе зависит от содержания Вашей дисциплины)</span>
	{\| class="wikitable" style="width:70%;"		{\| class="wikitable" style="width:70%;"
	\|- style="vertical-align:middle; text-align:center; background-color:#EAECF0; color:#202122; font-weight:bold;"		\|- style="vertical-align:middle; text-align:center; background-color:#EAECF0; color:#202122; font-weight:bold;"
Line 35:		Line 34:
	\| style="width:60%" \| Содержание дисциплины по темам		\| style="width:60%" \| Содержание дисциплины по темам
	\|- style="vertical-align:middle; background-color:#F8F9FA; color:#202122;"		\|- style="vertical-align:middle; background-color:#F8F9FA; color:#202122;"
		+	\| style="text-align:center;" \| 1. \|\| Обучение с учителем \|\| Продвинутые методы обучения линейных моделей. Хэширование признаков и случайные проекции. Методы отбора признаков. Обобщённые линейные модели. Современные имплементации градиентного бустинга. Ядровые методы. Метод k ближайших соседей в классификации и регрессии. Метрики на сложных объектах. Метрики на текстах на основе представлений слов. Методы поиска ближайших соседей. Locality-sensitive hashing. Обучение метрик, learning to hash.<br>
−	\| style="text-align:center;" \| 1. \|\| \|\|      -<br>     -<br>     -<br>     -<br>
	\|- style="background-color:#F8F9FA; color:#202122;"		\|- style="background-color:#F8F9FA; color:#202122;"
		+	\| style="text-align:center;" \| 2. \|\| Обучение без учителя \|\| Ядра, их теоретические основы и примеры применения для сложных объектов. Аппроксимация признаковых описаний в спрямляющем пространстве. EM-алгоритм. Тематическое моделирование, LDA. Генеративные модели. Продвинутые методы кластеризации. Лапласианы графов в машинном обучении. Методы обнаружения аномалий, одноклассовые методы.<br>
−	\| style="text-align:center;" \| 2. \|\| \|\|      -<br>     -<br>     -<br>     -<br>
	\|- style="background-color:#F8F9FA; color:#202122;"		\|- style="background-color:#F8F9FA; color:#202122;"
		+	\| style="text-align:center;" \| 3. \|\| Ранжирование и рекомендательные системы \|\| Матричные разложения и факторизационные машины; их применения в машинном обучении. Метрики качества рекомендательных систем. Обучение ранжированию. Метрики качества ранжирования. Поточечный, попарный и списочный подходы. Краудсорсинг при сборе разметки, оптимальная агрегация меток.<br>
−	\| style="text-align:center;" \| 3. \|\| \|\|      -<br>     -<br>     -<br>     -<br>
	\|- style="background-color:#F8F9FA; color:#202122;"		\|- style="background-color:#F8F9FA; color:#202122;"
		+	\| style="text-align:center;" \| 4. \|\| Задача адаптации признакового пространства (domain adaptation), transfer
−	\| style="text-align:center;" \| 4. \|\| \|\|      -<br>     -<br>     -<br>     -<br>
		+	learning \|\| <br>
−	\|- style="background-color:#F8F9FA; color:#202122;"
		+
−	\| style="text-align:center;" \| 5. \|\| \|\|      -<br>     -<br>     -<br>     -<br>
−	\|- style="background-color:#F8F9FA; color:#202122;"
−	\| style="text-align:center;" \| ... \|\| \|\|      -<br>     -<br>     -<br>     -<br>
	\|}		\|}