Технологии машинного обучения

Входные требования: Базовые знания в области теории вероятностей, статистики и программирования.

Зачетные единицы: 4

Семестр: 3

Курс: По выбору

Цели

Студенты получат представление об основных задачах и методах машинного обучения и интеллектуального анализа данных; изучат статистические основы теории машинного обучения; научатся решать проблемы классификации, эгрессии, кластеризации; использовать методы и алгоритмы машинного обучения и оценивать качество решений; научатся применять программное обеспечение для машинного обучения для решения проблем, связанных с доменом.

Содержание

Курс объединяет лекции по статистической теории машинного обучения с практическим освоением эффективных алгоритмов для решения реальных задач. Курс состоит из трех разделов, охватывающих методы классификации и регрессии, неконтролируемого обучения и нейронных сетей. В результате успешного завершения курса студент приобретет навыки извлечения знаний, полезные для профессиональной работы в любой области, связанной с накоплением и обработкой большого количества данных.

Формат

Лабораторные занятия.

Оценка

Посещение обязательно. Студенты не могут пропускать больше одного занятия. Финальную оценку студенты получают на экзамене. Обязательным условием допуска к экзамену является успешное выполнение всех практических заданий.