Методы машинного обучения

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

Зачетные единицы: 4

Семестр: 1

Курс: Основной

Цели

Студенты получат представление об основных задачах и методах машинного обучения и интеллектуального анализа данных, изучат статистические основы теории машинного обучения, узнают способы решения проблем классификации, эгрессии, кластеризации, научатся использовать методы и алгоритмы машинного обучения и оценивать качество решений, использовать программное обеспечение для машинного обучения при решении предметно-ориентированных проблем.

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 больших объемов данных.

Формат

Лабораторные работы

Оценка