Методы и технологии машинного обучения

Цели и задачи дисциплины

Цель изучения курса - получить представление об основных методах и овладеть технологиями решения задач машинного обучения. Задачи - научиться готовить входные данные, узнать основные типы задач, решаемых с помощью методов машинного обучения, научится оценивать качество моделей и решать, подходит ли выбранная модель для конкретной задачи и как можно ее улучшить,

Краткое содержание дисциплины

Искусственный интеллект и машинное обучение. Задачи машинного обучения. Метод ближайших соседей. Наивный Байес. Метрики оценки качества решения задач классификации и регрессии. Целевая функция, шаг обучения, градиентный спуск, нормальное уравнение. Нормализация данных. Переобучение и регуляризация. Расширение признаков. Построение нелинейной модели. Классификатор с максимальным зазором. Кросс-валидация и решетчатый поиск. Энтропия, индекс Джини, Information Gain. Случайный лес, градиентный бустинг. Задача кластеризации. k-means, DBSCAN. Elbow метод. Silhouette plot. Понижение размерности. PCA, t-SNE, PACMAP.

Компетенции обучающегося, формируемые в результате освоения дисциплины

Выпускник должен обладать:

ПК-1 Способен разрабатывать и применять алгоритмы анализа данных, машинного обучения и нейросетевых технологий при создании интеллектуальных информационных систем