Основы машинного обучения

Цели и задачи дисциплины

Цель преподавания дисциплины – сформировать у студентов системное представление о теоретических основах и практических методах машинного обучения и анализа данных, применяемых в управленческих информационных системах, а также развить навыки использования современных цифровых инструментов анализа данных для поддержки принятия управленческих решений. Задачи изучения и преподавания дисциплины: - ознакомить студентов с базовыми концепциями анализа данных и машинного обучения, а также с их ролью в цифровой трансформации управления; - изучить методы предварительной обработки данных, включая очистку, нормализацию, преобразование признаков и отбор информативных переменных; - ознакомить с основными подходами машинного обучения: регрессией, классификацией, кластеризацией и другими; - исследовать ключевые алгоритмы машинного обучения: линейную и логистическую регрессию, деревья решений, случайный лес, метод опорных векторов, k-средних и другие; - изучить методы оценки качества моделей машинного обучения: кросс-валидацию, метрики точности, регуляризацию, подбор гиперпараметров; - освоить современные инструменты и библиотеки Python для анализа данных и машинного обучения: Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn и др.; - сформировать практические навыки применения методов машинного обучения к реальным управленческим задачам: маркетинг, финансы, HR, логистика и др.; - научить интерпретировать и визуализировать результаты анализа данных для принятия обоснованных управленческих решений; - продемонстрировать применение машинного обучения в управленческих информационных системах, включая сценарии автоматизации и интеллектуальной аналитики; - развить навыки работы в проектах по машинному обучению, включая ведение репозиториев, документации, использованя Git и командных инструментов.

Краткое содержание дисциплины

Необходимость изучения дисциплины «Основы машинного обучения» обусловлена высокой степенью ее актуальности. Приобретение знаний в области анализа данных и машинного обучения позволит будущим магистрам интенсифицировать и повысить качество обучения на всех ступенях системы образования, развить навыки работы в команде, критического мышления, презентационные навыки, умение самостоятельно обучаться и следить за последними тенденциями в Data-науках. Дисциплина «Основы машинного обучения» нацелена на формирование у студентов практических навыков использования анализа и обработки данных, а также алгоритмов машинного обучения для решения профессиональных задач. Основные разделы, рассматриваемые в ходе изучения курса: Раздел 1. Основы языка программирования Python. Раздел 2. Основы анализа и обработки данных. Раздел 3. Основы машинного обучения. Модели машинного обучения.

Компетенции обучающегося, формируемые в результате освоения дисциплины

Выпускник должен обладать:

ПК-2 Способен проектировать архитектуру информационной системы (ИС) организации, разрабатывать структуру и этапы использования информационных технологий, управлять работами по созданию ИС, автоматизирующих задачи организационного управления и бизнес-процессы, использовать инструментальные средства автоматизации и методы прикладной информатики для создания информационных систем и продуктов
ПК-3 Способен управлять проектами в области информационных технологий и продуктов, планировать управления изменениями в проектах малого и среднего уровня сложности, обрабатывать запросы на изменения, согласовывать их с заинтересованными сторонами, разрабатывать планы конфигурационного управления, правила версионирования и использования репозитория проектов