Введение в статистику и машинное обучение — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Новая страница: «== О курсе == Курс читается для студентов 1-го курса ПМИ (ИИ360) во 2 модуле. Лектор - Алексей З…»)
 
 
(не показано 15 промежуточных версии этого же участника)
Строка 2: Строка 2:
 
Курс читается для студентов 1-го курса ПМИ (ИИ360) во 2 модуле.
 
Курс читается для студентов 1-го курса ПМИ (ИИ360) во 2 модуле.
  
−
Лектор - Алексей Зайцев, Руководитель внешних академических исследований в блоке риски «Сбера»
+
'''Лектор''': Алексей Зайцев, Руководитель внешних академических исследований в блоке риски «Сбера»
 +
 
 +
'''Распределение часов по курсу:''' 28 часов в 2 модуле (14 часов лекций, 14 часов семинаров)
 +
 
 +
'''Цель курса''' «Введение в статистику и машинное обучение» — познакомить учащихся с основными методами статистики и машинного обучения, а также с ключевыми библиотеками Python (NumPy, Pandas, Matplotlib) для анализа данных. Программа охватывает теорию вероятностей, оценивание параметров, линейные и логистические модели, основы нейронных сетей и архитектуру Трансформер. Факультатив поможет подготовиться к исследовательским проектам и обязательным курсам по ML на втором курсе.
 +
 
 +
'''Задачи дисциплины:'''
 +
* Погружение в основные библиотеки Python для работы с данными и построения визуализаций (NumPy, Pandas, Matplotlib);
 +
* Применение теории вероятностей и статистических методов для анализа и интерпретации данных;
 +
* Решение оптимизационных задач, характерных для машинного обучения, с использованием методов градиентного спуска;
 +
* Применение линейных и логистических моделей для анализа и обработки данных в реальных задачах;
 +
* Разработка и настройка нейронных сетей для анализа сложных данных, включая использование сверточных сетей, методов регуляризации и dropout;
 +
* Реализация моделей на основе архитектуры Трансформеров с применением механизмов внимания.
 +
 
 +
Оценивание включает домашние задания, midterm-экзамен и устный финальный экзамен.
  
 
=== Полезные ссылки ===
 
=== Полезные ссылки ===
Строка 11: Строка 25:
 
[https://t.me/c/2449298363/5 Расписание пар]
 
[https://t.me/c/2449298363/5 Расписание пар]
  
−
[https://t.me/+uHN9pgStpbk4ZmEy Чат в telegram]
+
=== Записи занятий ===
 +
{| class="wikitable"
 +
|-
 +
! !! Дата!! Ссылка
 +
|-
 +
| Занятие 1 || 06.11.2024 || 
 +
https://disk.yandex.ru/d/SNs4TmYBdckmvQ
 +
|-
 +
| Занятие 2 || 11.11.2024 ||
 +
https://disk.yandex.ru/d/cdQkvU6AwPrSdA
 +
|-
 +
| Занятие 3 || 18.11.2024 ||
 +
https://disk.yandex.ru/d/gfVohmylNMrcdg
 +
|-
 +
| Занятие 4 || 25.11.2024 ||
 +
https://disk.yandex.ru/d/qUo7R_3P8Il5tQ
 +
|-
 +
| Занятие 5 || 02.12.2024 ||
 +
https://disk.yandex.ru/d/4Mqa9k3bLaBk0w
 +
|-
 +
| Занятие 6 || 09.12.2024 ||
 +
https://disk.yandex.ru/d/Tbaz9M_gw7U2wA
 +
|-
 +
| Занятие 7 || 16.12.2024 ||
 +
https://disk.yandex.ru/d/cxLZEopf-FGxyw
 +
|}
 +
 
 +
=== Содержание дисциплины ===
 +
{| class="wikitable"
 +
|-
 +
! № !! Раздел!! Тема
 +
|-
 +
| 1 || Введение в Python для машинного обучения || 
 +
* Основы Python для машинного обучения
 +
* Введение в библиотеки: NumPy, Pandas, Matplotlib
 +
* Исследование данных и визуализация
 +
 
 +
|-
 +
| 2 || Основы теории вероятностей ||
 +
* Дискретная теория вероятности
 +
* Статистики: среднее, медиана, мода, дисперсия и стандартное отклонение
 +
* Введение в основные распределения
 +
* Распределение Бернулли
 +
* Биномиальное распределение
 +
* Нормальное распределение
 +
|-
 +
| 3 || Основы математической статистики ||
 +
* Оценивание параметров
 +
* Оценки среднего и дисперсии
 +
* Свойства оценок
 +
|-
 +
| 4 || Основы оптимизации для машинного обучения ||
 +
* Градиентный спуск
 +
* Методы второго порядка
 +
 
 +
|-
 +
| 5 || Классическое машинное обучение
 +
||
 +
* Обобщенные линейные модели
 +
* Линейная регрессия
 +
* Логистическая регрессия
 +
* Переобучение
 +
* Регуляризация
 +
 
 +
|-
 +
| 6 || Основы нейронных сетей
 +
||
 +
* Основы нейронных сетей: персептроны и функции активации
 +
* Прямое и обратное распространение ошибок
 +
* Введение в глубокое обучение: сверточные нейронные сети (CNN)
 +
|-
 +
|-
 +
| 7 || Механизм внимания
 +
||
 +
* Как устроены большие языковые модели
 +
* Архитектура трансформер
 +
* Основные концепции: фильтры, пулинг, функции активации
 +
* Техники регуляризации: dropout и L2-регуляризация
 +
 
 +
|}
 +
 
 +
== Преподаватели ==
 +
{| class="wikitable" style="text-align:center"
 +
|-
 +
! Группа !! Преподаватель !! Время занятия
 +
|-
 +
| Лекции || Алексей Зайцев || 18:10 - 19:30
 +
|-
 +
| 1 || Аркадий Алиев || 19:40 - 21:00
 +
|-
 +
| 2 || Александр Кудряшов || 19:40 - 21:00

Текущая версия на 20:09, 9 января 2025

О курсе

Курс читается для студентов 1-го курса ПМИ (ИИ360) во 2 модуле.

Лектор: Алексей Зайцев, Руководитель внешних академических исследований в блоке риски «Сбера»

Распределение часов по курсу: 28 часов в 2 модуле (14 часов лекций, 14 часов семинаров)

Цель курса «Введение в статистику и машинное обучение» — познакомить учащихся с основными методами статистики и машинного обучения, а также с ключевыми библиотеками Python (NumPy, Pandas, Matplotlib) для анализа данных. Программа охватывает теорию вероятностей, оценивание параметров, линейные и логистические модели, основы нейронных сетей и архитектуру Трансформер. Факультатив поможет подготовиться к исследовательским проектам и обязательным курсам по ML на втором курсе.

Задачи дисциплины:

  • Погружение в основные библиотеки Python для работы с данными и построения визуализаций (NumPy, Pandas, Matplotlib);
  • Применение теории вероятностей и статистических методов для анализа и интерпретации данных;
  • Решение оптимизационных задач, характерных для машинного обучения, с использованием методов градиентного спуска;
  • Применение линейных и логистических моделей для анализа и обработки данных в реальных задачах;
  • Разработка и настройка нейронных сетей для анализа сложных данных, включая использование сверточных сетей, методов регуляризации и dropout;
  • Реализация моделей на основе архитектуры Трансформеров с применением механизмов внимания.

Оценивание включает домашние задания, midterm-экзамен и устный финальный экзамен.

Полезные ссылки

Телеграм-канал курса

Разделение по группам на факультативе

Расписание пар

Записи занятий

Дата Ссылка
Занятие 1 06.11.2024

https://disk.yandex.ru/d/SNs4TmYBdckmvQ

Занятие 2 11.11.2024

https://disk.yandex.ru/d/cdQkvU6AwPrSdA

Занятие 3 18.11.2024

https://disk.yandex.ru/d/gfVohmylNMrcdg

Занятие 4 25.11.2024

https://disk.yandex.ru/d/qUo7R_3P8Il5tQ

Занятие 5 02.12.2024

https://disk.yandex.ru/d/4Mqa9k3bLaBk0w

Занятие 6 09.12.2024

https://disk.yandex.ru/d/Tbaz9M_gw7U2wA

Занятие 7 16.12.2024

https://disk.yandex.ru/d/cxLZEopf-FGxyw

Содержание дисциплины

№ Раздел Тема
1 Введение в Python для машинного обучения
  • Основы Python для машинного обучения
  • Введение в библиотеки: NumPy, Pandas, Matplotlib
  • Исследование данных и визуализация
2 Основы теории вероятностей
  • Дискретная теория вероятности
  • Статистики: среднее, медиана, мода, дисперсия и стандартное отклонение
  • Введение в основные распределения
  • Распределение Бернулли
  • Биномиальное распределение
  • Нормальное распределение
3 Основы математической статистики
  • Оценивание параметров
  • Оценки среднего и дисперсии
  • Свойства оценок
4 Основы оптимизации для машинного обучения
  • Градиентный спуск
  • Методы второго порядка
5 Классическое машинное обучение
  • Обобщенные линейные модели
  • Линейная регрессия
  • Логистическая регрессия
  • Переобучение
  • Регуляризация
6 Основы нейронных сетей
  • Основы нейронных сетей: персептроны и функции активации
  • Прямое и обратное распространение ошибок
  • Введение в глубокое обучение: сверточные нейронные сети (CNN)
7 Механизм внимания
  • Как устроены большие языковые модели
  • Архитектура трансформер
  • Основные концепции: фильтры, пулинг, функции активации
  • Техники регуляризации: dropout и L2-регуляризация

Преподаватели

Группа Преподаватель Время занятия
Лекции Алексей Зайцев 18:10 - 19:30
1 Аркадий Алиев 19:40 - 21:00
2 Александр Кудряшов 19:40 - 21:00
Источник — «http://wiki.cs.hse.ru/index.php?title=Введение_в_статистику_и_машинное_обучение&oldid=88855»