Введение в статистику и машинное обучение — различия между версиями
| Строка 17: | Строка 17: | ||
Оценивание включает домашние задания, midterm-экзамен и устный финальный экзамен. | Оценивание включает домашние задания, midterm-экзамен и устный финальный экзамен. | ||
| + | |||
| + | === Полезные ссылки === | ||
| + | '''[https://t.me/+oTPKa-l4Bp0xNzVi Телеграм-канал курса]''' | ||
| + | |||
| + | [https://docs.google.com/spreadsheets/d/1tqk5u-mzgVF2Ig7A0kCSeJDh-DjlTxAaM2S431pEhE8/edit?usp=sharing Разделение по группам на факультативе] | ||
| + | |||
| + | [https://t.me/c/2449298363/5 Расписание пар] | ||
=== Содержание дисциплины === | === Содержание дисциплины === | ||
| Строка 72: | Строка 79: | ||
|} | |} | ||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
== Преподаватели == | == Преподаватели == | ||
Версия 15:30, 6 ноября 2024
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
Разделение по группам на факультативе
Содержание дисциплины
| № | Раздел | Тема |
|---|---|---|
| 1 | Введение в Python для машинного обучения |
|
| 2 | Основы теории вероятностей |
|
| 3 | Основы математической статистики |
|
| 4 | Основы оптимизации для машинного обучения |
|
| 5 | Классическое машинное обучение |
|
| 6 | Основы нейронных сетей |
|
| 7 | Механизм внимания |
|
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 |
