Введение в статистику и машинное обучение — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
Строка 24: Строка 24:
  
 
[https://t.me/c/2449298363/5 Расписание пар]
 
[https://t.me/c/2449298363/5 Расписание пар]
 +
 +
=== Записи занятий ===
 +
{| class="wikitable"
 +
|-
 +
! № !! Раздел!! Тема
 +
|-
 +
| 1 || Лекция || 
 +
* 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 || ||
 +
 +
 +
|}
  
 
=== Содержание дисциплины ===
 
=== Содержание дисциплины ===
Строка 78: Строка 107:
  
 
|}
 
|}
−
 
  
 
== Преподаватели ==
 
== Преподаватели ==

Версия 13:35, 7 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

Телеграм-канал курса

Разделение по группам на факультативе

Расписание пар

Записи занятий

№ Раздел Тема
1 Лекция
  • 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


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=87794»