Module \00abВведение в Data science и машинное обучение\00bb

Модуль дополнительной специализации. Обучение с 2024 года (5 семестр),

Academic Coordinator

Aleksandr Bragin

Division for Information Technology
Senior Lecturer
Brief Description

Модуль знакомит слушателей с основами машинного и глубокого обучения. В модуле подробно разбираются основные теоретические понятия, необходимые для решения практических задач с помощью инструментов машинного обучения. Также особое внимание уделяется наиболее популярным инструментам для анализа данных и машинного обучения с использованием язык программирования Python. В модуле рассматриваются решения задачь анализа табличных данных традиционными методами машинного обучения, а также решения задач компьютерного зрения и обработки естественного языка с помощью нейронных сетей. Особое внимание уделяется применению новейших практик в решение вышеуказанных задач. В ходе прохождения модуля обучающиеся самостоятельно разработают и обучат модели разной сложности: от линейных регрессий и классификаторов до гибридных рекомендательных систем или моделей с использованием нейронных сетей, а также смогут:

- Анализировать большие объёмы данных.

- Применять машинное обучение, чтобы предсказывать события, прогнозировать значения и искать неочевидные закономерности в данных.

- Помогать создавать и улучшать продукты в бизнесе, промышленности и науке

Training Features

В данном модуле предполагается использование современных инструментов для решения практических задач анализа данных. Модуль содержит множество практических заданий, призванных закрепить теоретические знания и дать обучающемуся требуемые для аналитики данных навыки.

Learning Outcomes

В результате успешного прохождения модуля обучающийся будет владеть основными навыками для решения задач обработки и анализа данных с помощью машинного и глубокого обучения. После завершения модуля, обучающийся будет уметь:

- Делать предобработку и предварительный анализ  данных;

- Разрабатывать модели машинного обучения для решения задач классификации и регрессии;

- Разрабатывать нейросетевые модели для систем компьютерного зрения и обработки естестенного языка;

- Применять современные подходы машинного и глубокого обучения для решения практических задач.

Module Structure

Term Course Name Credits Hours Form of Assessment
5 Основы применения Python для анализа данных 3 5/LW-16/L-16/IWS-76 Зач.
6 Введение в машинное обучение 3 6/LW-16/L-16/IWS-76 Зач.
7 Введение в нейронные сети и глубокое обучение 3 7/LW-16/L-16/IWS-76 Зач.

Направления, для которых подходит данный модуль

# Код Направление Тип ФГОС
1 03.03.02 Физика ФГОС ВО 3++
2 09.03.03 Прикладная информатика ФГОС ВО 3++
3 12.03.01 Приборостроение ФГОС ВО 3++
4 12.03.02 Оптотехника ФГОС ВО 3++
5 12.03.04 Биотехнические системы и технологии ФГОС ВО 3++
6 13.03.01 Теплоэнергетика и теплотехника ФГОС ВО 3++
7 14.03.02 Ядерные физика и технологии ФГОС ВО 3++
8 14.05.02 Атомные станции: проектирование, эксплуатация и инжиниринг ФГОС ВО 3++
9 14.05.04 Электроника и автоматика физических установок ФГОС ВО 3++
10 18.03.01 Химическая технология ФГОС ВО 3++
11 18.05.02 Химическая технология материалов современной энергетики ФГОС ВО 3++
12 19.03.01 Биотехнология ФГОС ВО 3++
13 20.03.01 Техносферная безопасность ФГОС ВО 3++
14 21.03.01 Нефтегазовое дело ФГОС ВО 3++
15 22.03.01 Материаловедение и технологии материалов ФГОС ВО 3++
16 22.03.02 Металлургия ФГОС ВО 3++
17 38.03.01 Экономика ФГОС ВО 3++
18 38.03.02 Менеджмент ФГОС ВО 3++