Модуль «Data Science и машинное обучение»

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

Академический руководитель

Брагин Александр Дмитриевич

Отделение информационных технологий (ИШИТР)
Старший преподаватель
вн. т. 2234 
Краткое описание

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.                     

Особенности обучения

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.

Результаты обучения

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:

- Работать с API разных сервисов, писать парсеры для сбора данных, делать предобработку и предварительный анализ  данных;

- Разрабатывать модели машинного обучения для классификации и кластеризации табличных данных;

- Разрабатывать рекомендательные системы;

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

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

Структура модуля

Семестр Наименование дисциплины Кредитов Часов Форма контроля
5 Python для анализа данных 3 5/ЛБ-16/ЛК-16/СРС-76 Зач.
6 Алгоритмы машинного обучения 3 6/ЛК-16/ПР-16/СРС-76 Зач.
7 Нейронные сети и глубокое обучение 3 7/ЛБ-16/ЛК-16/СРС-76 Зач.

Направления, для которых подходит данный модуль

# Код Направление Тип ФГОС
1 01.03.02 Прикладная математика и информатика ФГОС ВО 3++
2 09.03.01 Информатика и вычислительная техника ФГОС ВО 3++
3 09.03.02 Информационные системы и технологии ФГОС ВО 3++
4 09.03.04 Программная инженерия ФГОС ВО 3++
5 11.03.04 Электроника и наноэлектроника ФГОС ВО 3++
6 13.03.02 Электроэнергетика и электротехника ФГОС ВО 3++
7 15.03.01 Машиностроение ФГОС ВО 3++
8 15.03.02 Технологические машины и оборудование ФГОС ВО 3++
9 15.03.04 Автоматизация технологических процессов и производств ФГОС ВО 3++
10 15.03.06 Мехатроника и робототехника ФГОС ВО 3++
11 27.03.02 Управление качеством ФГОС ВО 3++
12 27.03.05 Инноватика ФГОС ВО 3++