Профильный модуль

В данном модуле мы познакомимся с математикой для анализа данных и библиотеки для работы с данными, визуализацией и статистически анализом данных, обучение с учителем, методами обучения без учителя, узнаем, что такое нейронные сети.

Часов в программе

16,00 часов

лекции

42,00 часа

практика

32,00 часа

самостоятельная

2,00 часа

промежуточная аттестация

92,00 часа

всего

Материально-технические условия реализации программы:

Вид занятий: Теоретический компонент
Требуемое ПО:
Отсутствует

Вид занятий: Дополнительные теоретические материалы
Требуемое ПО:
Отсутствует

Вид занятий: Аттестационный компонент
Требуемое ПО:
Отсутствует

Вид занятий: Практический компонент
Требуемое ПО:
Отсутствует

Информационные ресуры

1. Источники по методу К-средних и иерархической кластеризации( https://en.wikipedia.org/wiki/K-means_clustering#Variations), книга Miining of Massive Datasets Jure Leskovec
2. Материалы по сингулярному разложению, методу главных компонент и ковариационной матрице, расположенные по адресам http://www.machinelearning.ru/wiki/index.php?title=%D0%9A%D0%BE%D0%B2%D0%B0%D1%80%D0%B8%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D0%BC%D0%B0%D1%82%D1%80%D0%B8%D1%86%D0%B0 , https://sebastianraschka.com/Articles/2014_pca_step_by_step.html , https://ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/video-lectures/lecture-29-singular-value-decomposition/
3. Глава 6 книги К. В. Воронцова “Математические методы обучения
по прецедентам (теория обучения машин)”, лекции, расположенные по адресам http://www.holehouse.org/mlclass/08_Neural_Networks_Representation.html , http://www.holehouse.org/mlclass/09_Neural_Networks_Learning.html
4. Источники по нейросетям, расположенные по адресам: http://colah.github.io/posts/2015-08-Understanding-LSTMs/ , https://towardsdatascience.com/batch-normalization-in-neural-networks-1ac91516821c , http://papers.nips.cc/paper/5423-generative-adversarial-nets

Учебно-методические материалы

Методы, формы и технологии

1. лекции
2. практические занятия
3. самостоятельная работа
4. промежуточная аттестация.

Методические разработки

1. Проблемно-развивающие методы
2. Исследовательский метод
3. Объяснительно-иллюстративный метод
4. Метод проблемного изложения
5. Частично-поисковый метод
6. Метод контроля и самоконтроля
7. Самостоятельная работа по освоению теоретического материала
8. Самоконтроль через ответы на вопросы по видеолекциям и выполнение практических заданий для самоконтроля
9. Промежуточный контроль (тесты по темам для промежуточной аттестации)
10 Итоговый контроль (итоговое тестирование по курсу)
11. Консультативная поддержка преподавателя и менторов в режиме онлайн

Материалы курса

1. Записанные видеолекции, доступные учащимся 24/7
2. Тесты для закрепления определений и терминов модуля
3. Практические задания
4. Подборки материалов для самостоятельного изучения

Учебная литература

1. "Основные понятия математической статистики и теории вероятностей по рекомендованным учебникам" - Лагутин М.Б. Наглядная математическая статистика, Чернова Н.И., https://nsu.ru/mmf/tvims/chernova/sibguti/tv-sibguti.pdf
2. Лекции по теории вероятности в НГУ, а также интерактивные материалы на сайтах, http://students.brown.edu/seeing-theory , http://blog.vctr.me/posts/central-limit-theorem.html https://sebastianraschka.com/notebooks/python-notebooks.html
3. “Математические методы обучения по прецедентам (теория обучения машин)”, раздел «Generalized Linear Models» документации библиотеки Scikit-learn К.В. Воронцова
4. “Математические методы обучения по прецедентам (теория обучения машин)”, изучить разделы документации библиотеки Scikit-learn, К.В. Воронцова, http://scikit-learn.org/stable/modules/classes.html#sklearn-metrics-metrics и http://scikit-learn.org/stable/model_selection.html
5. Глава 6 “Математические методы обучения по прецедентам (теория обучения машин)”, К. В. Воронцова, лекции, расположенные по адресам http://www.holehouse.org/mlclass/08_Neural_Networks_Representation.html , http://www.holehouse.org/mlclass/09_Neural_Networks_Learning.html

Темы

Математика для анализа данных и библиотеки для работы с данными Визуализация и статистический анализ данных Обучение с учителем Методы обучения без учителя Нейронные сети