COURSE_TMO

Репозиторий курса "Технологии машинного обучения", бакалавриат, 6 семестр.

Вопросы для подготовки к экзамену

Лекции:

Видеотрансляции лекций планируется публиковать на youtube - https://youtube.com/playlist?list=PL9vFTJYocFHomDo2q7Cdl6KfsheYJQUdh

(Так как лекции записывались в аудитории, возможны паузы, нечеткий звук, отсутствие отдельных фрагментов видео.)

Конспекты лекций:

1. Вводная лекция:

   • Структура курса.
   • Инструментальные средства анализа данных.
   • Средства и способы визуализации данных.
   • Наборы данных.
   • Пример разведочного анализа данных.

2. Искусственный интеллект, анализ данных и машинное обучение.

3. Библиотеки обработки данных для языка Python:

   • Презентация.
   • Введение в библиотеку Numpy.
   • Введение в библиотеку SciPy.
   • Введение в библиотеку Pandas.
   • Введение в библиотеку PandaSQL.

4. Обработка пропусков в данных, кодирование категориальных признаков, масштабирование данных.

5. Метод k-ближайших соседей.

6. Оценка качества моделей машинного обучения.

7. Подбор гиперпараметров модели и кросс-валидация.

8. Градиентный спуск и линейные модели машинного обучения.

9. Метод опорных векторов.

10. Деревья решений.

11. Ансамбли моделей машинного обучения.

    • Бэггинг и случайный лес.
    • Бустинг.
    • Cтекинг.
    • Введение в нейронные сети.
    • Метод группового учета аргументов (МГУА).

12. Создание веб-приложений для демонстрации моделей машинного обучения. AutoML.

    • Создание веб-приложений для демонстрации моделей машинного обучения.
      • Пример для фреймворка streamlit
      • Пример для фреймворка gradio
      • Пример для фреймворка dash
    • AutoML

13. Обучение без учителя. Методы кластеризации и снижения размерности.

14. Введение в рекомендательные системы с использованием методов машинного обучения.

15. Введение в анализ и прогнозирование временных рядов.

16. Гибридные интеллектуальные информационные системы на основе метаграфового подхода.

    • Библиотека визуализации метаграфов
    • Библиотека A-Frame

Лабораторные работы:

1. Разведочный анализ данных. Исследование и визуализация данных.
2. Обработка пропусков в данных, кодирование категориальных признаков, масштабирование данных.
3. Подготовка обучающей и тестовой выборки, кросс-валидация и подбор гиперпараметров на примере метода ближайших соседей.
4. Линейные модели, SVM и деревья решений.
5. Ансамбли моделей машинного обучения.
6. Лабораторная работа №6 (по вариантам).
   • Вы можете выбрать любой из трех приведенных вариантов лабораторной работы. Выполнение одного из трех вариантов обязательно. Выполнение дополнительных вариантов дает "+1" балл на экзамене.
   • Анализ и прогнозирование временного ряда.
   • Методы обучения без учителя.
   • Создание веб-приложения для демонстрации моделей машинного обучения.

Рубежные контроли:

1. Задания для РК №1.
2. Задания для РК №2.

НИРС:

• Типовое задание на НИРС.
• Опорный пример для выполнения НИРС.

Полезные ссылки:

1. Инструментальные средства анализа данных.
2. Карта методов scikit-learn.