Аннотация рабочей программы дисциплины
«Методы машинного обучения»

Цель изучения дисциплины сформировать теоретические знания по основам машинного обучения для построения формальных математических моделей и интерпретации результатов моделирования;
выработать умения по практическому применению методов машинного обучения для построения формальных математических моделей и интерпретации результатов моделирования при решении прикладных задач в различных прикладных областях;
выработать умения и навыки использования различных программных инструментов анализа баз данных и систем машинного обучения.
Место дисциплины в учебном плане Б1.В.ДВ.02.03
Формируемые компетенции ПК-4
Знания, умения и навыки, получаемые в результате освоения дисциплины
Знать:
возможности, условия применимости и свойства наиболее распространенных методов машинного обучения при построении, проверке качества и эксплуатации формальных математических моделей;
наиболее значимые отечественные и зарубежные журналы в области машинного обучения; электронные ресурсы, связанные с машинным обучением, анализом данных, извлечением знаний из баз данных;
основные положения теории обучения по прецедентам;
методы предварительной обработки данных (переформатирования, устранения выбросов, заполнения пропусков, шкалирования, агрегации);
методы анализа многомерных данных;
методы снижения размерности данных и отбора информативных признаков;
методы кластеризации;
методы классификации;
методы регрессионного анализа;
иноязычную терминологию в области машинного обучения;
международные стандарты в области машинного обучения;
Уметь:
производить поиск и отбор публикаций по машинному обучению в различных источниках;
анализировать, обобщать и формировать сравнительные обзоры функциональных возможностей и технологических характеристик программных инструментов машинного обучения;
планировать исследование, основывающееся на анализе прецедентов и направленное на предсказательное моделирование;
применять методы машинного обучения при решении задач построения формальных математических моделей в различных прикладных областях;
использовать различные программные системы для построения и эксплуатации моделей машинного обучения;
использовать формальные математические модели для имитационного моделирования в режиме "что-если";
анализировать многомерные данные и преодолевать вычислительные проблемы связанные с высокой размерностью данных;
пользоваться иноязычной литературой и электронными ресурсами в области машинного обучения;
Иметь навыки и (или) опыт деятельности (владеть):
навыками построения и проверки качества формальных математических моделей;
навыками интерпретации формальных математических моделей в терминах прикладной области с целью получения новых нетривиальных знаний и выводов;
навыками использования высокоуровневых программных стердств для предварительной обработки исходных данных ; навыками использования высокоуровневых программных средств для решения типичных задач машинного обучения: кластеризации, классификации, регрессии;
Содержание дисциплины Введение в машинное обучение. Основные методы машинного обучения.
Виды учебной работы Лекции, практические, самостоятельная работа.
Используемые информационные, инструментальные и программные средства
Scilab
R STUDIO
Python c расширениями PIL, Py OpenGL
Microsoft Office
Microsoft Windows
7-Zip
AcrobatReader
Сайт библиотеки АлтГУ: www.lib.asu.ru;
Электронно-библиотечная система издательства "Лань": www.e.lanbook.com;
Электронно-библиотечная система "Университетская библиотека online": www.biblioclub.ru;
Свободная энциклопедия "Википедия": http://ru.wikipedia.org;
Единый образовательный портал http://portal.edu.asu.ru
Электронная база данных ZBMATH: https://zbmath.org/
Форма промежуточной аттестации Зачет.