Аннотация рабочей программы дисциплины
«Машинное обучение»

Цель изучения дисциплины Цель изучения дисциплины – изучение современных математических методов машинного обучения, предназначенных для анализа данных и построения предсказательных моделей.
Задачи дисциплины:
- изучение математических основ методов машинного обучения и соответствующих алгоритмов;
- изучение современных программных сред и библиотек, позволяющих проводить анализ, визуализацию данных, применять современные математические методы машинного обучения;
- развитие практических навыков использования методов машинного обучения в прикладных задачах.
Место дисциплины в учебном плане Б1.О.02
Формируемые компетенции ОПК-1
Знания, умения и навыки, получаемые в результате освоения дисциплины
Знать:
алгоритмы машинного обучения, которые могут применяться в задачах обеспечения информационной безопасности
принципы работы составных структур данных, способы векторизации вычислений для ускорения расчетов
подходы к ускорению работы и улучшению сходимости методов машинного обучения
информационные ресурсы, посвященные применению методов машинного обучения
виды научных и научно-технических источников в сети Интернет, касающихся методов машинного обучения
Уметь:
пользоваться средой Jupyter Notebook для быстрого применения алгоритмов машинного обучения
работать с разнотипными данными, визуализировать их
оценивать простые метрики качества работы алгоритмов классификации и восстановления регрессии
осуществлять поиск по документации специализированных библиотек машинного обучения
пользоваться открытыми базами статей по тематике машинного обучения
Иметь навыки и (или) опыт деятельности (владеть):
базовым инструментарием для коллективной разработки алгоритмов машинного обучения
навыками создания интерактивных отчетов для задач машинного обучения
навыками интеграции различных библиотек для решения комплексных задач обработки данных
навыками работы с современными площадками для обмена знаниями в области машинного обучения
навыками участия в коллаборативной работе над прикладными проектами в области машинного обучения
Содержание дисциплины Введение в методы машинного обучения. Метрические методы машинного обучения. Линейные методы машинного обучения. Кластеризация и вероятностное моделирование данных. Экзамен.
Виды учебной работы Лекции, лабораторные, самостоятельная работа.
Используемые информационные, инструментальные и программные средства
Windows 7 Professional, № 60674416 от 17.07.2012 (бессрочная);
Office 2010 Professional, № 49464762 от 14.12.2011 (бессрочная);
Open Office, http://www.openoffice.org/license.html
Python c расширениями PIL, Py OpenGL, https://docs.python.org/3/license.html
FAR, http://www.farmanager.com/license.php?l=ru
7-Zip, http://www.7-zip.org/license.txt
AcrobatReader, http://wwwimages.adobe.com/content/dam/Adobe/en/legal/servicetou/Acrobat_com_Additional_TOU-en_US-20140618_1200.pdf
Chrome; http://www.chromium.org/chromium-os/licenses
DjVu reader, http://djvureader.org/
Профессиональные базы данных:
1. Электронная база данных «Scopus» (http://www.scopus.com);
2. Электронная библиотечная система Алтайского государственного университета (http://elibrary.asu.ru/);
3. Научная электронная библиотека elibrary (http://elibrary.ru)
Форма промежуточной аттестации Экзамен.