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, в том числе связанных с обеспечением информационной безопасности. |
---|---|
Место дисциплины в учебном плане | Б1.В.01 |
Формируемые компетенции | ПК-2 | 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. Линейные методы. Обучение без учителя. 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. |