МИНОБРНАУКИ РОССИИ
федеральное государственное бюджетное образовательное учреждение высшего образования
«Алтайский государственный университет»

Машинное обучение

рабочая программа дисциплины
Закреплена за кафедройКафедра информатики
Направление подготовки09.04.01. Информатика и вычислительная техника
ПрофильИнженерия искусственного интеллекта
Форма обученияЗаочная
Общая трудоемкость6 ЗЕТ
Учебный планz09_04_01_Информатика и вычислительная техника_ИИИ-2025
Часов по учебному плану 216
в том числе:
аудиторные занятия 20
самостоятельная работа 183
контроль 13
Виды контроля по курсам
экзамены: 1
зачеты: 1

Распределение часов по курсам

Курс 1 Итого
Вид занятий УПРПДУПРПД
Лекции 6 6 6 6
Лабораторные 14 14 14 14
Сам. работа 183 183 183 183
Часы на контроль 13 13 13 13
Итого 216 216 216 216

Программу составил(и):
канд. физ.-мат. наук, Козлов Д.Ю.

Рецензент(ы):
канд. физ.-мат. наук, Пономарев И.В.

Рабочая программа дисциплины
Машинное обучение

разработана в соответствии с ФГОС:
Федеральный государственный образовательный стандарт высшего образования - магистратура по направлению подготовки 09.04.01 Информатика и вычислительная техника (приказ Минобрнауки России от 19.09.2017 г. № 918)

составлена на основании учебного плана:
09.04.01 Информатика и вычислительная техника
утвержденного учёным советом вуза от 29.04.2025 протокол № 6.

Рабочая программа одобрена на заседании кафедры
Кафедра информатики

Протокол от г. №
Срок действия программы: 2025-2027 уч. г.

Заведующий кафедрой
Козлов Денис Юрьевич


1. Цели освоения дисциплины

1.1.Целью освоения дисциплины «Машинное обучение» является освоение студентами
основных вопросов теории вероятности, методов оптимизации и стохастических процессов
для дальнейшего применения в разработке алгоритмов машинного обучения.
Для того чтобы уверенно решать задачи анализа данных и создавать собственные
продукты в области искусственного интеллекта, мало владеть основными методами
машинного обучения и нейронных сетей: важно понимать и уметь применить в работе
законы математики и статистики у них "под капотом".

2. Место дисциплины в структуре ООП

Цикл (раздел) ООП: Б1.О.2

3. Компетенции обучающегося, формируемые в результате освоения дисциплины

ПК-3Способен разрабатывать и применять методы и алгоритмы машинного обучения для решения задач
ПК-3.1 Ставит задачи по разработке или совершенствованию методов и алгоритмов для решения комплекса задач предметной области.
ПК-3.2 Руководит исследовательской группой по разработке или совершенствованию методов и алгоритмов для решения комплекса задач предметной области.
ПК-3.3 Разрабатывает унифицированные и обновляемые методологии описания, сбора иразметки данных, а также механизмы контроля за соблюдением указанных методологий.
В результате освоения дисциплины обучающийся должен
3.1.Знать:
3.1.1.современные информационно-коммуникационные и интеллектуальные технологии, инструментальные среды, программно-технические платформы для решения профессиональных задач

методологические подходы к выбору и разработке методов получения знаний инженером по знаниям от экспертов; извлечения знаний из данных и текстов и применения соответствующих инструментальных средств

классы методов и алгоритмов машинного обучения
3.2.Уметь:
3.2.1.обосновывать выбор современных информационно-коммуникационных и интеллектуальных технологий, разрабатывать оригинальные программные средства для решения профессиональных задач

выбирать и применять методы и средства получения знаний инженером по знаниям от экспертов извлечения знаний из данных и текстов

ставить задачи и разрабатывать новые методы и алгоритмы машинного обучения
3.3.Иметь навыки и (или) опыт деятельности (владеть):
3.3.1.методами разработки оригинальных программных средств, в том числе с использованием современных информационно-коммуникационных и интеллектуальных технологий, для решения профессиональных задач


4. Структура и содержание дисциплины

Код занятия Наименование разделов и тем Вид занятия Курс Часов Компетенции Литература
Раздел 1. Базовые понятия машинного обучения. Данные. Предварительная обработка данных
1.1. Определение машинного обучения (МО). Развитие МО: основные исторические этапы. Классификация задач в МО. Базовые понятия в МО. Типы данных. Представление данных. Базы данных. Библиотека Pandas для Машинного Обучения. Стандартизация. Нормализация. Степенное преобразование. Поиск выбросов. Лекции 1 1 Л1.1, Л2.1, Л2.2, Л1.2
1.2. Определение машинного обучения (МО). Классификация задач в МО. Базовые понятия в МО. Типы данных. Представление данных. Базы данных. Библиотека Pandas для Машинного Обучения. Стандартизация. Нормализация. Степенное преобразование. Поиск выбросов. Лабораторные 1 1 Л1.1, Л2.1, Л2.2, Л1.2
1.3. Определение машинного обучения (МО). Развитие МО: основные исторические этапы. Классификация задач в МО. Базовые понятия в МО. Типы данных. Представление данных. Базы данных. Библиотека Pandas для Машинного Обучения. Стандартизация. Нормализация. Степенное преобразование. Поиск выбросов. Сам. работа 1 34 Л1.1, Л2.1, Л2.2, Л1.2
Раздел 2. Линейная Алгебра. Методы разложения матриц. Основы математического анализа
2.1. Векторы. Операции над векторами. Матрицы. Операции над матрицами. Определитель матрицы. Собственные векторы и значение. Библиотека NumPy для Машинного Обучения Матрица ковариации. Метод Главных Компонент (PCA). Сингулярное разложение Матрицы (SVD). Элементарные функции. Производная. Общие понятия. Функция многих переменных. Частные производные. Градиент. Матрица Гессе. Оптимизация Лекции 1 1 Л1.1, Л2.1, Л2.2, Л1.2
2.2. Векторы. Операции над векторами. Матрицы. Операции над матрицами. Определитель матрицы. Собственные векторы и значение. Библиотека NumPy для Машинного Обучения Матрица ковариации. Метод Главных Компонент (PCA). Сингулярное разложение Матрицы (SVD). Элементарные функции. Производная. Общие понятия. Функция многих переменных. Частные производные. Градиент. Матрица Гессе. Оптимизация Лабораторные 1 1 Л1.1, Л2.1, Л2.2, Л1.2
2.3. Векторы. Операции над векторами. Матрицы. Операции над матрицами. Определитель матрицы. Собственные векторы и значение. Библиотека NumPy для Машинного Обучения Матрица ковариации. Метод Главных Компонент (PCA). Сингулярное разложение Матрицы (SVD). Элементарные функции. Производная. Общие понятия. Функция многих переменных. Частные производные. Градиент. Матрица Гессе. Оптимизация Сам. работа 1 34 Л1.1, Л2.1, Л2.2, Л1.2
Раздел 3. Кластеризация. Регрессия. Классификация
3.1. Элементарные функции. Производная. Общие понятия. Функция многих переменных. Частные производные. Градиент. Матрица Гессе. Оптимизация . Линейная Регрессия. Метрики моделей регрессии. Метод наименьших квадратов. Градиентный спуск. Регуляризация.Типы задач классификации. Метрики классификации. Матрица ошибок. Логистическая регрессия. Лекции 1 1 Л1.1, Л2.1, Л2.2, Л1.2
3.2. Элементарные функции. Производная. Общие понятия. Функция многих переменных. Частные производные. Градиент. Матрица Гессе. Оптимизация . Линейная Регрессия. Метрики моделей регрессии. Метод наименьших квадратов. Градиентный спуск. Регуляризация.Типы задач классификации. Метрики классификации. Матрица ошибок. Логистическая регрессия. Лабораторные 1 4 Л1.1, Л2.1, Л2.2, Л1.2
3.3. Элементарные функции. Производная. Общие понятия. Функция многих переменных. Частные производные. Градиент. Матрица Гессе. Оптимизация . Линейная Регрессия. Метрики моделей регрессии. Метод наименьших квадратов. Градиентный спуск. Регуляризация.Типы задач классификации. Метрики классификации. Матрица ошибок. Логистическая регрессия. Сам. работа 1 34 Л1.1, Л2.1, Л2.2, Л1.2
Раздел 4. Библиотеки Машинного Обучения
4.1. Библиотека sklearn. Функции, классы, методы. Применение библиотеки sklearn для решения задач регрессии, классификации и кластеризации. Метрики качества машинного обучения. Задачи и подходы кластеризации. Условия задач кластеризации. Иерархическая кластеризация. Кластеризация DBSCAN. Сравнение алгоритмов. Опорные вектора. Зазор (margin). Ядра. Kernel Trick. Применение метода опорных векторов в задачах классификации и регрессии. Классификатор к-ближайших соседей (k-nearest neighbors). Регрессия к-ближайших соседей. Neighnorhood Component Analysis. Визуализация данных методом t-SNE. Теорема Байеса. Наивный Байесовский классификатор. Дискриминантный Анализ. Линейный дискриминант Фишера. Применение деревьев решений для решения задач классификации и регрессии. Основные элементы деревьев решений. Методы усреднения. Бэггинг. Случайный Лес (Random Forest). Методы Бустинга. AdaBoost. Градиентный бустинг. Получение Данных. Предварительная Обработка. Отбор значимых параметров (feature selection). Выбор Модели. Оценка Модели. Настройка модели (fine-tuning). Анализ Модели. Лекции 1 1 Л1.1, Л2.1, Л2.2, Л1.2
4.2. Библиотека sklearn. Функции, классы, методы. Применение библиотеки sklearn для решения задач регрессии, классификации и кластеризации. Метрики качества машинного обучения. Задачи и подходы кластеризации. Условия задач кластеризации. Иерархическая кластеризация. Кластеризация DBSCAN. Сравнение алгоритмов. Опорные вектора. Зазор (margin). Ядра. Kernel Trick. Применение метода опорных векторов в задачах классификации и регрессии. Классификатор к-ближайших соседей (k-nearest neighbors). Регрессия к-ближайших соседей. Neighnorhood Component Analysis. Визуализация данных методом t-SNE. Теорема Байеса. Наивный Байесовский классификатор. Дискриминантный Анализ. Линейный дискриминант Фишера. Применение деревьев решений для решения задач классификации и регрессии. Основные элементы деревьев решений. Методы усреднения. Бэггинг. Случайный Лес (Random Forest). Методы Бустинга. AdaBoost. Градиентный бустинг. Получение Данных. Предварительная Обработка. Отбор значимых параметров (feature selection). Выбор Модели. Оценка Модели. Настройка модели (fine-tuning). Анализ Модели. Лабораторные 1 4 Л1.1, Л2.1, Л2.2, Л1.2
4.3. Библиотека sklearn. Функции, классы, методы. Применение библиотеки sklearn для решения задач регрессии, классификации и кластеризации. Метрики качества машинного обучения. Задачи и подходы кластеризации. Условия задач кластеризации. Иерархическая кластеризация. Кластеризация DBSCAN. Сравнение алгоритмов. Опорные вектора. Зазор (margin). Ядра. Kernel Trick. Применение метода опорных векторов в задачах классификации и регрессии. Классификатор к-ближайших соседей (k-nearest neighbors). Регрессия к-ближайших соседей. Neighnorhood Component Analysis. Визуализация данных методом t-SNE. Теорема Байеса. Наивный Байесовский классификатор. Дискриминантный Анализ. Линейный дискриминант Фишера. Применение деревьев решений для решения задач классификации и регрессии. Основные элементы деревьев решений. Методы усреднения. Бэггинг. Случайный Лес (Random Forest). Методы Бустинга. AdaBoost. Градиентный бустинг. Получение Данных. Предварительная Обработка. Отбор значимых параметров (feature selection). Выбор Модели. Оценка Модели. Настройка модели (fine-tuning). Анализ Модели. Сам. работа 1 41 Л1.1, Л2.1, Л2.2, Л1.2
Раздел 5. Библиотеки Машинного Обучения
5.1. Feature Engineering. Исследовательский анализ данных. One-hot encoding. Mean Encoding. Методология разработки задач. Определение бизнес-требований. Сбор и подготовка данных. Разработка модели. Тестирование и внедрение модели. Проблемы разработки моделей. Лекции 1 2 Л1.1, Л2.1, Л2.2, Л1.2
5.2. Feature Engineering. Исследовательский анализ данных. One-hot encoding. Mean Encoding. Методология разработки задач. Определение бизнес-требований. Сбор и подготовка данных. Разработка модели. Тестирование и внедрение модели. Проблемы разработки моделей. Лабораторные 1 4 Л1.1, Л2.1, Л2.2, Л1.2
5.3. Feature Engineering. Исследовательский анализ данных. One-hot encoding. Mean Encoding. Методология разработки задач. Определение бизнес-требований. Сбор и подготовка данных. Разработка модели. Тестирование и внедрение модели. Проблемы разработки моделей. Сам. работа 1 40 Л1.1, Л2.1, Л2.2, Л1.2

5. Фонд оценочных средств

5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины
в приложении
5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.)
в приложении
5.3. Фонд оценочных средств для проведения промежуточной аттестации
в приложении

6. Учебно-методическое и информационное обеспечение дисциплины

6.1. Рекомендуемая литература
6.1.1. Основная литература
Авторы Заглавие Издательство, год Эл. адрес
Л1.1 Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных: Издательство "ДМК Пресс", 2015 e.lanbook.com
Л1.2 Шарден Б., Массарон Л., Боскетти А. Крупномасштабное машинное обучение вместе с Python: Учебные пособия Издательство "ДМК Пресс", 2018 //ЭБС издательства «Лань» e.lanbook.com
6.1.2. Дополнительная литература
Авторы Заглавие Издательство, год Эл. адрес
Л2.1 Коэльо Л.П., Ричарт В. Построение систем машинного обучения на языке Python: Издательство "ДМК Пресс", 2016 e.lanbook.com
Л2.2 Рашка С. Python и машинное обучение: крайне необходимое пособие по новейшей предсказательной аналитике, обязательное для более глубокого понимания методологии машинного обучения: Самоучители и руководства Издательство "ДМК Пресс", 2017 e.lanbook.com
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет"
Название Эл. адрес
Э1 Курс Машинное обучение elearn.urfu.ru
Э2 Курс Methods of Machine Learning elearn.urfu.ru
Э3 Машинное обучение portal.edu.asu.ru
6.3. Перечень программного обеспечения
Браузер (Google Chrome,
Mozilia Firefox)Microsoft Office 2010 (Office 2010 Professional, № 4065231 от 08.12.2010), (бессрочно);
Microsoft Windows 7 (Windows 7 Professional, № 61834699 от 22.04.2013), (бессрочно);
Chrome (http://www.chromium.org/chromium-os/licenses), (бессрочно); 7-Zip (http://www.7-zip.org/license.txt), (бессрочно);
AcrobatReader (http://wwwimages.adobe.com/content/dam/Adobe/en/legal/servicetou/Acrobat_com_Additional_TOU-en_US-20140618_1200.pdf), (бессрочно);
ASTRA LINUX SPECIAL EDITION (https://astralinux.ru/products/astra-linux-special-edition/), (бессрочно);
LibreOffice (https://ru.libreoffice.org/), (бессрочно);
Веб-браузер Chromium (https://www.chromium.org/Home/), (бессрочно);
Антивирус Касперский (https://www.kaspersky.ru/), (до 23 июня 2024);
Архиватор Ark (https://apps.kde.org/ark/), (бессрочно);
Okular (https://okular.kde.org/ru/download/), (бессрочно);
Редактор изображений Gimp (https://www.gimp.org/), (бессрочно)
6.4. Перечень информационных справочных систем
Профессиональные базы данных, информационно-справочные системы
1. Цифровая библиотека научно-технических изданий Института инженеров по
электротехнике и радиоэлектронике (Institute of Electrical and Electronic Engineers (IEEE)) на
английском языке – http://www.ieee.org/ieeexplore
2. Oxford University Press – http://www.oxfordjournals.org/en/
3. Архив препринтов с открытым доступом – https://arxiv.org/
Материалы для лиц с ОВЗ
Весь контент ЭБС представлен в виде файлов специального формата для воспроизведения
синтезатором речи, а также в тестовом виде, пригодном для прочтения с использованием
экранной лупы и настройкой контрастности.
Базы данных, информационно-справочные и поисковые системы
1. Academic Search Ultimate EBSCO publishing – http://search.ebscohost.com
2. eBook Collections Springer Nature – https://link.springer.com/
3. Гугл Академия – https://scholar.google.ru/
4. СПС КонсультантПлюс (инсталлированный ресурс АлтГУ или
http://www.consultant.ru/).
5. Электронная база данных «Scopus» (http://www.scopus.com);
6. Электронная библиотечная система Алтайского государственного университета
(http://elibrary.asu.ru/);
7. Электронный научный архив УрФУ – https://elar.urfu.ru/
8. Зональная научная библиотека (УрФУ) – http://lib2.urfu.ru/
9. Портал информационно-образовательных ресурсов УрФУ – study.urfu.ru
10. Электронно-библиотечная система «Лань» – e.lanbook.com
11. Университетская библиотека ONLINE – biblioclub.ru
12. Электронно-библиотечная система "Библиокомплектатор" (IPRbooks) –
bibliocomplectator.ru/available
13. Электронные информационные ресурсы Российской государственной библиотеки –
www.rsl.ru
14. Научная электронная библиотека – http://elibrary.ru/
15. Научная электронная библиотека «КиберЛенинка» – https://cyberleninka.ru/
16. Web of Science Core Collection – http://apps.webofknowledge.com/

7. Материально-техническое обеспечение дисциплины

Аудитория Назначение Оборудование
107Л лаборатория информационных технологий - компьютерный класс - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации Учебная мебель на 18 посадочных мест; компьютеры: марка HP, модель ProOne 400 - 18 единиц; проектор: марка SMART, модель UF70 - 1 единица; интерактивная доска: марка SMART Board модель SMB680 - 1 единица
205Л лаборатория информационных технологий - компьютерный класс - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации Учебная мебель на 9 посадочных мест; компьютеры: марка КламаС Офис, мониторы: марка ACER модель V223HQL - 8 единиц; доска интерактивная Triumph MULTI TOUCH 78 + проектор NEC UM280X в комплекте
204Л лаборатория информационных технологий - компьютерный класс - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации Учебная мебель на 14 посадочных мест; компьютеры: марка DEPO модель Neos 260 - 14 единиц; Интерактивная доска Smart board 680 IV со встроенным проектором v25
Учебная аудитория для проведения занятий лекционного типа, занятий семинарского типа (лабораторных и(или) практических), групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации, курсового проектирования (выполнения курсовых работ), проведения практик Стандартное оборудование (учебная мебель для обучающихся, рабочее место преподавателя, доска, мультимедийное оборудование стационарное или переносное)

8. Методические указания для обучающихся по освоению дисциплины

Изучение дисциплины завершается экзаменом. Успешное изучение дисциплины требует посещения лекций, активной работы на лабораторных работах, выполнения всех практических заданий преподавателя, ознакомления с основной и дополнительной литературой. Во время лекции студент должен вести краткий конспект. При этом обучающийся должен стараться найти ответы на затруднительные вопросы, используя рекомендуемую литературу или общедоступные ресурсы. Если ему самостоятельно не удалось разобраться в материале, необходимо сформулировать вопросы и обратится за помощью к преподавателю на консультации или ближайшей лекции. Выполнение студентами практических заданий направлено на:
- обобщение, систематизацию, углубление, закрепление полученных теоретических знаний по конкретным темам дисциплин;
- формирование необходимых профессиональных умений и навыков.
Помимо собственно выполнения практических заданий для каждого задания предусмотрена процедура защиты, в ходе которой преподаватель проводит устный или письменный опрос студентов для контроля понимания выполненных ими действий по теме занятия.
Самостоятельная работа.
- При изучении дисциплины не все вопросы рассматриваются на занятиях, часть вопросов рекомендуется преподавателем для самостоятельного изучения.
- Поиск ответов на вопросы и выполнение заданий для самостоятельной работы позволит вам расширить и углубить свои знания по курсу, применить теоретические знания в решении задач практического содержания, закрепить изученное ранее.
- Эти задания следует выполнять не «наскоком», а постепенно, планомерно, следуя порядку изучения тем курса.
- При возникновении вопросов обратитесь к преподавателю в день консультаций на кафедру.
- Выполнив их, проанализируйте качество их выполнения. Это поможет вам развивать умения самоконтроля и оценочные компетенции.
При подготовке к экзамену в дополнение к изучению конспектов лекций, учебно-методических материалов и слайдов, необходимо пользоваться учебной литературой, рекомендованной настоящей программой. При подготовке к экзамену нужно изучить определения всех понятий и теоретические подходы до состояния понимания материала, а также выполнить все практические задания в курсе.