4339

МИНОБРНАУКИ РОССИИ Федеральное государственное бюджетное образовательное учреждение высшего образования

«Нижегородский государственный архитектурно-строительный университет»

Д. И. Кислицын

МАШИННОЕ ОБУЧЕНИЕ И АНАЛИЗ ДАННЫХ

Учебно-методическое пособие

по подготовке к лекционным занятиям (включая рекомендации по организации самостоятельной работы) для обучающихся по дисциплине

«Машинное обучение и анализ данных» по направлению подготовки 09.04.02 Информационные системы и технологии

Нижний Новгород ННГАСУ

2022

1

УДК 681.3 (075)

Кислицын Д. И. Машинное обучение и анализ данных: учебно-методическое пособие / Д. И. Кислицын; Нижегородский государственный архитектурностроительный университет. – Нижний Новгород: ННГАСУ, 2022. – 7 с. - Текст: электронный.

дисциплине «Машинное обучение и анализ данных». Указывается необходимая литература и источники, разъясняется последовательность их изучения, выделяются наиболее сложные вопросы и даются рекомендации по их изучению.

Предназначено для обучающихся в ННГАСУ по дисциплине «Машинное обучение

ианализ данных» по направлению подготовки 09.04.02 Информационные системы

итехнологии.

Д. И. Кислицын, 2022ННГАСУ, 2022.

2

Учебно-методическое пособие по подготовке к лекционным занятиям (включая рекомендации по организации самостоятельной работы) по дисциплине «Машинное обучение и анализ данных» предназначены для студентов, обучающихся по направлению 09.04.02 Информационные системы и технологии, и содержат программу для проведения лекционных занятий, а также методические рекомендации по самостоятельной работе.

Цель учебно-методического пособия: помочь студентам при изучении учебной программы с использованием рекомендуемой учебно-методической литературы при формировании необходимых компетенций дисциплины «Машинное обучение и анализ данных».

Целями освоения дисциплины «Машинное обучение и анализ данных» являются достижение планируемых результатов обучения, соответствующих установленным в ОПОП индикаторам достижения компетенций.

Главной целью лекционных занятий является привитие студентам интереса к изучаемому материалу, формирование мотивации к последующему самостоятельному анализу рассматриваемой проблематики. Студентам раскрываются наиболее сложные вопросы и теоретические положения, показывается их практическая значимость, даются рекомендации по углубленному самостоятельному изучению теории и практики.

Материал пропущенных лекций студент восстанавливает самостоятельно и по всем непонятным положениям и вопросам обращается за разъяснением к преподавателю.

Самостоятельная работа направлена на развитие компетенций дисциплины: ПК-2 (ПК-4и). Способен адаптировать и применять методы и алгоритмы машинного обучения для решения прикладных задач в различных предметных

областях.

Виды и формы самостоятельной работы студентов по дисциплине: подготовка к учебным занятиям; подготовка к промежуточной аттестации

Содержание разделов дисциплины «Машинное обучение и анализ данных» представлено в таблице 1.

3

Таблица 1 Содержание разделов дисциплины

На консультациях в течение семестра студенты могут обсуждать с преподавателем различные вопросы тематике дисциплины.

В течение курса со студентами проводятся индивидуальные и групповые консультации по общетеоретическим вопросам, возникающим при самостоятельной работе студентов при подготовке к занятиям.

Перед экзаменом студентам выдаётся список примерных вопросов, по которым можно понять, на что нужно сделать упор при подготовке к экзамену. После получения перечня вопросов рекомендуется:

1)внимательно прочитать материал курса;

2)постараться разобраться с непонятными, в частности, новыми терминами, используя рекомендованную литературу;

3)выписать вопросы для подробного обсуждения с преподавателем на консультации.

Перечень примерных вопросов, выносимых на экзамен:

1.Основы функционального анализа: метрические и нормированные пространства.

2.Линейная алгебра в машинном обучении.

3.Теорема Кронекера-Капелли

4.Теория вероятностей и математическая статистика базовые инструменты анализа данных.

5.Основы анализа и численные методы оптимизации в задачах машинного обучения.

6.Функции многих переменных и понятие градиента.

7.Введение в предмет машинного обучения.

8.Основные законы распределения случайных величин.

9.Линейные модели и метрические методы.

4

10.Решающие деревья.

11.Основные недостатки решающих деревьев.

12.Основная идея бустинга. Бустинг на примере задачи регрессии.

13.Случайный лес и градиентный бустинг.

14.Идея наивного Байесовского классификатора.

15.Другие методы машинного обучения: Байесовские классификаторы и метод опорных векторов.

16.Нейронные сети – универсальные классификаторы.

17.Функции активации и другие особенности построения топологии искусственной нейронной сети

18.Сверточные ИНС – глубокое обучение.

19.Настройка моделей машинного обучения с размеченными данными.

20.Проблема исключающего или - XOR.

21.Основные методы кластеризации

22.Обучение без учителя: кластеризация.

23.Иерархическая кластеризация (таксономия).

24.Дендограммы и свойства монотонности.

25.Свойства сжатия, растяжения и редуктивности

26.Примеры решения задач кластеризации с использованием агломеративной кластеризации.

Показатели оценки по зачёту представлены в таблице 2.

Таблица 2 Описание шкал оценивания

Перечень учебной литературы, необходимой для освоения дисциплины.

1.Барский А. Б.. Введение в нейронные сети : Учебное пособие. / Барский А. Б. ; А. Б. Барский. – Москва, Саратов : Интернет-Университет Информационных Технологий (ИНТУИТ), Ай Пи Ар Медиа, 2020. – 357 с. – URL: URL: http://www.iprbookshop.ru/89426.html. – ISBN ISBN 978-5-4497-0309-5.

2.Барский Аркадий Бенционович. Нейронные сети: распознавание, управление, принятие решений / Барский Аркадий Бенционович ; Москва : Финансы и статистика, 2004. – 175 с. – ISBN ISBN 5-279-02757-Х.

3.Вакуленко, С. А.. Нейронные сети : учебное пособие. / Вакуленко, С. А., Жихарева, А. А. ; С. А. Вакуленко, А. А. Жихарева. – Санкт-Петербург : СанктПетербургский государственный университет промышленных технологий и дизайна, 2019. – 110 с. – URL: URL: http://www.iprbookshop.ru/102447.html. – ISBN ISBN 2227-8397.

4.Вентцель Елена Сергеевна. Теория вероятностей : учеб. для втузов. / Вентцель Елена Сергеевна ; Москва : Наука, 1969. – 576 с.

5.Павлова, А. И.. Искусственные нейронные сети : учебное пособие. / Павлова, А. И. ; А. И. Павлова. – Москва : Ай Пи Ар Медиа, 2021. – 190 с. – URL: URL: http://www.iprbookshop.ru/108228.html. – ISBN ISBN 978-5-4497-1165-6.

6.Станкевич Лев Александрович. Интеллектуальные системы и технологии : учебник и практикум для вузов : учебник и практикум для студентов высших учебных заведений, обучающихся по инженерно-техническим направлениям. / Станкевич Лев Александрович ; Москва : Юрайт, 2020. – 398 с. – ISBN ISBN 978- 5-534-02126-4.

7.Станкевич Лев Александрович. Интеллектуальные системы и технологии : учебник и практикум для вузов : учебник и практикум для студентов высших учебных заведений, обучающихся по инженерно-техническим направлениям. / Станкевич Лев Александрович ; Москва : Юрайт, 2021. – 398 с. – ISBN ISBN 978- 5-534-02126-4.

6

Кислицын Дмитрий Игоревич

МАШИННОЕ ОБУЧЕНИЕ И АНАЛИЗ ДАННЫХ

Учебно-методическое пособие

по подготовке к лекционным занятиям (включая рекомендации по организации самостоятельной работы) для обучающихся по дисциплине

«Машинное обучение и анализ данных» по направлению подготовки 09.04.02 Информационные системы и технологии

Федеральное государственное бюджетное образовательное учреждение высшего образования «Нижегородский государственный архитектурно-строительный университет»

603950, Нижний Новгород, ул. Ильинская, 65. http://www.nngasu.ru, srec@nngasu.ru

7