Паспорт дисциплины Машинное обучение
Ключевые теоретические фигуры
А. Тьюринг, заложивший теоретические основы вычислимости и алгоритмического моделирования интеллектуального поведения. Я. ЛеКун, развивший архитектуру сверточных нейронных сетей и методы автоматического извлечения иерархических признаков из неструктурированных данных.
Базовые аналитические концепты и линзы
Обучение с учителем представляет собой процесс поиска функции отображения между входными данными и известными целевыми метками для прогнозирования новых случаев. Кластеризация функционирует как метод обучения без учителя, выявляющий скрытые группы или сегменты в данных на основе меры их сходства. Векторное представление определяет способ кодирования семантической информации в виде многомерных числовых массивов, сохраняющих смысловую близость объектов.
Единица анализа и процедура извлечения
Единицей анализа является вектор признаков или выявленный алгоритмический паттерн. Процедура извлечения включает токенизацию текстовых и табличных массивов, обучение моделей на размеченных данных корпуса и валидацию результатов для выявления латентных циклов и скрытых мостов между разрозненными проектами.
Специфический фокус применения к данному текстовому корпусу
В проекте «Информатика, наука о данных и инженерия знаний» дисциплина указывает на латентные корреляции между сезонной чувствительностью, продуктивностью в веб-разработке и частотой клиентских обращений через кластеризацию задач. Она маркирует точки делегирования смыслообразования, оценивая степень смещения авторского голоса при использовании генеративных моделей. Дисциплина выполняет функцию автоматизированной генерации черновиков терапевтических техник на основе существующих паттернов в архиве, снижая когнитивную нагрузку при рутинном планировании.
Библиографическое ядро
- Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль ; пер. с англ. А. А. Слинкина. — 2-е изд., испр. — Москва : ДМК Пресс, 2018. — 652 с. — ISBN 978-5-97060-539-4.
- Николенко, С. И. Глубокое обучение: погружение в мир нейронных сетей / С. И. Николенко, А. А. Кадурин, Е. О. Архангельская. — Санкт-Петербург : Питер, 2018. — 480 с. — ISBN 978-5-496-02553-9.
- Хасте, Т. Введение в статистическое обучение с примерами на R / Т. Хасте, Р. Тибширани, Дж. Фридман ; пер. с англ. — Москва : ДМК Пресс, 2022. — 592 с. — ISBN 978-5-93700-191-7.
- Мерфи, К. Машинное обучение: вероятностный подход / К. Мерфи ; пер. с англ. — Москва : ДМК Пресс, 2021. — 976 с. — ISBN 978-5-93700-170-2.
