Разработка машинного обучения

Создание высокотехнологичных сервисов и приложений на основе машинного обучения.
Для кого
Это направление подойдёт тем, кому нравится программировать и создавать сервисы и приложения, которыми смогут пользоваться тысячи и миллионы людей.
Чему мы учим
Писать эффективный код, строить и оптимизировать промышленно-эффективные data-driven системы.
Где применять эти знания
В разработке высокотехнологичных продуктов на основе машинного обучения.

Программа

В течение семестра каждый учащийся должен успешно пройти как минимум три курса. Например, если в основной программе их два, то необходимо выбрать какой-нибудь из спецкурсов.

Знания проверяются в первую очередь с помощью домашних заданий — экзамены и контрольные проводятся только по некоторым предметам.

Первый семестр
Обязательные
Алгоритмы и структуры данных, часть 1
01
Сложность и модели вычислений. Анализ учетных стоимостей (начало)
02
Анализ учетных стоимостей (окончание)
03
Алгоритмы Merge-Sort и Quick-Sort
04
Порядковые статистики. Кучи (начало)
05
Кучи (окончание)
06
Хеширование
07
Деревья поиска (начало)
08
Деревья поиска (продолжение)
09
Деревья поиска (окончание). Система непересекающихся множеств
10
Задачи RMQ и LCA
11
Структуры данных для геометрического поиска
12
Задача о динамической связности в ненаправленном графе
Теория вероятностей и линейная алгебра/дискретная математика
01
Основные комбинаторные величины и простейшие комбинаторные формулы
02
Комбинаторные тождества и формула Мёбиуса
03
Оценки и асимптотики для комбинаторных величин
04
Разбиения чисел на слагаемые
05
Рекуррентные соотношения и производящие функции
06
Основы теории графов и перечислительные задачи на графах
07
Элементы общего асимптотического анализа
08
Дискретная и геометрическая вероятность
09
Случайные величины и распределения
10
Законы больших чисел
11
Предельные теоремы
12
Основы статистики
Обучение языку C++, часть 1
Второй семестр
Обязательные
Машинное обучение, часть 1
01
Основные понятия и примеры прикладных задач
02
Метрические методы классификации
03
Логические методы классификации и решающие деревья
04
Градиентные линейные методы классификации
05
Метод опорных векторов
06
Многомерная линейная регрессия
07
Нелинейная и непараметрическая регрессия, нестандартные функции потерь
08
Прогнозирование временных рядов
09
Байесовские методы классификации
10
Логистическая регрессия
11
Поиск ассоциативных правил
На выбор
Алгоритмы и структуры данных, часть 2
01
Обход в ширину. Обход в глубину (начало)
02
Обход в глубину (продолжение)
03
Обход в глубину (окончание). 2-разрезы
04
Поиск кратчайших путей (начало)
05
Поиск кратчайших путей (продолжение)
06
Минимальные остовные деревья
07
Минимальные разрезы. Поиск подстрок (начало)
08
Поиск подстрок (продолжение)
09
Поиск подстрок (окончание)
10
Суффиксные деревья (начало)
11
Суффиксные деревья (окончание). Суффиксные массивы (начало)
12
Суффиксные массивы (окончание)
13
Длиннейшие общие подстроки. Приближенный поиск подстрок.
или
Язык Python
01
Основы языка (часть 1)
02
Основы языка (часть 2)
03
Объектно-ориентированное программирование
04
Обработка ошибок
05
Оформление и тестирование кода
06
Работа со строками
07
Модель памяти
08
Функциональное программирование
09
Обзор библиотек (часть 1)
10
Обзор библиотек (часть 2)
11
Параллельные вычисления в Python
12
Расширенная работа с объектами
или
Обучение языку C++, часть 2
Третий семестр
Обязательные
Машинное обучение, часть 2
01
Нейросетевые методы классификации и регрессии
02
Композиционные методы классификации и регрессии
03
Критерии выбора моделей и методы отбора признаков
04
Ранжирование
05
Обучение с подкреплением
06
Обучение без учителя
07
Задачи с частичным обучением
08
Коллаборативная фильтрация
09
Тематическое моделирование
На выбор
Natural Language Processing
или
Компьютерное зрение
или
Байесовские методы в машинном обучении
01
Байесовский подход к теории вероятностей
02
Аналитический байесовский вывод
03
Байесовский способ выбора модели
04
Автоматическое определение релевантности
05
Метод релевантных векторов для задачи классификации
06
Вероятностные модели с латентными переменными
07
Вариационный байесовский вывод
08
Байесовская модель разделения смеси гауссиан
09
Методы Монте-Карло с марковскими цепями
10
Латентное размещение Дирихле
11
Гауссовские процессы для регрессии и классификации
12
Непараметрические байесовские методы
Четвёртый семестр
Обязательные
ML Engineering Practice
ML Research Practice
Рекомендуемые спецкурсы
Глубинное обучение
Обучение с подкреплением
Self Driving Cars
Нейробайесовские методы