Код: 315352

Назва:

Машинне навчання

Анотація: Навчальна дисципліна " Машинне навчання " є нормативною для студентів 4-ого року навчання спеціальності “Комп’ютерні науки”. Курс складається з двох частин. В першій частині розлядається предмет та постановка задач Машинного навчання. Методи параметричної регресії. Метричні методи класифікації та регресії. Логічні алгоритми класифікації та методи їх побудови. Статистичні байєсівські методи класифікації. Друга частина курсу присвячена використанню штучних нейронних мереж (ШНМ). Розглядаються основи ШНМ. Згортка нейронних мереж. Рекурентні ШНМ. Глибинне навчання. Студенту пропонується логіко понятійний апарат, необхідний для засвоєння викладених технологій, а також приклади їх практичного застосування. Знання та практичний досвід, що будуть отримані в процесі вивчення курсу, дозволять значно розширити можливості студентів при засвоєнні комплексу спеціальних дисциплін та написанні дипломних проектів.

Тип дисципліни: нормативна

Рік навчання: 3

Семестр: весняний

Кількість кредитів: 4,0 (загальна кількість годин - 120 год.; аудиторні години - 42 год.; лекції - 14 год.; практичні заняття - 28 год.; самостійна робота - 78 год.)

Форма контролю: екзамен

Викладач(і): Гуминський В.В.,к.ф.м.н.,ст.в.

Результати навчання: Після завершення цього курсу студент буде:

– знати:сучасний стан та тренди розвитку Машинного Навчання, як одного з головних елементів Штучного Інтелекту.

– вміти: застосовувати на практиці методи вирішення задач, побудови відповідних моделей та алгоритмів Машинного Навчання, а саме параметричної регресії, метричні, логічнні методи класифікації, статистичні баєсівські методи, штучні нейронні мережі, та методи глибинного навчання згорткові ШНМ, рекурентні ШНМ.


Спосіб навчання: аудиторне

Необхідні обовязкові попередні й супутні модулі: Дисципліна "Машинне навчання" є базовою нормативною дисципліною

Зміст дисципліни: Навчальна дисципліна " Машинне навчання " є нормативною для студентів 4-ого року навчання спеціальності “Комп’ютерні науки”. Курс складається з двох частин. В першій частині розлядається предмет та постановка задач Машинного навчання. Методи параметричної регресії. Метричні методи класифікації та регресії. Логічні алгоритми класифікації та методи їх побудови. Статистичні байєсівські методи класифікації. Друга частина курсу присвячена використанню штучних нейронних мереж (ШНМ). Розглядаються основи ШНМ. Згортка нейронних мереж. Рекурентні ШНМ. Глибинне навчання. Студенту пропонується логіко понятійний апарат, необхідний для засвоєння викладених технологій, а також приклади їх практичного застосування. Знання та практичний досвід, що будуть отримані в процесі вивчення курсу, дозволять значно розширити можливості студентів при засвоєнні комплексу спеціальних дисциплін та написанні дипломних проектів.


Рекомендована література:
1. Бринк Х., Ричардс Д., Феверолф М. Машинное обучение. -СПб.:Питер,2017. - 336 с.
2. Шакла Нишант. Машинное обучение и TensorFlow. - СПб.: Питер, 2019. - 336 с.: ил.
3. Жерон Орельен. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем. Пер. с англ. - СпБ.: ООО «Альфа-книга»: 2018. - 688 с.: ил.
4. Люгер Д. Искусственный интеллект. Стратегии и методы решения сложных проблем: пер. с англ. – 4-е изд. – Москва: Вильямс, 2005. – 864 с.
5. Алексеева Т.В. Информационные аналитические системы [Электронный ресурс] : учебник / Т.В. Алексеева, Ю.В. Амириди, В.В. Дик и др.; под ред. В.В. Дика. – М.: МФПУ Синергия, 2013. – 384 с. Режим доступа: http://znanium.com/bookread2.php?book=451186
6. Барсегян А.А. Анализ данных и процессов / А.А. Барсегян, М.С. Куприянов, И.И. Холод, М. Тесс, С. Елизаров. – Санкт-Петербург: «БХВПетербург», 2009.
7. Загоруйко Н.Г. Прикладные методы анализа данных и знаний / Н.Г. Загоруйко. – Новосибирск: ИМ СО РАН, 1999. – 270 с.
8. Куприянов М. С. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP [Электронный ресурс] – 2-е изд., перераб. и доп. / М.С. Куприянов, А.А. Барсегян, В.В. Степаненко. – СПб.: БХВ-Петербург, 2007. – 384 с. Режим доступа:http://znanium.com/bookread2.php?book=489445
9. Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е изд. / Д.Ф. Люгер. – М.: Издательский дом «Вильямс», 2003. – 864 с.
10. Николенко С. Глубокое обучение / С. Николенко, А. Кадурин, Е. Архангельская. – СПб.: Питер. – Серия «Библиотека программиста», 2018. – 480 с.
11. Рассел С. Искусственный интеллект: современный подход, 3-е изд. / С. Рассел, П. Норвиг. – М.: Издательский дом «Вильямс», 2013. – 1408 с.
12. Дюран Б. Кластерный анализ / Б.Дюран, П.Оделл. - М.: Статистика, 1977. - 128с
13. Рашка С. Python и машинное обучение / пер. с англ. А.В. Логунова. – М. : ДМК Пресс, 2017. – 418 с.
14. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных [Текст] : учебник / П. Флах. – М.: ДМК Пресс, 2015. – 400 c.
15. Хайкин С. Нейронные сети: полный курс. 2-е изд. /С. Хайни. – М.: Издательский дом «Вильямс», 2006. – 1104 с.
16. Shakya A. Community-driven linked data authoring and production of consolidated linked data / A. Shakya, H. Takeda, V. Wuwongse. // International Journal on Semantic Web and Information Systems (Special Issue on Linked Data). - 2009.


Форми та методи навчання: лекції, семінарські заняття, самостійна робота

Методи й критерії оцінювання: рейтингове оцінювання за 100-бальною системою: поточний контроль - 60 балів (опитування, виступи на семінарах, індивідуальне письмове завдання); підсумковий контроль - 40 балів (письмовий залік).

Мова навчання: українська