Штучний інтелект та методи машинного навчання

Анотація навчальної дисципліни

Мета дисципліни: освоєння концепцій, методів та засобів штучного інтелекту і машинного навчання, що є в наш час найефективнішими 

Практичне значення та використання отриманих знань: 
Навчитися будувати різноманітні моделі за допомогою машинного навчання та вміти їх використовувати для вирішення практичних завдань. Розвиток навичок практичного застосування методів машинного навчання для розробки інтелектуальних програм. 

Основні результати навчання

ПРН28 Здатність використовувати знання у системах штучного інтелекту (СШІ), принципів побудови СШІ, зокрема, експертних систем.
ПРН29 Здатність використовувати знання з технологій побудови інтелектуальних систем, представлення їх в загальній структурі ІТ.
ПРН30. Здатність використовувати системи штучного інтелекту для розв’язання прикладних задач у різних предметних галузях.
ПРН31. Здатність проектувати системи штучного інтелекту, експертні системи.
ПРН13 Знати і застосовувати методи розробки алгоритмів, конструювання програмного забезпечення та структур даних і знань.

Тематика та види навчальних занять

1    тиждень
Лекція 1. Вступ. 
Лабораторне заняття 1. Вивчення інструментів

2    тиждень
Лекція 2. Регресія. Постановка задачі. Проста лінійна модель, засоби побудови та оцінювання.
Практичне заняття 1. Розрахунок лінійної моделі регресії.

3    тиждень
Лекція 3. Побудова поліноміальних регресійних моделей та моделей з кількома ознаками. Оцінка ступеня перенавчання. 
Лабораторне заняття 2. Регресія.

4    тиждень
Лекція 4. Використання регресиї та додаткові теоретичні питання.
Практичне заняття 2. Оцінювання якості для моделі регресії.

5    тиждень
Лекція 5. Класифікація. Постановка задачі. Використання класифікаторів. Пороговий та лінійний класифікатори.
Лабораторне заняття 3. Класифікація (початок)

6    тиждень
Лекція 6. Метрики якості моделей класифікації. Криві навчання.
Практичне заняття 3. Розрахунок та оцінювання моделі класифікації

7    тиждень
Лекція 7. Огляд методів класифікації
Лабораторне заняття 4. Класифікація (закінчення)

8    тиждень
Лекція 8. Пошук схожих текстів. Алгоритм kNN.
Практичне заняття 4. Розрахунок для рішення задачі кластеризації
Модульна контрольна робота 1

9    тиждень
Лекція 9.  Кластеризація для поділу текстів на групи,  алгоритми, використання
Лабораторне заняття 5. Схожість

10    тиждень
Лекція 10. Рекомендаційні системи: постановка задачі, використання. Персоналізація. Методи для рекомендацій: класифікація, колоборативна фільтрація.
Практичне заняття 5. Розрахунок для рекомендації товарів

11    тиждень
Лекція 11. Факторизація матриці рейтингів для рекомендаційних систем. Метрики ефективності 
Лабораторне заняття 6. Рекомендаційні системи.

12    тиждень
Лекція 12. Узагальнення задачі класифікації. Класифікатори у вигляді нейроних мереж. Структура та засоби побудови двошарової нейронної мережі.
Практичне заняття 6. Розрахунок для навчання повнозв’язної нейронної мережі (початок)

13    тиждень
Лекція 13. Метод зворотного поширення помилки для навчання нейронних мереж. Історія розвитку нейронних мереж. 
Лабораторне заняття 7. Класифікація зображень на базі глибинного навчання (початок).

14    тиждень
Лекція 14. Глибинне навчання для комп’ютерного зору. Глибині згорткові нейроні мережі.
Практичне заняття 7. Розрахунок навчання повнозв’язної  нейронної мережі (продовження)

15    тиждень
Лекція 15.  Глибинні ознаки, перенос навчання (transfer learning)
Лабораторне заняття 8. Класифікація зображень на базі глибинного навчання (продовження).
Модульна контрольна робота 2

Оцінювання результатів навчання

Оцінювання результатів навчання з дисципліни здійснюється за накопичувальною системою, яка дає можливість здобувачеві протягом семестру отримати максимально 100 балів.
Модуль 1
Оцінка за виконання лабораторних робіт – максимально 16 балів за модуль.
Оцінка за виконання завдань практичних занять – максимально 8 балів за модуль.
Модульна контрольна робота – бездоганне виконання 26  балів (в кожному завданні модульної контрольної роботи наведено максимальну кількість балів за виконання завдання).
Модуль 2
Оцінка за виконання лабораторних робіт – максимально 16 балів за модуль.
Оцінка за виконання завдань практичних занять – максимально 8 балів за модуль.
Модульна контрольна робота – бездоганне виконання 26  балів (в кожному завданні модульної контрольної роботи наведено максимальну кількість балів за виконання завдання).

Посилання на рекомендовані джерела

1. Кононова К. Ю. Машинне навчання: методи та моделі: підручник для бакалаврів, магістрів та докторів філософії спеціальності 051 «Економіка» /К. Ю. Кононова. – Харків: ХНУ імені В. Н. Каразіна, 2020. – 301 с.
2. Ludmila Kuncheva. Pattern Recognition and Neural Networks. 2019, ISBN 978-0-244-23252-8
3. Методичні вказівки до лабораторних робіт з дисципліни “Штучний інтелект та методи машинного навчання” для студентів спеціальності 121 – Інженерія програмного  забезпечення  / Укл.: В.М. Рувінська, Л.С .Жиро. – Одеса: ОНПУ, 2022. – с. 30
4. Методичні вказівки до практичних занять з дисципліни “Штучний інтелект та методи машинного навчання” для студентів спеціальності 121 – Інженерія програмного  забезпечення  / Укл.: В.М. Рувінська. – Одеса: ОНПУ, 2022. – с. 16
5. Конспект лекцій з дисципліни “Штучний інтелект та методи машинного навчання” для студентів спеціальності 121 – Інженерія програмного  забезпечення  / Укл.: В.М. Рувінська.  – Одеса: ОНПУ, 2022. – с. 91