Штучний інтелект та методи машинного навчання

Анотація навчальної дисципліни

Мета дисципліни: освоєння методів та засобів машинного навчання і розвиток навичок їх практичного застосування

Завдання дисципліни:
Ознайомитись з концепціями, методами та засобами штучного інтелекту та машинного навчання

Навчитися будувати різноманітні моделі за допомогою машинного навчання та вміти їх використовувати для вирішення практичних завдань

Основні результати навчання

Знати і застосовувати методи розробки алгоритмів, конструювання програмного забезпечення та структур даних і знань.

Здатність використовувати знання з у системах штучного інтелекту (СШІ), принципів побудови СШІ, зокрема, експертних систем.  

Здатність використовувати знання з технологій побудови інтелектуальних систем, представлення їх в загальній структурі ІТ.

Здатність використовувати системи штучного інтелекту для розв’язання прикладних задач у різних предметних галузях.

Здатність проектувати системи штучного інтелекту, експертні системи. 

Форми організації освітнього процесу та види навчальних занять

Л – лекційні заняття; ЛЗ – лабораторні заняття; СРС – самостійна робота здобувача вищої освіти; МКР – модульна контрольна робота; К – консультації.

Тематика та види навчальних занять

1    тиждень

Л1. Вступ. 
ЛЗ1. Вивчення інструментів
СРС. К.

2    тиждень

Л2. Регресія. Постановка задачі. Проста лінійна модель, засоби побудови та оцінювання.
СРС. К.

3    тиждень

Л3. Регресія. Побудова поліноміальних моделей та моделей з кількома ознаками. Оцінка ступеня перенавчання. 
ЛЗ2. Регресія.
СРС. К.

4    тиждень

Л4. Регресія. Використання та додаткові теоретичні питання.
СРС. К.

5    тиждень

Л5. Класифікація. Постановка задачі. Загальна схема роботи класифікаторів, використання.  
ЛЗ3. Класифікація (початок)
СРС. К.

6    тиждень

Л6. Класифікація. Пороговий та лінійний класифікатори. Метрики якості моделей. Криві навчання.
СРС. К.

7    тиждень

Л7. Класифікація. Огляд методів класифікації
ЛЗ4. Класифікація (закінчення)
СРС. К.

8    тиждень

Л8. Схожість та кластеризація. Постановка задачі 1 – пошук схожих статей в корпусі. Алгоритм kNN.
МКР1. СРС. К.

9    тиждень

Л9. Схожість та кластеризація. Постановка задачі 2 - кластеризація для поділу документів на групи. Алгоритми кластеризації. Використання кластеризації.
ЛЗ5. Схожість.
СРС. К.

10    тиждень
Л10. Рекомендаційні системи. Постановка задачі, використання. Персоналізація. Методи для рекомендацій: класифікація, колаборативна фільтрація.
СРС. К.

11    тиждень
Л11. Рекомендаційні системи. Факторизація матриці рейтингів (переваг). Метрики ефективності для рекомендаційних систем
ЛЗ6. Рекомендаційні системи.
СРС. К.

12    тиждень
Л12. Нейроні мережі. Узагальнення задачі класифікації. Класифікатори у вигляді нейроних мереж. Структура та засоби побудови двошарової нейронної мережі.
СРС. К.

13    тиждень
Л13. Нейроні мережі. Метод зворотного поширення помилки для навчання нейронних мереж. Історія розвитку нейронних мереж. Використання hand-made детекторів в комп’ютерному зорі. 
ЛЗ7. Побудова класифікаторів зображень на базі глибинного навчання за допомогою згорткових нейронних мереж (початок).
СРС. К.

14    тиждень
Л14. Глибинне навчання для комп’ютерного зору. Глибині згорткові нейроні мережі.
СРС. К.

15    тиждень
Л15. Глибинні ознаки: глибинне навчання + перенос навчання (transfer learning).
ЛЗ8. Побудова класифікаторів зображень на базі глибинного навчання за допомогою згорткових нейронних мереж (продовження).
МКР2. СРС. К.

Індивідуальна робота 

Виконується РГР. Мета виконання розрахунково-графічної роботи (РГР) складається в закріпленні, поглибленні й розширенні отриманих студентами знань в ході роботи на лекціях та лабораторних заняттях, в оволодінні  практичними навичками в застосуванні методів машинного навчання.
Розрахунково-графічна робота включає п’ять тем і полягає в проведенні розрахунків на базі методів машинного навчання.

1–2 тижні

Одержання й уточнення завдання по темі «Розрахунок та оцінювання моделі регресії на основі МНК»

3- 4 тижні

Виконання та захист завдання

5 тиждень

Одержання й уточнення завдання по темі «Розрахунок та оцінювання моделі класифікації на базі SVM»

6 – 8 тижні

Виконання та захист завдання

9 тиждень

Одержання й уточнення завдання по темі «Розрахунок для кластеризації даних за допомогою метода k-means»

10 тиждень

Виконання та захист завдання

11 тиждень

Одержання й уточнення завдання по темі «Розрахунок для рекомендації товарів методами колаборативної фільтрації та факторизації матриці переваг»

12 тиждень

Виконання та захист завдання

13 тиждень

Одержання й уточнення завдання по темі «Розрахунок навчання повнозв’язної нейронної мережі методом зворотного поширення помилки та оцінювання результату»

14 - 15 тижні

Виконання та захист завдання

Процедура оцінювання

Модульні контрольні роботи №1 і №2 виконуються у письмовій формі. Максимальна оцінка за бездоганне виконання модульних контрольних робіт становить 25 балів.
Модульні контрольні роботи містять відповіді на тести, а також виконання розрахункових робіт. Для модульної контрольної роботи №1 бали по завданням розподіляються наступним чином: максимально – 3, 3, 3, 3, 3, 3, 8 (всього – 26 балів). Для модульної контрольної роботи №2 бали по завданням розподіляються наступним чином: максимально – 6, 10, 10 (всього – 26 балів). 
Якщо відповідь на теоретичне питання правильна та повна, то ставиться максимальний бал; якщо правильна, але неповна, то знімається 1/2 або 1/3 від максимального балу в залежності від ступеня повноти; якщо відповідь невірна, то знімаються всі бали. 
Завдання практичної частини складаються в проведенні розрахунків на базі методів машинного навчання. Якщо студент виконав розрахунок вірно, то він одержує максимальний бал; якщо виконав не весь розрахунок, то знімається 3/4, 1/2 або 1/3 від максимального балу в залежності від ступеня повноти; якщо відповідь невірна, то знімаються всі бали. 

За результатами виконання лабораторних робіт та захисту протоколів студент може отримати до 8 балів за кожний модуль, тобто 16 балів за семестр.
За результатами опитувань протягом лабораторних занять студент може отримати до 8 балів за кожний модуль, тобто 16 балів за семестр.
За результатами виконання РГР та захисту протоколів студент може отримати до 8 балів за кожний модуль, тобто 16 балів за семестр.
Якщо студент виконав лабораторну роботу, РГР, розрахунок або відповідь на опитування бездоганно та своєчасно, то ставиться максимальний бал; якщо правильно, але неповно, то знімається 1/2 або 1/3 від максимального балу в залежності від ступеня повноти; якщо невірно, то знімаються всі бали. 

Максимальна оцінка, яку може отримати здобувач за всі виконані види робіт – 100 балів. 

Підсумковим контролем з дисципліни є усний екзамен, білет до якого складається з теоретичної частини (8 тестів) та практичної частини (3 задачі). За бездоганну відповідь на кожний тест студент отримує – 5 балів. За бездоганне виконання кожного завдання практичної частини студент отримує – 20 балів. 
Максимальна оцінка за правильні відповіді на всі питання екзаменаційного білету становить 100 балів.

Семестровий модуль № 1
ЛЗ1- ЛЗ3. Оцінка за виконання – 16 балів. Термін виконання – 1-8 тиждень. 
МК1. Модульна контрольна робота – 26 балів (8 тиждень). Перескладання можливе протягом 9–11 тижнів за розкладом консультацій.
РГР. Оцінка за виконання – 8 балів. Термін надання 1-8 тиждень.

Семестровий модуль № 2
ЛЗ5- ЛЗ8. Оцінка за виконання – 16 балів. Термін виконання – 9-15 тиждень. 
МК2. Модульна контрольна робота – 26 балів (15 тиждень).
РГР. Оцінка за виконання – 8 балів. Термін надання 9-15 тиждень.

Умови допуску до підсумкового контролю

До екзамену допускаються здобувачі вищої освіти, які виконали всі види навчальних елементів навчальної дисципліни на не менш, ніж на 60 %.
Екзамен відбувається за всіма тематичними (змістовними) модулями дисципліни.

Політика освітнього процесу

Здобувач зобов’язаний своєчасно та якісно виконувати всі отримані завдання; за необхідністю з метою з’ясування всіх не зрозумілих під час самостійної та індивідуальної роботи питань відвідувати консультації викладача. Дотримуватись принципів академічної доброчесності.
Виконаний не свій варіант завдання здобувачем не оцінюється.
Робота, яка виконана після встановлених викладачем термінів, не приймається.
Відсутність здобувача на екзамені або на контрольній роботі відповідає оцінці «0». 
Складання/перескладання екзаменів – за встановленим деканатом розкладом.
Під час лекції здійснювати телефонні дзвінки забороняється.
Заборонено використання будь-яких підручників, посібників, конспектів лекцій, шпаргалок під час проходження модульних контролів та екзамену з дисципліни.

Документи (файли), що додаються: Робоча програма навчальної дисципліни.

Література

Базова

1. Душкин Р. В. Искусственный интеллект – Изд. ДМК Пресс – 2019. – с. 280
2. Шитиков В. К., Мастицкий С. Э. Классификация, регрессия, алгоритмы Data Mining с использованием R – 2017. [Електронний ресурс]. Режим доступу: URL: https://ranalytics.github.io/data-mining/index.html 
3. Николенко А. Глубокое обучение. Погружение в мир нейронных сетей. / А. Николенко Е. Кадурин, С. Архангельская — СПб.: Питер – 2018. – с. 449.

Додаткова

4. Муравьева-Витковская Л.А. Моделирование интеллектуальных систем. Учебное пособие, Санкт-Петербург – 2012 – с. 145.

Методична
5. 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, 2021. – с. 30