Основи машинного навчання і аналіз часових рядів

Мета вивчення дисципліни: формування у студентів знань в області основних  математичних підходів та технології побудови моделей машинного навчання, методів попередньої обробки та аналізу даних, основ роботи з текстовими даними, зображеннями та часовими рядами.
Практичне значення та використання отриманих знань: за результатами вивчення дисципліни здобувач повинен вміти: визначати модель та алгоритми машинного навчання для застосування у конкретних технічних умовах; коректно використовувати вхідні дані  у процесі навчання моделі, та її тестування, виключати некоректні значення у вхідній множині даних та заповнювати пропущені дані; впроваджувати навчені та протестовані моделі у сфері своєї технічної діяльності а також оцінювати ефективність та надійність роботи моделей.

Тематика та види навчальних занять

Лекційні заняття
Лекція 1. " Загальні відомості про машинне навчання"
Лекція 2. " Математична формалiзацiя задачi"
Лекція 3. " Навчання з учителем: задачi прогнозування"
Лекція 4. " Навчання з учителем: задачi класифiкацiї"
Лекція 5. " Навчання без учителя: зменшення розмiрностi"
Лекція 6. " Навчання без учителя: задачi кластеризацiї"
Лекція 7. " Навчання без учителя: пошук асоцiативних правил"
Лекція 8. " Ансамблевi методи навчання"
Лекція 9. " Навчання з пiдкрiпленням"
Лекція 10. " Основнi поняття i компоненти часових рядiв"
Лекція 11. " Методи побудови тренду"
Лекція 12. " Моделювання сезонних коливань"
Лекція 13. " Оцiнка адекватностi i точностi трендових моделей"
Лекція 14. " Прогнозування часових рядiв"
Лекція 15. " Застосування фiктивних змiнних для моделювання сезонних коливань"

Лабораторні заняття

Лабораторні заняття 1, 2. 
Лабораторна робота 1 «Розгортування комп’ютерного середовища».
Мета роботи: набути практичних навичок із встановлення та початкового налаштування середовища Anaconda для роботи з інструментами глибокого навчання, своїти завантаження та інсталяцію Anaconda, виконати її запуск і оновлення, а також встановити необхідні бібліотеки для розробки та виконання моделей глибокого навчання.

Лабораторні заняття 3, 4. 
Лабораторна робота 2 «Модель персептрона, «ADALINE».
Мета роботи: ознайомитися з базовими алгоритмами машинного навчання для задач класифікації та набути практичних навичок їх реалізації, правилами навчання перцептрона та адаптивних лінійних нейронів, опанування методами градієнтного спуску та його вдосконалень, опанувати застосування об’єктно-орієнтованого підходу та виконати навчання моделей на реальних даних, зокрема на наборі Iris.

Лабораторні заняття 5, 6. 
Лабораторна робота 3 «Модель дерева рішень, модель k найближчих сусідів».
Мета роботи: здобуття практичних навичок використання API scikit-learn для прогностичних моделей з використанням параметра регулярізації С.

Лабораторні заняття 7, 8. 
Лабораторна робота 4 «Використання фреймворку scikit-learn для перетворення даних».
Мета роботи: здобуття практичних навичок використання API scikit-learn для прогностичних моделей з використанням параметра регулярізації С.

Лабораторні заняття 9, 10. 
Лабораторна робота 5 «Внутрішні процеси об’єкту pipeline (конвеєр)».
Мета роботи: здобуття практичних навичок побудови , навчання, валідації та тестування моделей машинного навчання на основі використання конвеєрних систем.

Лабораторні заняття 11, 12.
Лабораторна робота 6 «Глибоке навчання моделей на основі фреймворку py-torch (частина 1 з 2)».
Мета роботи: здобуття практичних навичок розрахунків і аналізу на прикладі прогнозних моделей глибокого навчання .

Лабораторні заняття 13, 14, 15.
Лабораторна робота 7 «Глибоке навчання моделей на основі фреймворку py-torch (частина 2 з 2)».
Мета роботи: здобуття практичних навичок розрахунків і аналізу на прикладі прогнозних моделей глибокого навчання.

Консультації здійснюються впродовж семестру згідно встановленого розкладу.

Форма контрольних заходів та оцінювання результатів навчання

Поточний контроль полягає у виконанні: 
1)    7 лабораторних робіт. Бездоганне виконання кожної роботи оцінюється у 10 балів, разом – 70 балів
2)    двох модульних контрольних робіт. Модульні контрольні роботи проводяться у формі комп'ютерного тестування і складаються з теоретичної частини (оцінюється у 5 балів), та практичної частини (оцінюється у 10 балів). Бездоганне виконання кожної модульної контрольної роботи становить 15 балів.
Підсумковий контроль – залік. Максимальна оцінка, яку може отримати здобувач – 100 балів. Мінімальна оцінка, яка дозволяє здобувачу отримати «зараховано», 60 балів.