Технології глибокого машинного навчання

Анотація навчальної дисципліни

Мета дисципліни:

формування у здобувачів вищої освіти знань в області застосування моделей штучних нейронних мереж та методів машинного навчання для вирішення інтелектуальних завдань.

Завдання дисципліни:

• набути знання використання основних видів, типів завдань та сфер застосування машинного навчання;
• надати розуміння про ефективний вибір та використання відповідних методів машинного навчання;
• сформувати навички розробки і реалізації програмних моделей штучних нейронних мереж;
• надати знання з використання існуючих методів та алгоритмів машинного навчання на базі використання штучних нейронних мереж.

Програмні компетентності

Здатність оволодіти сучасними технологіями програмування та тестування програмного забезпечення.

Здатність сформулювати математичну постановку задачі, спираючись на постановку мовою предметної галузі та обирати метод її розв’язання, що забезпечує потрібні точність і надійність результату.

Програмні результати навчання

Демонструвати знання сучасного рівня технологій інформаційних систем, практичні навички програмування та використання прикладних і спеціалізованих комп’ютерних систем та середовищ з метою їх запровадження у професійній діяльності.

Проектувати та розробляти прикладні інформаційні продукти для видобутку корисних знань і вироблення оптимальних стратегій прийняття рішень.

Форми організації освітнього процесу та види навчальних занять

• Л – лекційні заняття;
• ЛЗ – лабораторні заняття;
• СРС – самостійна робота здобувача вищої освіти;
• РГР – розрахунково-графічна робота;
• ПКО – поточні контрольні опитування;
• МКР – модульна контрольна робота;
• К – консультації.

Тематика та види навчальних занять

• 1 тиждень
  • Л1. Основні поняття машинного навчання [1, c.4-16].
  • ЛЗ1. Специфіка використання бібліотеки NumPy. Частина 1
  • СРС. К.
• 2 тиждень
  • ЛЗ2. Специфіка використання бібліотеки NumPy. Частина 2
  • ЛЗ3. Дослідження ключових можливостей застосування бібліотеки Pandas. Частина 1
  • СРС. К.
• 3 тиждень
  • Л2. Кошти і бібліотеки для вирішення завдань машинного навчання [1, c.4-16].
  • ЛЗ4. Дослідження ключових можливостей застосування бібліотеки Pandas. Частина 2
  • СРС. К.
• 4 тиждень
  • ЛЗ5. Вивчення принципів використання бібліотеки візуалізації даних Matplotlib. Частина 1
  • ЛЗ6. Вивчення принципів використання бібліотеки візуалізації даних Matplotlib. Частина 2
  • ПКО1
  • СРС. К.
• 5 тиждень
  • Л3. Кошти і бібліотеки для вирішення завдань машинного навчання [1, c.22-59].
  • ЛЗ7. Основи роботи з бібліотекою Scikit-Learn. Частина 1
  • СРС. К.
• 6 тиждень
  • ЛЗ8. Основи роботи з бібліотекою Scikit-Learn. Частина 2
  • ЛЗ9. Вирішення завдання класифікації даних методом навчання з вчителем. Частина 1
  • СРС. К.
• 7 тиждень
  • Л4. Методи навчання без учителя [1, c.60-87].
  • ЛЗ10. Вирішення завдання класифікації даних методом навчання з вчителем. Частина 2
  • ПКО2
  • СРС. К.
• 8 тиждень
  • ЛЗ11. Розбивка і попередня обробка вхідних набору даних на підмножини. Частина 1
  • ЛЗ12. Розбивка і попередня обробка вхідних набору даних на підмножини. Частина 2
  • МКР1. СРС. К.
• 9 тиждень
  • Л5. Основні методи ефективної предобработки даних [1, c.88-95].
  • ЛЗ13. Пошук і виділення структур кластерів в даних на базі застосуванні алгоритмів кластеризації. Частина 1
  • СРС. К.
• 10 тиждень
  • ЛЗ14. Пошук і виділення структур кластерів в даних на базі застосуванні алгоритмів кластеризації. Частина 2
  • ЛЗ15. Дослідження основ роботи з нейронними мережами в імітаційних системах. Частина 1
  • СРС. К.
• 11 тиждень
  • Л6. Метрики оцінки якості моделей машинного навчання [1, c.88-95].
  • ЛЗ16. Дослідження основ роботи з нейронними мережами в імітаційних системах. Частина 2
  • ПКО3
  • СРС. К.
• 12 тиждень
  • ЛЗ17. Використання алгоритму зворотного поширення помилки при навчання штучних нейромереж. Частина 1
  • ЛЗ18. Використання алгоритму зворотного поширення помилки при навчання штучних нейромереж. Частина 2
  • СРС. К.
• 13 тиждень
  • Л7. Основні поняття, класифікація та можливості використання штучних нейронних мереж [1, c.120-142].
  • ЛЗ19. Установка і налаштування робочого оточення для побудови штучних нейромереж
  • СРС. К.
• 14 тиждень
  • ЛЗ20. Дослідження специфіки застосування фреймворка Keras для вирішення практичних завдань
  • ЛЗ21. Основи роботи з нейронними мережами InceptionV3 для розпізнавання зображень. Частина 1
  • ПКО4.
  • СРС. К.
• 15 тиждень
  • Л8. Особливості глибокого машинного навчання [1, c.143-153].
  • ЛЗ22. Основи роботи з нейронними мережами InceptionV3 для розпізнавання зображень. Частина 2
  • МКР2. СРС. К.

Індивідуальна робота

РГР. 

Мета РГР: набуття загальних та спеціальних компетентностей майбутніх бакалаврів, поглиблення теоретичних знань та практичних навичок використання методів машинного навчання та моделей штучних нейронних мереж для вирішення практичних завдань. 

• 1–7 тижні Отримання завдання. Аналіз літературних джерел з досліджуваної тематики, розгляд типів штучних нейронних мереж та методів машинного навчання, порівняння доцільності їх використання. Аналіз програмних аналогів та обґрунтування вибору бібліотек та допоміжних засобів реалізації. Проектування структури програмного застосування. Розробка алгоритмів роботі використаних методів машинного навчання.
• 8–14 тижні Розробка структур даних, основних сутностей та визначення зв’язків між ними. Створення інтерфейсу програмного застосування. Написання програмного коду реалізації основної логіки програми, обробки вхідних даних, розбиття даних на множини для навчання та тестування моделей, перевірка та тестування моделей, оцінка метрик. Розгортання та перевірка роботи програмного застосування на декількох наборах даних. Оформлення протоколу виконання РГР.
• 15 тиждень Захист роботи.

Самостійна робота

Самостійна робота складає 75 годин. Розподіл самостійної роботи за видами навчальних робіт:

• підготовка до лекційних занять – 15 годин;
• підготовка до лабораторних занять – 45 годин;
• виконання РГР – 15 годин.

Процедура оцінювання

Система оцінювання рівня навчальних досягнень ґрунтується на принципах ЄКТС та є накопичувальною. Дисципліна поділяється на два семестрові модулі. Здобувачі протягом семестру готуються до лекційних та лабораторних занять, виконують 2 модульні контрольні роботи.

Модульні контрольні роботи № 1 та № 2 виконуються у письмовій формі. Модульна робота складається з теоретичної частини (2 запитання) та практичної частини (1 задача). Відповідь на кожне теоретичне питання оцінюється максимум 10 балами. Правильне розв’язання задачі оцінюється в 10 балів.

Кожний модуль оцінюється у максимально можливі 50 балів.

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

Залік оцінюється за системою: «зараховано», «не зараховано». Оцінка «зараховано» виставляється за умови отримання не менш, ніж 60 балів за всі види робіт. Складання/перескладання заліку відбувається за встановленим деканатом розкладом.

Семестровий модуль № 1

• ПКО1 та ПКО2 – на базі отриманих результатів по відповідних лабораторних роботах, оцінка за кожне 5 балів. Термін проведення 3 та 7 тижні.
• РГР(ч.1). Оцінка за виконання – 10 балів. Термін надання – 8 тиждень.
• МКР1. Модульна контрольна робота – 30 балів (8 тиждень). Перескладання можливе протягом 9–11 тижнів за розкладом консультацій.

Семестровий модуль № 2

• ПКО3 та ПКО4 – на базі отриманих результатів по відповідних лабораторних роботах, оцінка за кожне 5 балів. Термін проведення 11 та 14 тижні.
• РГР(ч.2). Оцінка за виконання – 10 балів. Термін надання та захист – 14–15 тижні. 
• МКР2. Модульна контрольна робота – 30 балів (15 тиждень).

Максимальна оцінка за повний обсяг виконаних навчальних елементів дисципліни – 100 балів.

Умови допуску до підсумкового контролю

Підсумковим контролем з дисципліни є залік, засвоєння навчального матеріалу з дисципліни оцінюється на підставі результатів поточного та рубіжного модульного контролю. Залік отримують здобувачі вищої освіти, які виконали всі види навчальних елементів навчальної дисципліни не менш, ніж на 60 %.

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».

Під час лекції здійснювати телефонні дзвінки забороняється.

Літературні джерела:

1. Рудніченко М.Д. Навчальний посібник з дисципліни "Штучні нейронні мережі та машинне навчання" для студентів спеціальності - 126 Інформаційні системи і технології / Упоряд.: Н.Д. Рудніченко, Н. О. Шибаєва. - Одеса: ОНПУ, 2020. - 154 с (Електронна версія), Реєстраційний номер №7561-РС-2020 (НП11534)
2. Рудніченко М.Д. Методичні вказівки до лабораторних робіт з дисципліни " Штучні нейронні мережі та машинне навчання" для студентів спеціальності - 126 Інформаційні системи та технології / Укл .: М.Д. Рудніченко, Н.В. Бут. - Одеса: ОНПУ, 2020. – 221     с (Електронна версія), Реєстраційний номер №7552-РС-2020 (МВ11516)
3. Рудніченко М.Д. Методичні вказівки до розрахунково-графічної роботи з дисципліни ”Штучні нейронні мережі та машинне навчання” для студентів  спеціальності - 126 Інформаційні системи та технології / Укл.: М.Д. Рудніченко, І.М. Шпінарева. – Одеса: ОНПУ, 2020. – 10 с. (Електронна версія), Реєстраційний номер №7537-РС-2020 (МВ11506)ф
4. Гифт Н. Прагматичний ШІ. Машинне навчання і хмарні технології / Н. Гифт. - СПб .: Пітер, 2019. - 304 с.
5. Вороніна В.В. Теорія і практика машинного навчання / В.В. Вороніна, А. В. Міхєєв, Н. Г. Ярушкіна, К. В. Святого. - Ульяновськ: УлГТУ, 2017. - 290 с.
6. Брінк Х. Машинне навчання / Х. Брінк, Дж. Річардс, М. Феверолф. - СПб .: Пітер, 2017. - 336 с.
7. Мюллер А. Введення в машинне навчання за допомогою Python / А. Мюллер, С. Гідо. - М .: O'Reilly Media, 2017. - 392 с.