Штучні нейронні мережі

Анотація навчальної дисципліни

Мета дисципліни: формування у здобувачів вищої освіти системи наукових і професійних знань і навичок в галузі штучних нейронних мереж та машинного навчання.

Практичне значення та використання отриманих знань 
Розуміння основ і принципів роботи штучних нейронних мереж та їх застосування в реальних задачах та наукових дослідженнях. Використання штучних нейронних мереж та машинного навчання для створення інтелектуальних систем та автоматизації процесів. Побудова систем штучного інтелекту для аналізу великих даних та прогнозування з використанням штучних нейронних мереж. Розуміння сучасних інструментів для побудови, навчання та використання штучних нейронних мереж в інформаційних системах. 

Тематика та види навчальних занять

Для денної форми здобуття освіти

Лекційні заняття
Лекція 1 «Основи та задачі штучного інтелекту та машинного навчання».
Лекція 2. «Математичний апарат машинного навчання».
Лекція 3. «Елементи алгоритму навчання». 
Лекція 4. «Підготовка даних для машинного навчання». 
Лекція 5. «Функції втрат та ефективність алгоритмів машинного навчання». 
Лекція 6. «Алгоритм оптимізації “градієнтний спуск” та його модифікації». 
Лекція 7. «Біологічні основи штучних нейронних мереж. Перцептрон».
Лекція 8. «Нейронні мережі прямого поширення. Функція активації нейрона».
Лекція 9. «Навчання моделей нейронних мереж. Алгоритм зворотнього поширення помилки».
Лекція 10. «Перенавчання та недонавчання».
Лекція 11. «Сучасні інструменти для побудови та навчання штучних нейронних мереж».
Лекція 12. «Згорткові нейронні мережі для задачі класифікації зображень».
Лекція 13. «Методи регулярізації моделей штучних нейронних мереж».
Лекція 14. «Нейронні мережі для роботи з часовими рядами. Рекурентні нейронні мережі».
Лекція 15. «Нейронні мережі для роботи з природньою мовою».

Лабораторні заняття
Лабораторне заняття 1 «Простий алгоритм машинного навчання на прикладі лінійної регресії».
Мета заняття: ознайомлення з основами машинного навчання на прикладі простого алгоритму лінійної регресії, вивчення принципів побудови моделей для прогнозування та аналізу даних, а також освоєння практичних навичок реалізації цього алгоритму за допомогою програмних інструментів.
Лабораторне заняття 2. «Задача класифікації: логістична регресія». 
Мета заняття: вивчення принципів побудови моделі для прогнозування категоріальних змінних, а також набуття практичних навичок реалізації цього алгоритму в умовах реальних даних для класифікації..
Лабораторне заняття 3. «Робота з багатовимірними масивами».
Мета заняття: оволодіти базовими навичками роботи з багатовимірними масивами, необхідними для підготовки та обробки даних для машинного навчання.
Лабораторне заняття 4. «Побудова та навчання нейронної мережі для задачі регресії». 
Мета заняття: оволодіти практичними навичками побудови, навчання та застосування нейронних мереж з використанням сучасних інструментів.
Лабораторне заняття 5. «Побудова та навчання нейронної мережі для задачі класифікації». 
Мета заняття: оволодіти практичними навичками побудови, навчання та застосування нейронних мереж для задачі багатокласової класифікації.
Лабораторне заняття 6. «Побудова та навчання згорткових нейронних мереж для класифікації зображень». 
Мета заняття: набуття практичних навичок роботи з операцією згортки та побудови згорткових нейронних мереж, вивчення методів боротьби з перенавчанням.
Лабораторне заняття 7. «Побудова та навчання згорткових нейронних мереж для аналізу та передбачень часових рядів.». 
Мета заняття: вивчення засобів роботи з часовими рядами, та побудова нейронних мереж для передбачень часових рядів.

Консультації здійснюються впродовж семестру згідно встановленого розкладу.

Індивідуальна робота
Не передбачено