Нейромережеві технології

Мета вивчення дисципліни – формування у здобувачів глибокого розуміння принципів та методів нейромережевих технологій, розвиток навичок розробки та впровадження нейронних мереж для розв'язання задач різних галузей, а також підвищення рівня професійної компетентності в застосуванні сучасних мов програмування, фреймворків та інструментів, що забезпечують ефективну реалізацію нейромережевих рішень. Дисципліна викладається протягом 7 семестру та входить до циклу професійної підготовки обов’язкової частини навчального плану освітньої програми «Інтелектуальний аналіз даних» для підготовки здобувачів першого (бакалаврського) рівня вищої освіти.
Практичне значення та використання отриманих знань – практичне значення та використання отриманих знань – здобуті знання з нейромережевих технологій мають практичну цінність для розробки ефективних і потужних рішень для задач, таких як класифікація, регресія, розпізнавання образів, обробка природної мови, автоматичне навчання та оптимізація.
Тематика та види навчальних занять

Для денної форми здобування освіти

Лекційні заняття

Лекція №1 «Вступ до нейронних мереж: загальні засади роботи та історія розвитку».
Лекція №2 «Основи математичних принципів нейронних мереж: персептрон і багатошаровий персептрон».
Лекція №3 «Архітектура нейронних мереж: будова та принципи функціонування нейронів і шарів».
Лекція №4 «Функції активації та їх вплив на роботу нейронних мереж».
Лекція №5 «Основи навчання нейронних мереж: алгоритми прямого та зворотного поширення».
Лекція №6 «Гіперпараметри нейронних мереж: налаштування та оптимізація для покращення роботи моделей».
Лекція №7 «Перенавчання та недонавчання в нейронних мережах: методи запобігання та корекції».
Лекція №8 «Згорткові нейронні мережі (CNN): структура, функції та основні сфери застосування».
Лекція №9 «Рекурентні нейронні мережі (RNN): архітектура та їх застосування для роботи з послідовними даними».
Лекція №10 «Глибоке навчання: концепції, методи та відмінності від традиційного машинного навчання».
Лекція №11 «Навчання з учителем і без учителя в нейронних мережах: порівняння підходів».
Лекція №12 «Обробка великих даних у нейронних мережах: принципи масштабування та використання обчислювальних ресурсів».
Лекція №13 «Популярні бібліотеки та фреймворки для побудови нейронних мереж: TensorFlow, Keras та PyTorch».
Лекція №14 «Методи оптимізації для тренування нейронних мереж: градієнтний спуск та його варіації».
Лекція №15 «Перспективи розвитку та застосування нейронних мереж у різних галузях».

Лабораторні роботи

Лабораторна робота №1 «Вступ до нейронних мереж: загальні засади роботи». Мета роботи: набуття навичок роботи з основними поняттями та історією розвитку нейронних мереж.

Лабораторна робота №2 «Основи математичних принципів нейронних мереж: персептрон і багатошаровий персептрон». Мета роботи: реалізувати та протестувати базові архітектури персептрону та багатошарового персептрону.

Лабораторна робота №3 «Архітектура нейронних мереж: будова та принципи функціонування». Мета роботи: дослідити структуру нейронів і шарів, зрозуміти роль кожного елемента мережі.

Лабораторна робота №4 «Функції активації та їх вплив на роботу нейронних мереж». Мета роботи: дослідити різні функції активації та їхній вплив на продуктивність мережі.

Лабораторна робота №5 «Основи навчання нейронних мереж: алгоритми прямого та зворотного поширення». Мета роботи: реалізувати алгоритми навчання та зрозуміти їхню роль у налаштуванні ваг.

Лабораторна робота №6 «Гіперпараметри нейронних мереж: налаштування та оптимізація». Мета роботи: налаштувати основні гіперпараметри та оцінити їхній вплив на результати навчання.

Лабораторна робота №7 «Перенавчання та недонавчання в нейронних мережах: методи запобігання». Мета роботи: дослідити явища перенавчання та недонавчання та застосувати методи їх запобігання.

Лабораторна робота №8 «Згорткові нейронні мережі (CNN): структура, функції та основні застосування». Мета роботи: реалізувати згорткову нейронну мережу та оцінити її застосування у розпізнаванні зображень.

Лабораторна робота №9 «Рекурентні нейронні мережі (RNN): архітектура та робота з послідовними даними». Мета роботи: реалізувати рекурентну нейронну мережу для аналізу послідовних даних.

Лабораторна робота №10 «Глибоке навчання: концепції, методи та відмінності від традиційного машинного навчання». Мета роботи: дослідити основи глибокого навчання та відмінності від класичного машинного навчання.

Лабораторна робота №11 «Навчання з учителем і без учителя в нейронних мережах». Мета роботи: реалізувати моделі для навчання з учителем і без учителя, порівняти їхні результати.

Лабораторна робота №12 «Обробка великих даних у нейронних мережах». Мета роботи: дослідити принципи роботи з великими даними та ефективно використовувати обчислювальні ресурси.

Лабораторна робота №13 «Популярні бібліотеки та фреймворки для побудови нейронних мереж». Мета роботи: набуття навичок роботи з бібліотеками TensorFlow, Keras і PyTorch та реалізувати прості нейронні мережі.

Лабораторна робота №14 «Методи оптимізації для тренування нейронних мереж». Мета роботи: застосувати різні методи оптимізації для підвищення ефективності навчання мереж.

Лабораторна робота №15 «Перспективи розвитку та застосування нейронних мереж у різних галузях». Мета роботи: дослідити приклади застосування нейронних мереж у реальних галузях та оцінити їхні перспективи розвитку.

Для заочної форми здобування освіти

Лекційні заняття

Лекція №1 «Основи нейронних мереж, архітектура та навчання моделей».
Лекція №2 «Сучасні підходи в нейронних мережах: згорткові, рекурентні та глибоке навчання».

Лабораторні роботи

Лабораторна робота №1 «Основи нейронних мереж та їх навчання». Мета роботи: набуття навичок роботи з основними поняттями нейронних мереж, історією їх розвитку, реалізувати базові архітектури персептрону і багатошарового персептрону, дослідити структуру нейронів та функції активації, а також реалізувати алгоритми навчання та налаштування гіперпараметрів.

Лабораторна робота №2 «Сучасні технології нейронних мереж та їх застосування». Мета роботи: дослідити та реалізувати згорткові та рекурентні нейронні мережі, вивчити методи глибокого навчання, навчання з учителем і без учителя, застосувати бібліотеки TensorFlow, Keras та PyTorch, а також оцінити застосування нейронних мереж у різних галузях і використовувати методи оптимізації для тренування моделей
.
Консультації здійснюються впродовж семестру згідно встановленого розкладу.
Індивідуальна робота

Для денної та заочної форми здобуття освіти

Для даної дисципліни передбачена розрахунково-графічна робота. Вона виконується у сьомому семестрі для денної форми навчання або у восьмому семестрі для заочної форми навчання.
Мета розрахунково-графічної роботи – розробка та оптимізація нейронних мереж для вирішення практичних задач, використовуючи сучасні фреймворки (TensorFlow, Keras, PyTorch). Студенти повинні продемонструвати вміння налаштовувати моделі, обробляти дані та оцінювати ефективність результатів.
Здобувач отримує завдання з розрахунково-графічної роботи на першому лабораторному занятті.
Пояснювальна записка містить 20-25 сторінок. Кількість розділів – 3.
Змістовна послідовність виконання роботи.
1) вибір теми та постановка задачі – обрати конкретну задачу для розв’язання за допомогою нейронних мереж (наприклад, класифікація, регресія, розпізнавання образів);
2) набуття навичок роботи з теоретичними аспектами – вивчити основи нейронних мереж, їх архітектури та алгоритми навчання, які будуть застосовуватися для розв’язання вибраної задачі;
3) збір та підготовка даних – зібрати або використати доступні набори даних, провести їх попередню обробку: очищення, нормалізацію та поділ на тренувальні і тестові набори;
4) розробка та реалізація моделі нейронної мережі – створити архітектуру нейронної мережі, вибрати типи шарів, функції активації та оптимізатори, використовуючи фреймворки, такі як TensorFlow, Keras або PyTorch;
5) навчання моделі – провести навчання нейронної мережі на підготовлених даних, налаштувати гіперпараметри, такі як швидкість навчання, кількість епох і розмір партії;
6) оцінка ефективності моделі – оцінити результативність моделі за допомогою метрик (точність, recall, F1-міра) і провести валідацію на тестових даних;
7) оптимізація моделі – при необхідності оптимізувати модель, застосовуючи методи регуляризації або змінюючи архітектуру та гіперпараметри для покращення результатів.
Захист розрахунково-графічної роботи – протягом останнього навчального тижня семестру.

Для заочної форми здобуття освіти передбачено виконання контрольної роботи.

Завдання для контрольної роботи здобувач отримує а установчій лекції. Робота містить 5 теоретичних питань та практичне завдання. Кожне теоретичне питання оцінюється у 4 бали, практичне завдання оцінюється у 30 балів. Максимальна оцінка за контрольну роботу – 50 балів.
Відповіді на теоретичні питання повинні бути написані самостійно, без використання матеріалу конспекту лекцій. Термін надання виконаної контрольної роботи на перевірку – не пізніше, ніж за місяць до початку сесії.

Форми контрольних заходів та оцінювання результатів навчання

Для денної форми здобуття освіти

Поточний контроль полягає у виконанні:
1) 15-ти лабораторних робіт. Лабораторні роботи виконуються на комп’ютері з використанням додаткових інструментів Google Colab та Kaggle, відповідно до мети та завдань лабораторних занять. Бездоганне виконання лабораторних робіт №1 – №7 оцінюється у 4 бали, бездоганне виконання лабораторних робіт №8 – №15 оцінюється у 3 бали;
2) розрахунково-графічної роботи. Бездоганне виконання розрахунково-графічного завдання оцінюється у 10 балів;
3) двох модульних контрольних робіт. Модульні контрольні роботи складаються з теоретичної і практичної частин та проводяться у формі комп'ютерного тестування. Бездоганне виконання першої модульної контрольної роботи оцінюється у 22 бали, бездоганне виконання другої модульної контрольної роботи оцінюється у 16 балів;
Підсумковий контроль – екзамен. Максимальна оцінка, яку може отримати студент – 100 балів.

Для заочної форми здобуття освіти

Поточний контроль полягає у виконанні:
1) двох лабораторних робіт. Лабораторні роботи виконуються на комп’ютері з використанням додаткових інструментів Google Colab та Kaggle, відповідно до мети та завдань лабораторних занять. Бездоганне виконання кожної лабораторної роботи оцінюється у 20 балів;
2) розрахунково-графічної роботи. Бездоганне виконання розрахунково-графічного завдання оцінюється у 10 балів;
3) контрольної роботи. Бездоганне виконання та захист контрольної роботи оцінюється у 50 балів;
Підсумковий контроль – екзамен. Максимальна оцінка, яку може отримати студент – 100 балів.