Чисельні методи.Технології machine learning

Мета вивчення дисципліни: формування та розвиток компетентностей, спрямованих на розв’язування спеціалізованих задач та практичних проблем у галузі комп’ютерних наук на основі чисельних методів машинного навчання, штучного інтелекту та нейромережевої обробки даних.

Практичне значення та використання отриманих знань: отримання здобувачами базової вищої освіти теоретичних знань, спеціальних умінь і практичних навичок з використання методів машинного навчання та штучного інтелекту для вирішення спеціалізованих задач інформаційних систем, які характеризуються комплексністю та невизначеністю умов:
– отримати знання та практичні навички обґрунтування вибору алгоритмів в ІСТ;
− видобувати знання шляхом аналізу великих даних, отриманих з різноманітних та різнорідних джерел інформації, на основі чисельних методів машинного навчання, штучного інтелекту та нейромережевої обробки даних;
– отримати знання та практичні навички з використання методів штучного інтелекту та системного аналізу для вирішення задач апроксимації, кластеризації, регресії, класифікації в інтелектуальних інформаційних системах.
Тематика та види навчальних занять

Для денної форми здобуття освіти
Лекційні заняття
Лекція 1. «Класифікація методів аналізу великих даних. Технології Big Data Analytics».
Лекція 2. «Методи інтелектуального аналізу даних (Data Mining)».
Лекція 3. «Регресія. Базові моделі і прикладні задачі».
Лекція 4. «Погрішність та похибки при аналізі даних».
Лекція 5. «Поняття навчання, самонавчання і адаптації. Апріорна і поточна інформація».
Лекція 6. «Критерії оптимальності. Пошук екстремуму цільових функцій. Загальні положення»
Лекція 7. «Різновиди алгоритмів оптимізації. Пошукові методи оптимізації. Методи випадкового пошуку».
Лекція 8. «Прикладні аспекти глибокого навчання. Ієрархія «добрих функцій» на Google Colaboratory і градієнтний спуск»
Лекція 9. «Методи класифікації. Базові положення»
Лекція 10. «Навчання нейронної мережі на базі пошуку екстремуму. Дельта-правило (delta rule) та задача лінійної апроксимації».
Лекція 11. «Програмна реалізація елементів нейронної мережі. Класифікація персептронів.
Роль персептронів у нейронних мережах і лінійна роздільність об’єктів»
Лекція 12. «Персептрон для розділення на класи. ADALINE (дельта-правило) в задачі класифікації»
Лекція 13. «Розпізнавання образів за допомогою навчання без вчителя. Основні поняття кластеризації та постановка задачі. Методи кластеризації».
Лекція 14. «Радіально-базисні та ймовірнісні нейронні мережі».
Лекція 15. «Згорткові нейронні мережі (Convolution Neural Networks, CNN). Реалізація засобами бібліотеки Keras на хмарному сервісі Google Colaboratory».

Лабораторні заняття
Лабораторне заняття №1. «Базові поняття по програмуванню на Python. Інтерпретатори і компілятори».
Мета заняття: оволодіти початковими навичками обчислення на мові програмування Python.
Лабораторне заняття №2. «Базові поняття по програмуванню на Python. Змінні, типи змінних»
Мета заняття: оволодіти початковими навичками визначення змінних, операцій і виразів на мові програмування Python.
Лабораторне заняття №3. ««Апроксимація з використанням дельта-правила на мові програмування Python».
Мета заняття: оволодіти навичками апроксимації з допомогою дельта-правила навчання нейронної мережі.
Лабораторне заняття №4. «Класифікація об’єктів з допомогою персептрону на основі геометричних параметрів».
Мета заняття: оволодіти навичками класифікації з допомогою персептрону у вигляді класу з використанням бібліотек NumPy, pandas, matplotlib в СШІ .
Лабораторне заняття №5. «Кластеризація k-середніх на основі геометричних параметрів».
Мета заняття: оволодіти навичками кластеризації k-середніх з використанням бібліотек NumPy, pandas, matplotlib в СШІ».
Лабораторне заняття №6. «Методи оцінки якості класифікації на базі Keras.та Scikit learn».
Мета заняття: оволодіти навичками обчислення оцінки якості класифікації на базі Keras.та Scikit learn.
Лабораторне заняття №7. «Методи регуляризації в згорткових нейронних мережах».
Мета заняття: оволодіти навичками запобігання перенавчанню в мережах CNN.

Консультації здійснюються впродовж семестру згідно встановленого розкладу.
Форми контрольних заходів та оцінювання результатів навчання

Для денної форми здобуття освіти
Семестр 6 третього року першого (бакалаврського) рівня.
Поточний контроль полягає у виконанні
1) 7-и індивідуальних поточних завдань. Індивідуальні поточні завдання виконуються на компʼютері відповідно до мети та завдань лабораторних занять. Бездоганне виконання індивідуальних поточних завдань №1, №2, №3, №4, №5, №6 оцінюється у 42 бали; індивідуального поточного завдання №7 – 8 балів;
2) двох модульних контрольних робіт. Модульні контрольні роботи складаються з теоретичної і практичної частин та проводяться у формі електронного звіту з наведенням вихідних кодів програмної реалізації. Бездоганне виконання кожної модульної контрольної роботи становить 25 балів.
Підсумковий контроль – екзамен. Екзамен усний. Максимальна оцінка, яку може отримати студент – 100 балів.