Теорія систем, системний аналіз та технології штучного інтелекту

Мета вивчення дисципліни: формування та розвиток компетентностей, спрямованих на розв’язування спеціалізованих задач та практичних проблем у галузі комп’ютерних наук на основі системного аналізу для створення інтелектуальних інформаційних систем на основі 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 створення інтелектуальних інформаційних систем, які характеризуються комплексністю та невизначеністю умов:
– отримати знання основних понять та визначень теорії системного аналізу;
– 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. «Системний аналіз (СА). Загальні положення»
Лекція 2. «Задачі системного аналізу»
Лекція 3. «Базові особливості задач СА, роль невизначеності в задачах СА»
Лекція 4. «Числові характеристики випадкових величин, функції розподілу»
Лекція 5. «Системи випадкових величин в задачах СА»
Лекція 6. «Різновиди алгоритмів оптимізації, їх особливості та основні характеристики»
Лекція 7. «Пошукові та імовірнісні ітеративні методи оптимізації. Про правило зупинки»
Лекція 8. «Регресія. Алгоритми та прикладні задачі в СА. Реалізація засобами бібліотек TensorFlow та Keras на хмарному сервісі Google Colaboratory»
Лекція 9. «Розпізнавання в задачах СА. Загальні положення»
Лекція 10. «Загальні алгоритми навчання. Персептрон для двох класів»
Лекція 11. «Програмна реалізація елементів нейронної мережі засобами бібліотек TensorFlow та Keras на хмарному сервісі Google Colaboratory»
Лекція 12. «Класифікація персептронів, їх роль в СА. Лінійна роздільність об'єктів. Адаптивні лінійні нейрони»
Лекція 13. «Лінійна апроксимація з використанням нейронних мереж засобами бібліотек TensorFlow та Keras на хмарному сервісі Google Colaboratory»
Лекція 14. «Основні поняття кластеризації та постановка задачі. Навчання без вчителя»
Лекція 15. «Методи кластеризації в задачах СА, їх можливості, вади і недоліки. Метод k-середніх. Ієрархічна кластеризація (агломератні і дивізійні методи) засобами бібліотек TensorFlow та Keras на хмарному сервісі Google Colaboratory»

Лабораторні заняття
Лабораторне заняття №1. «Числові характеристики випадкових величин в задачах СА».
Мета заняття: оволодіти навичками обчислення характеристик розсіювання для дискретних і неперервних випадкових величин в задачах СА.
Лабораторне заняття №2. «Числові характеристики функцій розподілу випадкових величин в задачах СА».
Мета заняття: оволодіти навичками обчислення характеристик функцій розподілу для випадкових величин в задачах СА.
Лабораторне заняття №3. «Характеристики системи двох випадкових величин в задачах СА».
Мета заняття: оволодіти навичками обчислення кореляційного моменту і коефіцієнта кореляції системи двох випадкових величин в задачах СА.
Лабораторне заняття №4. «Апроксимація з допомогою дельта-правила. Частина 1. Формування набору даних».
Мета заняття: оволодіти навичками формування наборів даних в апроксимації в прикладних задачах СА.
Лабораторне заняття №5. «Апроксимація з використанням дельта-правила на мові програмування Python» Частина 2.
Мета заняття: оволодіти навичками апроксимації в прикладних задачах СА з допомогою дельта-правила навчання нейронної мережі.
Лабораторне заняття №6. «Оцінка надійності систем засобом статистичних іспитів».
Мета заняття: оволодіти навичками оцінки надійності систем засобом статистичних іспитів.
Лабораторне заняття №7. «Вирішення задачі розпізнавання в СА. Частина 1. Формування набору даних».
Мета заняття: оволодіти навичками формування наборів даних для вирішення задачі розпізнавання.
Лабораторне заняття №8. «Вирішення задачі розпізнавання в СА з допомогою нейронної мережі». Частина 2.
Мета заняття: оволодіти навичками вирішення задачі розпізнавання в СА з допомогою нейронної мережі.
Лабораторне заняття №9. «Персептрон для розділення на класи. Частина 1. Формування набору даних».
Мета заняття: оволодіти навичками формування наборів даних для класифікації.
Лабораторне заняття №10. «Класифікація з допомогою персептрону». Частина 2.
Мета заняття: оволодіти навичками класифікації з допомогою персептрону в задачах СА.
Лабораторне заняття №11. «Кластеризація даних за допомогою методу k-середніх в задачах СА. Частина 1. Формування набору даних».
Мета заняття: оволодіти навичками формування наборів даних кластеризації в задачах СА.
Лабораторне заняття №12. «Кластеризація k-середніх в задачах СА». Частина 2.
Мета заняття: оволодіти навичками кластеризації k-середніх в СА з допомогою Python.
Лабораторне заняття №13. «Ієрархічна кластеризація. Частина 1. Агломератний метод».
Мета заняття: оволодіти навичками кластеризації агломератним методом в задачах СА.
Лабораторне заняття №14. «Ієрархічна кластеризація. Частина 2. Дивізійний метод».
Мета заняття: оволодіти навичками кластеризації дивізійним методом в задачах СА.
Лабораторне заняття №15. «Визначення кількості кластерів».
Мета заняття: оволодіти навичками визначення кількості кластерів.

Консультації здійснюються впродовж семестру згідно встановленого розкладу.

Індивідуальна робота
Курсова робота

Мета курсової роботи – набуття загальних та спеціальних компетентностей, а також у розвитку практичних навичок з використання методів штучного інтелекту та системного аналізу для вирішення задач апроксимації, кластеризації, регресії, класифікації в інтелектуальних інформаційних системах.

Здобувач отримує завдання на четвертому тижні шостого семестру.
Пояснювальна записка містить 25-40 сторінок Кількість розділів – 3.
Змістовна послідовність виконання роботи.
1. Аналіз теми та опис завдання роботи.
2. Опис теоретичних відомостей, необхідних для виконання роботи.
3. Розробка алгоритмів для виконання завдання, побудова блок-схем, реалізація алгоритмів в вигляді програмного коду, аналіз результатів обчислень.
Захист курсової роботи – протягом останнього навчального тижня семестру.

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) 10-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 оцінюється у 15 балів; індивідуальних поточних завдань №4, №5 –10 балів, ; індивідуальних поточних завдань №6, №7, №8 та №9 – 20 балів, індивідуального поточного завдання №10 – 5 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.
В шостому семестрі передбачена курсова робота. Бездоганне виконання оцінюється у 60 балів. Захист роботи – 40 балів.
Підсумковий контроль – екзамен. Екзамен усний. Максимальна оцінка, яку може отримати студент – 100 балів.