Штучний інтелект та методи машинного навчання

Мета вивчення дисципліни: освоєння моделей, методів та засобів машинного навчання і розвиток навичок їх практичного застосування.
Практичне значення та використання отриманих знань: навчитися будувати моделі для вирішення задач регресії, класифікації, кластеризації, надання персоналізованих рекомендацій та комп’ютерного зору за допомогою машинного навчання та вміти їх використовувати для вирішення різноманітних практичних завдань.
Тематика та види навчальних занять
Для денної форми здобуття освіти
Лекційні заняття
Лекція 1. Вступ
Історія розвитку штучного інтелекту. Інтелектуальні системи. Завдання, які вирішуються в дисципліні
Лекція 2. Регресія. Постановка задачі
Проста лінійна модель, засоби побудови та оцінювання
Лекція 3. Регресія. Більш складні моделі
Побудова поліноміальних регресійних моделей та моделей з кількома ознаками. Оцінка ступеня перенавчання
Лекція 4. Регресія. Додаткові питання
Використання регресії та додаткові теоретичні питання
Лекція 5. Класифікація. Постановка задачі
Використання класифікаторів. Пороговий та лінійний класифікатори
Лекція 6. Класифікація. Оцінки якості
Метрики якості моделей класифікації. Криві навчання
Лекція 7. Класифікація. Методи
Огляд методів класифікації
Лекція 8. Схожість. Постановка задачі
Пошук схожих текстів. Алгоритм kNN
Лекція 9. Кластеризація. Постановка задачі
Кластеризація для поділу текстів на групи, алгоритми, використання
Лекція 10. Рекомендаційні системи. Постановка задачі та базові методи
Персоналізація за допомогою класифікації та колаборативної фільтрації
Лекція 11. Рекомендаційні системи. Просунуті методи та оцінка якості
Факторизація матриці рейтингів. Метрики ефективності
Лекція 12. Нейронні мережі
Узагальнення задачі класифікації. Класифікатори у вигляді нейронних мереж. Історія розвитку нейронних мереж. Структура та засоби побудови двошарової нейронної мережі. Метод зворотного поширення помилки для навчання нейронних мереж.
Лекція 13. Глибинне навчання для комп’ютерного зору
Глибині згорткові нейроні мережі: структура, алгоритми, переваги і недоліки.
Лекція 14. Глибинні ознаки в комп’ютерному зорі
Перенос навчання (transfer learning), тонке налаштування мережі (fine tuning), витяг глибинних ознак з попередньо навченої нейронної мережі
Лекція 15. Глибинні нейронні мережі для обробки природної мови (NLP)
Історія розвитку НМ для обробки мови. Огляд сучасного стану галузі NLP
Практичні заняття
Практичне заняття №1. Розрахунок моделі лінійної регресії
Мета заняття. Навчитися будувати рівняння лінійної регресії за допомогою методу найменших квадратів
Практичне заняття №2. Оцінювання моделі лінійної регресії
Мета заняття. Навчитися розраховувати метрику якості RSS і візуалізувати результати
Практичне заняття №3. Розрахунок та оцінювання моделі класифікації
Мета заняття. Навчитися будувати та оцінювати моделі класифікації на основі SVM
Практичне заняття № 4. Оцінювання моделі класифікації
Мета заняття. Навчитися оцінювати моделі класифікації на базі метрик і матриці помилок
Практичне заняття № 5. Розрахунок для рішення задачі кластеризації
Мета заняття. Навчитися проводити кластеризацію об’єктів за допомогою методу k-means та Single Linkage
Практичне заняття № 6. Розрахунок для рекомендації товарів
Мета заняття. Навчитися робити рекомендації на основі концепції персоналізації
Практичне заняття № 7. Розрахунок для навчання повнозв’язної нейронної мережі
Мета заняття. Навчитися проводити навчання нейронної мережі за допомогою методу зворотного розповсюдження помилки
Лабораторні заняття
Лабораторне заняття №1. Вивчення інструментальних засобів
Мета роботи. Навчитися роботі в iPython Notebook та з бібліотеками для машинного навчання
Лабораторне заняття №2. Регресія
Мета роботи. Навчитися аналізувати дані та будувати і оцінювати регресійні моделі
Лабораторне заняття №3. Побудова класифікаційних моделей
Мета роботи. Навчитися аналізувати дані та будувати моделі класифікації для сентимент-аналізу
Лабораторне заняття №4. Оцінювання і порівняння моделей класифікації
Мета роботи. Навчитися оцінювати та використовувати моделі класифікації
Лабораторне заняття №5. Схожість
Мета роботи. Навчитися шукати близькі документи за допомогою моделей для представлення тексту BAG_OF_WORDS, TF_IDF, а також методу kNN
Лабораторне заняття №6. Рекомендаційні системи
Мета роботи. Навчитися розробляти рекомендаційні системи на основі концепції персоналізації
Лабораторне заняття №7. Побудова моделей для класифікації зображень на базі глибинного навчання
Мета роботи. Навчитися розробляти моделі для розпізнавання зображень на основі глибинних згорткових нейронних мереж
Лабораторне заняття №8. Оцінка та порівняння моделей класифікації зображень на базі глибинного навчання
Мета роботи. Навчитися метрикам оцінювання ефективності глибинних згорткових нейронних мереж
Для заочної форми здобуття освіти
Лекційні заняття
Лекція 1. Класифікація. Постановка задачі. Використання класифікаторів. Пороговий та лінійний класифікатори. Метрики якості моделей класифікації. Методи класифікації
Лекція 2. Нейронні мережі та глибинне навчання. Метод зворотного поширення помилки для навчання нейронних мереж. Глибинне навчання для комп’ютерного зору: глибині згорткові нейроні мережі, структура, алгоритми, переваги і недоліки; перенос навчання (transfer learning), тонке налаштування мережі (fine tuning). Глибинні нейронні мережі для обробки природної мови (NLP): огляд сучасного стану галузі
Практичні заняття
Практичне заняття № 1. Розрахунок для навчання повнозв’язної нейронної мережі
Мета заняття. Навчитися проводити навчання нейронної мережі за допомогою методу зворотного розповсюдження помилки
Лабораторні заняття
Лабораторне заняття №1. Побудова та оцінювання класифікаційних моделей
Мета роботи. Навчитися будувати та порівнювати моделі класифікації для сентимент-аналізу
Лабораторне заняття №2. Побудова та оцінювання моделей класифікації зображень на базі глибинного навчання
Мета роботи. Навчитися розробляти та порівнювати моделі для розпізнавання зображень на основі глибинних згорткових нейронних мереж
Індивідуальна робота
Для здобувачів очної форми здобуття освіти індивідуальна робота відсутня за планом
Для заочної форми здобуття освіти
Завдання для виконання контрольної роботи здобувач отримує на установчій лекції.
Робота містить 5 теоретичних питання, 5 практичних завдань та звіт з лабораторних робіт.
Обсяг відповіді на кожне теоретичне питання не менше, ніж 1 сторінка машинописного тексту. Текст відповіді має бути виконаний самостійно, а не скопійованим з конспекту лекцій.
Практичні завдання наведені в текстовій формі і присвячені розрахунку моделей машинного навчання.
Термін надання виконаної контрольної роботи на перевірку – не менше, ніж за місяць до початку сесії.
Форми контрольних заходів та оцінювання результатів навчання
Для денної форми здобуття освіти
Поточний контроль полягає у виконанні лабораторних та практичних робіт, а також модульних контрольних робіт.
Оцінка за виконання лабораторних робіт – максимально 16 балів за модуль, за кожну роботу по 4 бала.
Оцінка за виконання завдань практичних занять – максимально 8 балів за модуль: в першому модулі перші 4 заняття оцінюються максимально по 2 бали; в другому модулі 5-е і 6-е заняття оцінюються максимально в 3 бали, а 7-е заняття - максимально в 2 бали.
Модульна контрольна робота – бездоганне виконання 26 балів (в кожному завданні модульної контрольної роботи наведено максимальну кількість балів за виконання завдання).
Підсумковий контроль – іспит. Білет екзамену містить теоретичну і практичну частину. За бездоганні відповіді на всі питання екзаменаційного білету здобувач отримує 100 балів.
Для заочної форми здобуття освіти
Захист контрольної роботи. Бездоганне виконання контрольної роботи оцінюється у 50 балів. Під час її захисту здобувач може отримати до 50 балів.
Підсумковий контроль – іспит. Іспит усний. Максимальна оцінка, яку може отримати здобувач – 100 балів.