High-speed Machine Learning Tools for Data Analysis and Forecasting Tasks

Major: Computer Sciences
Code of subject: 8.122.00.M.033
Credits: 3.00
Department: Publishing Information Technologies
Lecturer: lecturer of PIT department
Semester: 4 семестр
Mode of study: денна
Learning outcomes: • Ability to demonstrate in-depth knowledge in the chosen field of scientific research; • Ability to demonstrate an understanding of the impact of technical solutions in social, economic and social context; • Ability to demonstrate knowledge and understanding of the philosophical methodology of scientific knowledge, psychological and pedagogical aspects of professional-scientific activity, own scientific worldview and moral and cultural values. • Integrate and apply acquired knowledge from various interdisciplinary areas in the process of solving theoretical and applied tasks in a particular field of study. • Select and apply the methodology and tools of scientific research in conducting theoretical and empirical research in computer science and information technology. • Ability to independently perform experimental research and apply research skills.
Required prior and related subjects: Prerequisites: • Methods of analysis and optimization of complex systems.
Summary of the subject: Machine Learning Theory. Examples and problem statements. Mathematical formulation of the problem and some methods. Quality assessment and model selection. Principal component method. Method of least squares. Methods for combating overtraining in regression recovery problem. Naive Bayesian classifier, and precision, recall, F1, ROC, ... Linear and quadratic discriminant analysis. Logistic regression. Neural meshes. Deep learning. Support vector machine. Decision trees. Decision function ensembles. Bugging. Ensembles of decisive rules. Busting. Learning without a teacher. Bias-Variance. Learning Curve.
Assessment methods and criteria: performing tasks in practical classes (40%) final control (exam): written-oral form (60%)
Recommended books: 1. Засоби штучного інтелекту: навч. посібник / Р. О. Ткаченко, Н. О. Кустра, О. М., Павлюк, У. В. Поліщук. – Львів: Видавництво Львівської політехніки, 2014. – 204 с. 2. Ткаченко Р. Моделювання методами нейронних мереж / Р.О. Ткаченко, П.Р. Ткаченко, Н.О. Мельник: навч. – метод. посібник ; ЛІБС УБС НБУ. – Львів, 2010. – 114 с. 3. Ткаченко Р. Системи штучного інтелекту / Ткаченко Р.О., Кустра Н.О. : конспект лекцій. Реєстр. № 5282 від 14.10.2013. – НУЛП. – 2013. – 111 с. 4. Ткаченко Р. О. Нейромережеві засоби штучного інтелекту: навчальний посібник / Р. О. Ткаченко, П. Р. Ткаченко, І. В. Ізонін - Львів: Видавництво Львівської політехніки, 2017. - 240 с. ISBN 978-966- 941-011- 5 5. В. Кулявець. Прогнозування соціально-економічних процесів / Кулявець В. О. – К. : Кондор, 2009. – 194 с. 6. Глущенко В. Прогнозирование / В.В. Глущенко В. В. – М. : Вузовская книга, 2005. – 205с. S.Haykin. Neural Networks and Learning Machines. 3rd Edition. Pearson, 2018. 7. C.C.Aggarwal. Neural Networks and Deep Learning. A Textbook. Springer International Publishing AG, 2018. DOI 10.1007/978-3-319-94463-0 ISBN 978-3-319-94462-3 8. Bishop C. M. Pattern Recognition and Machine Learning. — Springer, Series: Information Science and Statistics, 2006. — 740 pp.