Машинне навчання
Спеціальність: Комп'ютерні науки (освітньо-наукова програма)
Код дисципліни: 7.122.04.O.066
Кількість кредитів: 5.00
Кафедра: Системи штучного інтелекту
Лектор: Бойко Н.І.
Семестр: 1 семестр
Форма навчання: денна
Завдання: Вивчення навчальної дисципліни передбачає формування у здобувачів освіти компетентностей:
загальні компетентності:
1. уміння спілкуватися другою мовою;
2. здатність навчатися;
3. уміння спілкуватися усно та в письмовій формі першою мовою;
4. здатність здійснювати пошук та аналізувати інформацію з різних джерел;
5. уміння ідентифікувати, формулювати та розв’язувати задачі;
6. уміння застосовувати знання в практичних ситуаціях;
7. уміння приймати обґрунтовані рішення;
8. уміння проводити дослідження на відповідному рівні;
9. уміння працювати в команді;
10. знання та розуміння предметної області та розуміння фаху;
11. уміння спілкуватися з нефахівцями однієї галузі;
12. уміння розробляти та керувати проектами;
13. уміння працювати самостійно.
фахові компетентності спеціальності (ФК):
1. здатність гнучкого способу мислення, який дає можливість зрозуміти й розв’язати проблеми та задачі, зберігаючи при цьому критичне відношення до усталених наукових концепцій;
2. здатність використовувати поглиблені теоретичні та фундаментальні знання в галузі штучного інтелекту для розроблення складних систем;
3. здатність формулювати, аналізувати та синтезувати рішення наукових проблем на абстрактному рівні шляхом їхньої декомпозиції на складові, які можна дослідити окремо в їх більш та менш важливих аспектах;
4. здатність будувати відповідні моделі складних систем, досліджувати їх для побудови проектів інформаційних систем;
5. здатність розробляти і впроваджувати моделі інформаційних систем засобами комп’ютерного моделювання;
6. здатність комунікувати з колегами з даної області щодо наукових досягнень, як на загальному рівні, так і на рівні спеціалістів, здатність робити усні та письмові звіти, обговорювати наукові теми рідною та англійською мовами;
7. здатність провести усну презентацію та написати зрозумілу статтю за результатами проведених досліджень, а також щодо сучасних концепцій у системах штучного інтелекту та методів опрацювання природної мови;
8. здатність аналізувати та формулювати висновки для різних типів складних управлінських задач у різних галузях народного господарства;
9. здатність формулювати (роблячи презентації, або представляючи звіти) нові гіпотези та наукові задачі в області штучного інтелекту та опрацювання природної мови, вибирати належні напрями і відповідні методи для їхнього розв’язування;
10. здатність сприймати ново здобуті знання в області комп’ютерних наук, інформаційних технологій і штучного інтелекту та інтегрувати їх зі уже наявними;
11. здатність вивчати та критично оцінювати нові інформаційні технології, моделі і методи штучного інтелекту, ґрунтуючись на фахових у цих областях наукових літературних джерелах.
Результати навчання: Результати навчання:
1. здатність формулювати та вдосконалювати важливу дослідницьку задачу, для її вирішення збирати необхідну інформацію та формулювати висновки, які можна захищати в науковому контексті.
2. здатність використовувати професійно-профільні знання і практичні навички для оптимізації проектування інформаційних систем будь-якої складності, для вирішення конкретних завдань проектування інтелектуальних інформаційних систем з керування об'єктами різної фізичної природи.
3. здатність аналізувати та оцінювати коло завдань, які сприяють подальшому розвитку ефективного використання інформаційних ресурсів систем прийняття рішень.
4. здатність проводити оцінку наявних технологій та на основі аналізу формувати вимоги до розроблення перспективних інформаційних технологій.
5. здатність вміти визначати тип інтеграції даних, необхідний для тої чи іншої задачі.
6. здатність здійснювати ефективну комунікативну діяльність роботи команди зі розроблення проекту інформаційної системи.
7. здатність працювати з експертними та текстологічними джерелами інформації для інтеграції даних і знань в області діяльності організації за допомогою методів набуття знань, подання знань, класифікації і компіляції знань.
8. здатність формулювати функціональні вимоги до інформаційних систем, розробляти технічні завдання, функціональні специфікації для розподіленої СУБД, роботи в розподіленому середовищі, опрацювання XML-даних.
9. здатність проектувати та використовувати наявні засоби інтеграції даних, опрацьовувати дані, що зберігаються у різних системах.
10. здатність організовувати, конфігурувати та розробляти Web-системи, використовуючи принципи розподілених систем, гіпертекстових систем, відповідні технічні та програмні засоби.
11. здатність будувати моделі інформаційних потоків, проектувати сховища і простори даних, бази знань, використовуючи діаграмну техніку і стандарти розроблення інформаційних систем.
12. здатність володіти достатніми науковими навичками, щоб успішно проводити наукові дослідження під наглядом наставника.
уміння (УМ):
1. здатність використовувати знання та розуміння, що відносяться до базових областей штучного інтелекту і проектування систем підтримки прийняття рішень.
2. використовуючи методи глибинного машинного навчання, здатність створювати системи підтримки прийняття рішень.
3. здатність розробляти математичні моделі і алгоритми розпізнавання образів і класифікації об’єктів в інтелектуальних системах прийняття рішень.
4. здатність здійснювати паралельну обробку та попередній аналіз даних.
5. здатність застосовувати теорію баз даних у методах попередньої обробки даних.
6. здатність використовувати знання та розуміння, що відносяться до базових областей штучного інтелекту і проектування систем підтримки прийняття рішень.
7. здатність створювати математичні моделі і алгоритми прийняття рішень за допомогою алгоритмічного та програмного забезпечення, використовуючи машинне навчання, штучні нейронні мережі, еволюційне моделювання, генетичні методи оптимізації, метод індуктивного моделювання та математичний апарат нечіткої логіки.
8. здатність розробляти математичні моделі і алгоритми розпізнавання образів і класифікації об’єктів в інтелектуальних системах прийняття рішень в умовах проектування систем розпізнавання образів за допомогою відповідного математичного забезпечення, використовуючи процедури формального уявлення про систему.
9. здатність розробляти розподілені системи штучного інтелекту в умовах обмеження ресурсів та необхідності декомпозиції задач оброблення інформації за допомогою моделей теорії розподіленого штучного інтелекту та теорії прийняття рішень, використовуючи штучний інтелект в ігрових застосуваннях.
10. здатність володіти навиками розроблення функціонального середовища відкритих систем, інтерфейсів прикладного програмування, прикладних програм і додатків з властивостями: розширюваності, масштабованості, інтероперабельності, здатності до інтеграції, готовності і надійності системи.
комунікація (КОМ):
1. уміння спілкуватись, включаючи усну та письмову комунікацію українською та іноземною мовами (англійською, німецькою, італійською, французькою, іспанською).
2. здатність використання різноманітних методів, зокрема сучасних інформаційних технологій, для ефективно спілкування на професійному та соціальному рівнях.
автономія і відповідальність (АіВ):
13. здатність адаптуватись до нових ситуацій та приймати відповідні рішення.
14. здатність відповідально ставитись до виконуваної роботи, самостійно приймати рішення, досягати поставленої мети з дотриманням вимог професійної етики.
Методи навчання і викладання:
• Виконання лабораторних робіт та їх захист.
• Написання контрольних робіт.
• Написання розрахунково-графічної роботи
Методи оцінювання рівня досягнення результатів навчання:
• Оцінювання лабораторних робіт.
• Оцінювання розрахунково-графічних робіт.
• Тестування.
Необхідні обов'язкові попередні та супутні навчальні дисципліни: Попередні навчальні дисципліни:
1. Інтелектуальний аналіз даних
2 Машинне навчання
Супутні і наступні навчальні дисципліни:
1. Методи аналізу великих даних
2. Проектування систем глибинного навчання
Короткий зміст навчальної програми: Навчальна дисципліна Машинне навчання є складовою циклу професійної підготовки фахівців першого бакалаврського рівня освіти. Пропонований навчальний курс забезпечить студентам здобуття поглиблених теоретичних та практичних знань, умінь та розуміння, що відносяться до областей систем підтримки прийняття рішень на основі методів машинного навчання для прийняття оптимальних, математично обґрунтованих рішень, що дасть їм можливість ефективно виконувати завдання інноваційного характеру відповідного рівня професійної діяльності, орієнтованої на дослідження й розв’язання складних задач проектування та розроблення різних систем штучного інтелекту для задоволення потреб науки, бізнесу та підприємств у різних галузях.
Опис: 1 Загальні поняття про машинне навчання
Основні поняття та визначення. Три складові навчання. Навчання з вчителем. Навчання без вчителя. Навчання з підкріпленням. Ансамблеві методи навчання. Нейромережі та глибоке навчання.
2 Лінійний класифікатор і стохастичний градієнт
Алгоритм лінійної розділяючої поверхні. Випадок двох класів. Метод мінімізації емпіричного ризику. Заміна порогової функції втрат. Метод стохастичного градієнта.
3 Моделі і методи нечіткої логіки
Нечіткі множини. Типи нечітких множин. Функція належності. Види функцій належності. Лінгвістичні змінні. Операції нечіткої логіки. Основні операції з нечіткими множинами. Нечіткі часові ряди. Нечіткі системи. Алгоритм нечіткої кластеризації.
4 Штучні нейронні мережі
Особливості нейронних мереж та їх переваги і недоліки. Визначення моделі штучної нейронної мережі. Формальна модель і реалізація нейронної мережі. Роль порогової функції в нейронних мережах. Багатошаровий персептрон.
5 Самоорганізуючі карти
Поняття карт (ART, SFAM). Мережі прямого розповсюдження. Рекурентні мережі (Recurrent Neural Network). Самоорганізуючіся карты (Self-organization map, SOM). Карти Кохонена. Автокодувальники (AutoEncoder). Обернене розповсюдження помилки.
6 Генетичні алгоритми
Вступ в генетичні алгоритми. Поняття оптимізації. Природна еволюція. Генетичний алгоритм. Цільова функція і кодування. Загальна структура генетичного алгоритму. Опис простого генетичного алгоритму.
7 Метод опорних векторів
Постановка задачі для бінарної класифікації. Оптимальна розділяюча гіперплощина. Лінійне розділення вибірки. Лінійно не роздільна вибірка. Алгоритм настроювання методу опорних векторів. Метод опорних векторів в задачах регресії.
8 Метод групового врахування аргументів
Означення методу групового врахування аргументів. Суть методу та рекомендації щодо його використання. Індуктивний алгоритм пошуку моделі оптимальної структури. Зовнішні критерії методу. Алгоритм породження моделей. Початковий поліном для методу групового обліку аргументів.
Методи та критерії оцінювання: 1. Виконання лабораторних робіт та їх захист.
2. Написання контрольних робіт.
3. Написання розрахунково-графічної роботи
4. Екзамен.
Критерії оцінювання результатів навчання: Лабораторна робота, Розрахунково-графічна робота - 40 балів
Екзамен, Усна компонента - 60 балів
Порядок та критерії виставляння балів та оцінок: 100–88 балів – («відмінно») виставляється за високий рівень знань (допускаються деякі неточності) навчального матеріалу компонента, що міститься в основних і додаткових рекомендованих літературних джерелах, вміння аналізувати явища, які вивчаються, у їхньому взаємозв’язку і роз витку, чітко, лаконічно, логічно, послідовно відповідати на поставлені запитання, вміння застосовувати теоретичні положення під час розв’язання практичних задач; 87–71 бал – («добре») виставляється за загалом правильне розуміння навчального матеріалу компонента, включаючи розрахунки , аргументовані відповіді на поставлені запитання, які, однак, містять певні (неістотні) недоліки, за вміння застосовувати теоретичні положення під час розв’язання практичних задач; 70 – 50 балів – («задовільно») виставляється за слабкі знання навчального матеріалу компонента, неточні або мало аргументовані відповіді, з порушенням послідовності викладення, за слабке застосування теоретичних положень під час розв’язання практичних задач; 49–26 балів – («не атестований» з можливістю повторного складання семестрового контролю) виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння застосувати теоретичні положення під час розв’язання практичних задач; 25–00 балів – («незадовільно» з обов’язковим повторним вивченням) виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння орієнтуватися під час розв’язання практичних задач, незнання основних фундаментальних положень.
Рекомендована література: 1. Кононова К. Ю. Машинне навчання: методи та моделі: підручник для бакалаврів, магістрів та докторів філософії спеціальності 051 «Економіка» / К. Ю. Кононова. – Харків: ХНУ імені В. Н. Каразіна, 2020. – 301 с.
2. Кургаєв О.П. Методи та системи штучного інтелекту / [Електронний ресурс]: конспект лекцій для студентів напряму підготовки 6.050101 «Комп'ютерні науки» денної та заочної форм навчання / О.П. Кургаєв – К.: НУХТ, 2014. – 279 с.
3. Згуровський М.З. Основи системного аналізу / М.З. Згуровський, Н.Д. Панкратова –К : Видавнича група BHV, 2007.-544с.
4. Методичні вказівки до виконання лабораторних робіт з дисципліни "Нечіткі моделі і методи обчислювального інтелекту" для студентів спеціальності 8.05010102 ?Системи штучного інтелекту: усіх форм навчання / Уклад.: С.О. Субботін. – Запоріжжя: ЗНТУ, 2015. – 50 с.
5. Кононюк А.Ю. Нейроні мережі і генетичні алгоритми – К.: «Корнійчук», 2008. – 446 с.
6. Могильний С. Б. Машинне навчання з використанням мікрокомп’ютерів: навч.-метод. посіб. / за ред. О. В. Лісового та ін. – К., 2019. – 226 с. (http://man.gov.ua/files/49/Machine_Nav4ann_Mogilniy.pdf)
7. Штовба С.Д. Machine learning: стартовий курс : електронний навчальний посібник / Штовба С.Д., Козачко О.М. – Вінниця : ВНТУ, 2020. – 81 с. (file:///C:/Users/Natas/Downloads/MachinelearningGettingStarted_CR.pdf)
8. Любунь З.М. Основи теорії нейромереж – Львів, 2006. – 140 с.
Уніфікований додаток: Національний університет «Львівська політехніка» забезпечує реалізацію права осіб з інвалідністю на здобуття вищої освіти. Інклюзивні освітні послуги надає Служба доступності до можливостей навчання «Без обмежень», метою діяльності якої є забезпечення постійного індивідуального супроводу навчального процесу студентів з інвалідністю та хронічними захворюваннями. Важливим інструментом імплементації інклюзивної освітньої політики в Університеті є Програма підвищення кваліфікації науково-педагогічних працівників та навчально-допоміжного персоналу у сфері соціальної інклюзії та інклюзивної освіти. Звертатися за адресою:
вул. Карпінського, 2/4, І-й н.к., кімн. 112
E-mail: nolimits@lpnu.ua
Websites: https://lpnu.ua/nolimits https://lpnu.ua/integration
Академічна доброчесність: Політика щодо академічної доброчесності учасників освітнього процесу формується на основі дотримання принципів академічної доброчесності з урахуванням норм «Положення про академічну доброчесність у Національному університеті «Львівська політехніка» (затверджене вченою радою університету від 20.06.2017 р., протокол № 35).