Методи машинного навчання для аналізу і прогнозування часових рядів і процесів

Спеціальність: Комп'ютерні науки
Код дисципліни: 8.122.00.M.36
Кількість кредитів: 4.00
Кафедра: Інформаційні технології видавничої справи
Лектор: д.т.н., професор Ткаченко Роман Олексійович
Семестр: 4 семестр
Форма навчання: денна
Результати навчання: • Здатність продемонструвати поглиблені знання у вибраній області наукових досліджень; • Здатність продемонструвати розуміння впливу технічних рішень в суспільному, економічному і соціальному контексті; • Здатність продемонструвати знання та розуміння філософської методології наукового пізнання, психолого-педагогічних аспектів професійно-наукової діяльності, власний науковий світогляд та морально-культурні цінності. • Інтегрувати та застосовувати одержані знання з різних міжпредметних сфер у процесі розв’язання теоретико-прикладних завдань у конкретній області дослідження. • Обирати і застосовувати методологію та інструментарій наукового дослідження при здійсненні теоретичних й емпіричних досліджень у сфері комп’ютерних наук та інформаційних технологій. • Здатність самостійно виконувати експериментальні дослідження та застосовувати дослідницькі навички.
Необхідні обов'язкові попередні та супутні навчальні дисципліни: Пререквізити • Методи аналізу та оптимізації складних систем. • Системи штучного інтелекту.
Короткий зміст навчальної програми: Теорія машинного навчання. Приклади і постановки завдань. Математична постановка задачі і деякі методи. Оцінка якості і вибір моделі. Метод головних компонент. Метод найменших квадратів. Методи боротьби з перенавчанням в задачі відновлення регресії. Наївний байесовский класифікатор, а також precision, recall, F1, ROC, ... Лінійний і квадратичний дискримінантний аналіз. Логістична регресія. Нейронні сіточки. Глибоке навчання. Машина опорних векторів. Дерева рішень. Ансамблі вирішальних функцій. Баггінг. Ансамблі вирішальних правил. Бустинг. Навчання без вчителя. Bias-Variance. Learning Curve.
Методи та критерії оцінювання: виконання завдань на практичних заняттях (40%) підсумковий контроль (екзамен): письмово-усна форма (60%)
Рекомендована література: 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.