Теорія і методи обчислювального інтелекту
Спеціальність: Комп'ютерні науки (Обчислювальний інтелект смарт-систем)
Код дисципліни: 6.122.11.O.035
Кількість кредитів: 5.00
Кафедра: Автоматизовані системи управління
Лектор: док. філософії, асистент каф. АСУ Лящинський Петро Борисович
асистент каф. АСУ Нарушинська Ольга Олександрівна
Семестр: 6 семестр
Форма навчання: денна
Завдання: Інтегральна компетентність:
• Здатність розв’язувати складні спеціалізовані задачі та практичні проблеми у галузі комп’ютерних наук або у процесі навчання, що передбачає застосування теорій та методів інформаційних технологій і характеризується комплексністю та невизначеністю умов.
Загальні компетентності:
• Здатність до абстрактного мислення, аналізу та синтезу.
• Здатність вчитися й оволодівати сучасними знаннями.
• Здатність до пошуку, оброблення та аналізу інформації з різних джерел.
• Здатність приймати обґрунтовані рішення.
• Здатність аналізувати задачі, об’єкти та системи різного призначення, формулювати цілі і завдання для їх розв’язання чи реалізації.
Фахові компетентності:
• Здатність до виявлення статистичних закономірностей недетермінованих явищ, застосування методів обчислювального інтелекту, зокрема статистичної, нейромережевої та нечіткої обробки даних, методів машинного навчання та генетичного програмування.
• Здатність до інтелектуального аналізу даних на основі методів обчислювального інтелекту, включно з великими та погано структурованими даними, їхньої оперативної обробки та візуалізації результатів аналізу в процесі розв’язування прикладних задач.
• Здатність застосовувати теорію і методи обчислювального інтелекту для моделювання та проєктування смарт-систем та інтелектуальних систем управління у різних галузях.
Результати навчання: • Здатність застосовувати абстрактне мислення для формулювання та розв’язання спеціалізованих задач обчислювального інтелекту.
• Уміння самостійно опановувати сучасні знання, інструменти та підходи у галузі обчислювального інтелекту.
• Навички пошуку, аналізу та систематизації інформації з різноманітних джерел (наукові публікації, відкриті репозиторії, документація).
• Здатність обирати та обґрунтовувати методи обчислювального інтелекту (статистичні, нейромережеві, нечіткі, генетичні) для розв’язання конкретних прикладних задач.
• Уміння виконувати інтелектуальний аналіз даних, зокрема великих і слабкоструктурованих, для виявлення закономірностей та формулювання прогнозів.
• Володіння методами побудови, навчання та оптимізації моделей машинного навчання (регресійних, класифікаційних, кластеризаційних), а також оцінювання їх якості.
• Здатність проєктувати смарт-системи та інтелектуальні системи управління, застосовуючи підходи глибинного навчання, еволюційних алгоритмів і навчання з підкріпленням.
• Уміння адаптувати методи обчислювального інтелекту до систем із невизначеністю, аналізувати ризики та приймати обґрунтовані рішення.
• Здатність впроваджувати створені алгоритмічні рішення в реальні програмні середовища та масштабувати їх для різних галузей застосування.
• Уміння здійснювати презентацію, візуалізацію та інтерпретацію результатів розрахунків, розуміти етичні аспекти використання штучного інтелекту та дотримуватися стандартів безпеки даних.
• Здатність враховувати етичні аспекти розробки та використання штучного інтелекту, зокрема забезпечення прозорості, справедливості та конфіденційності.
• Вміння використовувати сучасні інструменти та середовища для розробки, тестування та впровадження інтелектуальних систем, а також оптимізувати їхню роботу в реальному часі.
Ці результати забезпечують всебічну підготовку фахівців, які здатні ефективно використовувати теорію і методи обчислювального інтелекту для розв’язання складних практичних задач у різних галузях науки і техніки.
Необхідні обов'язкові попередні та супутні навчальні дисципліни: Попередні навчальні дисципліни:
• Алгоритмізація та програмування
• Теорія ймовірності і математична статистика
• Інтелектуальний аналіз даних
• Основи смарт технологій та систем
Супутні і наступні навчальні дисципліни:
• Технології інтернет-речей та інтерфейси смарт-систем
• Нейромережеві технології і системи
• Моделювання смарт процесів і систем
Короткий зміст навчальної програми: Дисципліна «Теорія та методи обчислювального інтелекту» спрямована на формування в студентів глибоких знань і практичних навичок у галузі побудови інтелектуальних систем на основі математичних моделей, алгоритмів машинного навчання, еволюційних та ройових методів, нейронних мереж і нечіткої логіки.
Студенти вивчають концепції аналізу, синтезу та оптимізації систем з урахуванням складності й динамічності сучасних середовищ. Курс охоплює як фундаментальні положення обчислювального інтелекту, так і прикладні аспекти впровадження інтелектуальних рішень у розроблення складних і масштабованих програмно-апаратних комплексів.
Опис: 1. Вступ до обчислювального інтелекту.
2. Методи регресії.
3. Методи класифікації.
4. Кластеризація.
5. Нечітка логіка.
6. Основи нейронних мереж.
7. Методи оптимізації.
8. Глибинне навчання і Transfer learning.
9. Нейронні мережі для обробки природної мови та великі мовні моделі (NLP і LLM).
10. Автоенкодери та генеративні моделі.
11. Еволюційні алгоритми та ройові алгоритми.
12. Навчання з підкріпленням.
Методи та критерії оцінювання: • Поточний контроль здійснюється у формі оцінок за захист виконаних лабораторних робіт.
• Підсумковий екзаменаційний контроль здійснюється на основі письмової роботи та усного опитування.
Критерії оцінювання результатів навчання: Максимальна оцінка в балах:
Поточний контроль:
• Лабораторні заняття – 40
Разом за поточний контроль – 40
Екзамен:
• Письмова компонента – 40
• Усна компонента – 20
Разом за дисципліну: 100
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: Базова література:
1. “Soft Computing, Natural Computation - what’s the difference?,” Artificial Intelligence, Computational Intelligence.
2. “Presentation page of CLT course,” in Computational Learning Theory, 2014.
3. W. M. Spears, Evolutionary Algorithms, 2000th ed., Berlin, Germany: Springer, 2013.
4. T. Ross, Fuzzy Logic with Engineering Applications, 3rd ed., Wiley, 2009.
5. J. M. Keller, Fundamentals of Computational Intelligence: Neural Networks, Fuzzy Systems, and Evolutionary Computation, 2016.
6. D. B. Fogel, Computational Intelligence: The Experts Speak, IEEE Press, 2007.
7. R. C. Eberhart, Computational Intelligence: Concepts to Implementations, Morgan Kaufmann, 2007.
8. J. Kacprzyk, Springer Handbook of Computational Intelligence, Springer, 2015.
9. V. Kecman, Learning and Soft Computing: Support Vector Machines, Neural Networks, and Fuzzy Logic Models, The MIT Press, 2001.
10. A. Tettamanzi and M. Tomassini, Soft Computing, 2001st ed., Berlin, Germany: Springer, 2013.
11. G. James, D. Witten, T. Hastie, and R. Tibshirani, An Introduction to Statistical Learning: With Applications in R, Springer, 2013.
12. A. Geron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, O’Reilly Media, 2019.
13. L. Serrano, Grokking Machine Learning, New York, NY: Manning Publications, 2022.
14. R. Reed and R. J. Marks, Neural Smithing: Supervised Learning in Feedforward Artificial Neural Networks, The MIT Press, 1999.
15. A. P. Engelbrecht, Computational Intelligence, 3rd ed., Chichester, England: Wiley-Blackwell, 2023.
Допоміжна література:
16. Теслюк В. М., Пелешко Д. Д., Розв’язання задач аналізу на системному рівні автоматизованого проєктування з використанням мереж Петрі, Львів: Самвидав кафедри САП НУ “Львівська політехніка”, 2013.
17. K. Jensen, L. M. Kristensen, Coloured Petri Nets: Modelling and Validation of Concurrent Systems, 1st ed., Springer, 2009.
18. Теслюк В. М., Розв’язання задач синтезу та аналізу на системному рівні автоматизованого проєктування з використанням систем масового обслуговування, Львів: НУ “ЛП”, 2011.
19. Бхаргава А., Грокаємо алгоритми: ілюстрований посібник для програмістів і допитливих, Харків: Віват, 2022.
Інформаційні ресурси:
1. https://www.researchgate.net/publication/280740950_Metodi_optimizacii_v_seredovisi_Ma
tLab_Laboratornij_praktikum
2. http://lestylefou.xyz/psihologija/osobistist/73098-jaki-isnujut-metodi-optimizacii-metodioptimizacii.html
3. http://posibnyky.vntu.edu.ua/met/zmist.htm
4. https://www.it.ua/knowledge-base/technology-innovation/industry-4
5. http://www.kuleuven.be/industrieelonderzoeksfonds/nieuws/Witboek_EN_H.pdf
6. Europa FP7 EC Website. URL : http://www.ec.europa.eu.
7. http://mmf.lnu.edu.ua/en/aren/1739
8. https://www.datascience-pm.com/crisp-dm-2/
9. https://www.ibm.com/docs/sr/spss-modeler/SaaS?topic=dm-crisp-help-overview
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).