Машинне навчання: вибрані теми
Спеціальність: Системи штучного інтелекту
Код дисципліни: 7.122.04.O.002
Кількість кредитів: 5.00
Кафедра: Системи штучного інтелекту
Лектор: Бойко Н.І.
Семестр: 1 семестр
Форма навчання: денна
Завдання: Інтегральна компетентність (ІНТ) – Здатність розв’язувати задачі дослідницького та/або інноваційного характеру у сфері комп’ютерних наук.
загальні компетентності:
ЗК1 – Здатність до абстрактного мислення, аналізу та синтезу.
ЗК2 – Здатність застосовувати знання у практичних ситуаціях.
ЗК9 – Здатність оцінювати та забезпечувати якість виконуваних робіт.
фахові компетентності спеціальності:
ФК1 – Усвідомлення теоретичних засад комп’ютерних наук.
ФК3 – Здатність використовувати математичні методи для аналізу формалізованих моделей предметної області.
ФК4 – Здатність збирати і аналізувати дані (включно з великими), для забезпечення якості прийняття проєктних рішень.
ФК5 – Здатність розробляти, описувати, аналізувати та оптимізувати архітектурні рішення інформаційних та комп’ютерних систем різного призначення.
ФК7 – Здатність розробляти програмне забезпечення відповідно до сформульованих вимог з урахуванням наявних ресурсів та обмежень.
ФК8 – Здатність розробляти і реалізовувати проєкти зі створення програмного забезпечення, у тому числі в непередбачуваних умовах, за нечітких вимог та необхідності застосовувати нові стратегічні підходи, використовувати програмні інструменти для організації командної роботи над проєктом.
ФК9 – Здатність розробляти та адмініструвати бази даних та знань.
ФК11 – Здатність ініціювати, планувати та реалізовувати процеси розробки інформаційних та комп’ютерних систем та програмного забезпечення, включно з його розробкою, аналізом, тестуванням, системною інтеграцією, впровадженням і супроводом.
ФК13 – Здатність розробляти наскрізний процес машинного навчання.
ФК14 – Здатність оцінювати та налаштовувати моделі машинного навчання та глибокого навчання.
фахові компетентності спеціалізації:
Блок 1 «Системи глибинного навчання»
ФКС2 – Здатність на основі математичних моделей і методів штучного інтелекту здійснювати проектування та параметризацію компонентів інтелектуальної інформаційної системи.
ФКС3 – Здатність формувати вимоги до розроблення інтелектуальних систем.
Результати навчання: РН5 – Оцінювати результати діяльності команд та колективів у сфері інформаційних технологій, забезпечувати ефективність їх діяльності.
РН8 – Розробляти математичні моделі та методи аналізу даних (включно з великими).
РН15 – Виявляти потреби потенційних розробників щодо автоматизації обробки інформації.
РН16 – Виконувати дослідження у сфері комп’ютерних наук
РН18 – Збирати, формалізувати, систематизувати і аналізувати потреби та вимоги до інформаційної або комп’ютерної системи, що розробляється, експлуатується чи супроводжується.
РН21 – Розробити наскрізний процес машинного навчання: прийом даних і попередня обробка; побудова моделі, перевірка, висновки та цикл зворотного зв’язку.
РН22 – Здійснювати вибір, розробку, оцінку та налаштування моделей машинного навчання та глибокого навчання.
РН24 – Реалізовувати та розгортати керовані подіями конвеєри даних.
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: вибрані теми є складовою циклу професійної підготовки фахівців другого магістерського рівня вищої 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). Самоорганізуючі карти (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 та практичних робіт та їх захист.
2. Написання контрольних робіт.
3. Написання розрахунково-графічної роботи
4. Екзамен.
Критерії оцінювання результатів навчання: Лабораторна робота, Практична робота, Розрахунково-графічна робота - 40 балів
Іспит, Усна компонента - 60 балів
Порядок та критерії виставляння балів та оцінок: 100-88 балів - атестований з оцінкою «відмінно» - Високий рівень: здобувач освіти демонструє поглиблене володіння поняттєвим та категорійним апаратом навчальної дисципліни, системні знання, вміння і навички їх практичного застосування. Освоєні знання, вміння і навички забезпечують можливість самостійного формулювання цілей та організації навчальної діяльності, пошуку та знаходження рішень у нестандартних, нетипових навчальних і професійних ситуаціях. Здобувач освіти демонструє здатність робити узагальнення на основі критичного аналізу фактичного матеріалу, ідей, теорій і концепцій, формулювати на їх основі висновки. Його діяльності ґрунтується на зацікавленості та мотивації до саморозвитку, неперервного професійного розвитку, самостійної науково-дослідної діяльності, що реалізується за підтримки та під керівництвом викладача. 87-71 балів - атестований з оцінкою «добре» - Достатній рівень: передбачає володіння поняттєвим та категорійним апаратом навчальної дисципліни на підвищеному рівні, усвідомлене використання знань, умінь і навичок з метою розкриття суті питання. Володіння частково-структурованим комплексом знань забезпечує можливість їх застосування у знайомих ситуаціях освітнього та професійного характеру. Усвідомлюючи специфіку задач та навчальних ситуацій, здобувач освіти демонструє здатність здійснювати пошук та вибір їх розв’язання за поданим зразком, аргументувати застосування певного способу розв’язання задачі. Його діяльності ґрунтується на зацікавленості та мотивації до саморозвитку, неперервного професійного розвитку. 70-50 балів - атестований з оцінкою «задовільно» - Задовільний рівень: окреслює володіння поняттєвим та категорійним апаратом навчальної дисципліни на середньому рівні, часткове усвідомлення навчальних і професійних задач, завдань і ситуацій, знання про способи розв’язання типових задач і завдань. Здобувач освіти демонструє середній рівень умінь і навичок застосування знань на практиці, а розв’язання задач потребує допомоги, опори на зразок. В основу навчальної діяльності покладено ситуативність та евристичність, домінування мотивів обов’язку, неусвідомлене застосування можливостей для саморозвитку. 49-00 балів - атестований з оцінкою «незадовільно» - Незадовільний рівень: свідчить про елементарне володіння поняттєвим та категорійним апаратом навчальної дисципліни, загальне уявлення про зміст навчального матеріалу, часткове використання знань, умінь і навичок. В основу навчальної діяльності покладено ситуативно-прагматичний інтерес.
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).