• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Машинное обучение

2019/2020
Учебный год
RUS
Обучение ведется на русском языке
3
Кредиты

Преподаватель

Программа дисциплины

Аннотация

Дисциплина направлена на теоретическое и практическое изучение основ машинного обучения. Машинное обучение – это подраздел искусственного интеллекта, актуальная и динамично развивающаяся дисциплина, тесно связанная с различными разделами математики и компьютерных наук. Машинное обучение решает проблемы, связанные с разработкой и применением алгоритмов, способных выполнять такие сложные задачи, как распознавание образов, автоматическая обработка текстов и др. Важной особенностью алгоритмов машинного обучения является то, что они не требуют подробных инструкций по выполнению задач, но способны сами "обучаться" на примерах решения аналогичных задач человеком.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целью освоения дисциплины «Машинное обучение» является получение высшего профессионально профилированного (на уровне бакалавра) образования, позволяющего выпускнику успешно работать в избранной сфере деятельности, обладать универсальными и предметно-специализированными компетенциями, способствующими его социальной мобильности и устойчивости на рынке труда.
Результаты освоения дисциплины

Результаты освоения дисциплины

  • Знает постановки основных задач машинного обучения;
  • Знает свойства линейных преобразований и операций над матрицами;
  • Знает понятие и свойства случайной величины, свойства её характеристик
  • Знает базовые архитектуры нейронных сетей для их решения;
  • Знает программные инструменты и библиотеки их реализующие.
  • Умеет тренировать нейронные сети для решения прикладных задач в различных предметных областях;
  • Применяет программные продукты для решения задач
  • Использует инструменты машинного обучения для анализа данных
  • Владеет навыками работы программирования на python и работы в консоли
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Тема 1. Простейшие методы машинного обучения
    Приложения задач машинного обучения. Задача классификации. Метод k-ближайших соседей. Подбор параметров модели по кросс-валидации. Линейный классификатор.
  • Тема 2. Функция ошибки. Регуляризация. Оптимизация.
    Логистическая функция потерь. Квадратичная, экспоненциальная и кусочно-линейная функция потерь.
  • Тема 3. Метод обратного распространения ошибки. Нейронные сети.
    Стохастический градиентный спуск. Простейший персептрон. Функции активации
  • Тема 4. Обучение нейронных сетей. Нормализационные методы
    Обучение нейронных сетей. Нормализационные методы.
  • Тема 5. Архитектуры сверточных нейронных сетей
    Понятие свёртки. Пулинг. Полно связанный слой.
  • Тема 6. Библиотеки для тренировки и запуска нейронных сетей.
    Библиотеки “Keras”, “TenzorFlow”
Элементы контроля

Элементы контроля

  • неблокирующий Самостоятельная работа (лабораторные работы)
  • неблокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (2 модуль)
    0.5 * Самостоятельная работа (лабораторные работы) + 0.5 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.

Рекомендуемая дополнительная литература

  • - Коэльо Л.П., Ричарт В. — Построение систем машинного обучения на языке Python - Издательство "ДМК Пресс" - 2016 - ISBN: 978-5-97060-330-7 - Текст электронный // ЭБС Лань - URL: https://e.lanbook.com/book/82818
  • Новиков Ф. А.-СИМВОЛИЧЕСКИЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ: МАТЕМАТИЧЕСКИЕ ОСНОВЫ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ. Учебное пособие для академического бакалавриата-М.:Издательство Юрайт,2019-278-Бакалавр. Академический курс. Модуль-978-5-534-00734-3: -Текст электронный // ЭБС Юрайт - https://biblio-online.ru/book/simvolicheskiy-iskusstvennyy-intellekt-matematicheskie-osnovy-predstavleniya-znaniy-434065