Архітектура та технологія глибинного навчання (ВПК)
Тип: На вибір студента
Кафедра: системного проектування
Навчальний план
Семестр | Кредити | Звітність |
7 | 6 | Залік |
Лекції
Семестр | К-сть годин | Лектор | Група(и) |
7 | 32 | доцент Ляшкевич В. Я. | ФеП-42 |
Лабораторні
Семестр | К-сть годин | Група | Викладач(і) |
7 | 32 | ФеП-42 | доцент Ляшкевич В. Я., доцент Ляшкевич В. Я. |
Опис навчальної дисципліни
Глибинне навчання – це підгалузь машинного навчання у системі штучного інтелекту в галузі інформатики. Навчальна програма дисципліни “Архітектури та технології глибинного навчання “визначає зміст і обсяг знань”, необхідних для фахівця з інтелектуальних технологій обробки даних. Дисципліна охоплює проблематику вивчення сучасного стану технологій машинного навчання, що використовуються для формалізації та обробки даних в технологіях функціонування систем, вивчення сучасних програмних засобів машинної обробки даних, технологій їх проектування, реалізації і дослідження. У межах навчальної дисципліни студенти вивчають методи, що застосовуються для побудови складних нейромережних моделей та алгоритмів оптимізації із метою вирішення завдань класифікації, детекції, сегментації та ін. Також, в рамках дисципліни, поверхнево розгладаються штучні нейронні мережі як один із найперспективніших засобів машинного навчання.
Рекомендована література
- 1. Martin T. Hagan. Neural Network Design, 2013. – 1012 p. – [Електронний ресурс]. – Режим доступу: https://hagan.okstate.edu/NNDesign.pdf
- 2. Pytorch Tutorial. – [Електронний ресурс]. – Режим доступу: https://pytorch.org/tutorials/beginner/basics/intro.html
- 3. Aurélien Géron. Hands-On Machine Learning with Scikit-Learn and TensorFlow: O’Reilly, 2017. – 718 p.
- 4. Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
- 5. Andrew Ng. Maching Learning Yarning. – [Електронний ресурс]. – Режим доступу: https://nessie.ilab.sztaki.hu/~kornai/2020/AdvancedMachineLearning/Ng_MachineLearningYearning.pdf
- 6. Alex Smola, S.V.N. Vishwanathan. Introduction to machine learning: Cambridge University Press, 2008. – 234 p