Машинне навчання (ІСТ)
Тип: Нормативний
Кафедра: радіоелектронних і комп'ютерних систем
Навчальний план
| Семестр | Кредити | Звітність |
| 7 | 6 | Залік |
Лекції
| Семестр | К-сть годин | Лектор | Група(и) |
| 7 | 32 | Сінькевич О. О. | ФеС-41 |
Лабораторні
| Семестр | К-сть годин | Група | Викладач(і) |
| 7 | 32 | ФеС-41 | Сінькевич О. О. |
Опис навчальної дисципліни
Метою викладання навчальної дисципліни є одержання студентами знань про базові моделі машинного навчання; типи машинного навчання; процес підготовки та обробки даних; виділення значущих ознак даних, їх перетворення; процес розгортання моделей машинного навчання та їх огортання в прикладний програмний інтерфейс; ознайомлення з бібліотеками машинного навчання для мови Python 3: numpy, scikit-learn.
Основні завдання вивчення дисципліни: навчити студентів використовувати Python для створення моделей та алгоритмів машинного навчання; ознайомити студентів з класичними та актуальними алгоритмами машинного навчання та обробки даних; забезпечити розуміння моделей на базі інтеграції математичних знань та програмного коду; дати навички для застосування отриманих знань у проектування типових рішень на базі машинного навчання.
Згідно з вимогами освітньо-професійної програми студенти повинні:
знати: процес створення “потокової лінії” машинного навчання – від обробки даних до розгортання моделі; основи обробки даних, їх перетворення та підготовки для моделей машинного навчання; типові алгоритми виявлення та оцінки ознак даних; основи навчання моделей та оцінки їх ефективності; типові програмні засоби машинного навчання; теоретичний та практичний матеріал згідно програми курсу: математичні основи моделей машинного навчання, програмні реалізації тощо.
вміти: застосовувати засвоєний матеріал для створення прототипів моделей машинного навчання; використовувати Python для програмної реалізації моделей машинного навчання, їх тестування та оцінки, а також визначати тип задачі машинного навчання: регресії, класифікації та кластеризації і розв’язувати поставлену проблему на основі здобутих знань та навиків.
Рекомендована література
- 1. Эндрю Траск. Грокаем глубокое обучение. СПб.: Питер, 2019. — 352 с.
- 2. Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python. O’Reilly Media, 2017. — 377 c.
- 3. М. Гринберг. Разработка веб-приложений с использованием Flask на языке Python. ДМК Пресс. – 272 с.
- 4. Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition. Springer. — 2009. — 809 c.
- 5. Peter Harrington. Machine Learning in Action. Manning Publications Co. — 2012. — 382 c.
- 6. Luis Pedro Coelho, Willi Richert. Building Machine Learning Systems with Python, 2 edition. Packt Publishing. — 2015. — 326 c.
- 7. Sebastian Raschka, Vahid Mirjalili. Python Machine Learning, 2 edition. Packt Publishing. — 2017. — 622 c.
- 8. Rui Xu, Don Wunsch. Clustering. Wiley-IEEE Press: IEEE Press Series on Computational Intelligence. — 2008. — 364 c.
- 9. Pramod Singh. Deploy Machine Learning Models to Production: With Flask, Streamlit, Docker, and Kubernetes on Google Cloud Platform. Apress. — 2021. — 161 c.
- 10. Machine Learning Mastery [Електронний ресурс] – Режим доступу до ресурсу: https://
machinelearningmastery.com/. - 11. Jones A. The Unsupervised Learning Workshop / A. Jones, K. Christopher, B. Johnston., 2020. – 549 с. – (Packt Publishing).
- 12. Rokach L. Data mining with decision trees. Theory and Applications / L. Rokach, O. Maimon. – Singapore: World Scientific Publishing Co. Pte. Ltd., 2015. – 328 с.