Методи та технології машинного навчання (ВПК)
Тип: Нормативний
Кафедра: системного проектування
Навчальний план
| Семестр | Кредити | Звітність |
| 6 | 3.5 | Іспит |
Лекції
| Семестр | К-сть годин | Лектор | Група(и) |
| 6 | 32 | доцент Ляшкевич В. Я. | ФеП-33 |
Лабораторні
| Семестр | К-сть годин | Група | Викладач(і) |
| 6 | 32 | ФеП-33 | доцент Ляшкевич В. Я. |
Опис навчальної дисципліни
Метою вивчення дисципліни є формування у майбутніх фахівців знань та вмінь застосування сучасних методів та засобів розробки, дослідження та використання сучасних технологій обробки даних для вирішення задач класифікації, регресійного аналізу, прогнозування та ухвалення рішень, формування у студентів сучасного наукового світогляду в області методів машинного навчання; наукової уяви про задачі, що розв’язуються з допомогою методів машинного навчання, вивчення методів класифікації і регресії з вчителем, а також методи кластерного аналізу (без вчителя); знайомство студентів з сучасними технологіями машинного навчання та тенденціями розробки і застосування; подальше становлення і вдосконалення інформаційної та програмної культури майбутніх фахівців. Основні цілі дисципліни забезпечують: набуття практичних навичок і знань в області технологій машинного навчання. У результаті вивчення даної дисципліни студенти повинні освоїти основні методи навчання з вчителем і без вчителя – кластеризація розбиттям, ієрархічна кластеризація та нечітка кластеризація. Також, в результаті освоєння матеріалу, студенти повинні вивчити основні практичні прийоми роботи з інформацією мовою Python.
Рекомендована література
- 1. Aurélien Géron. Hands-On Machine Learning with Scikit-Learn and TensorFlow: O’Reilly, 2017. – 718 p.
- 2. Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012.
- 3. Andrew Ng. Maching Learning Yarning. – [Електронний ресурс]. – Режим доступу: https://nessie.ilab.sztaki.hu/~kornai/2020/AdvancedMachineLearning/Ng_MachineLearningYearning.pdf
- 4. Alex Smola, S.V.N. Vishwanathan. Introduction to machine learning: Cambridge University Press, 2008. – 234 p.
- 5. Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009.
- 6. Machine learning. A First Course for Engineers and Scientists / Andreas Lindholm, Niklas Wahlström, Fredrik Lindsten, Thomas B. Schön // Cambridge University Press, 2021. -275 p.
- 7. Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
- 8. Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
- 9. Charu C. Aggarwal. Recommender Systems: Springer, 2016. – 518 p.
- 10. Kishan G. Mehrotra Chilukuri K. Mohan HuaMing Huang. Anomaly Detection Principles and Algorithms: Springer. – 2017. – 229 p. – DOI: https://doi.org/10.1007/978-3-319-67526-8
- 11. Machine Learning in Computer Vision / N. Sebe, Ira Cohen, Ashutosh Garg, Thomas S. Huang// Springer, 2005. – 249 p. – Режим доступу:
http://silverio.net.br/heitor/disciplinas/eeica/papers/Livros/[Sebe]%20-%20Machine%20Learning%20in%20Computer%20Vision.pdf