Системи машинного навчання (ІСТ)
Тип: Нормативний
Кафедра: системного проектування
Навчальний план
Семестр | Кредити | Звітність |
5 | 3.5 | Залік |
Лекції
Семестр | К-сть годин | Лектор | Група(и) |
5 | 32 | Колич І. І. | ФеС-31, ФеС-32 |
Лабораторні
Семестр | К-сть годин | Група | Викладач(і) |
5 | 32 | ФеС-31 | Колич І. І. |
ФеС-32 |
Опис навчальної дисципліни
В курсі “Системи машинного навчання” розглядаються основні поняття, цілі та задачі машинного навчання, такі як регресія, класифікація, зменшення розмірності, кластеризація та прогнозування, і підходи опрацювання даних, які можуть бути використані для вирішення поставлених задач. Основна увага приділяється засвоєнню знань та отриманню навиків, відповідних сучасному стану розвитку галузі машинного навчання, умінню практично застосовувати отримані знання.
Предметом вивчення навчальної дисципліни є галузь машинного навчання, її поняття, задачі, методи та засоби для вирішення задач машинного навчання.
Для закріплення теоретичних відомостей передбачений лабораторний курс.
Рекомендована література
- A. C. Muller and S. Guido, Introduction to Machine Learning with Python, First Edition. Sebastopol, CA: O’Reilly Media, Inc., 2016, ISBN: 978-1-449-36941-5.
- F. Chollet, Deep Learning with Python, Second edition. Shelter Island, NY, USA: Manning Publications Co., 2021, ISBN: 978-1-61729-686-4.
- A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, Third edition. Sebastopol, CA: O’Reilly Media, Inc., 2023, ISBN: 978-1-098-12597-4.
- I. Goodfellow, Y. Bengio, and A. Couville, Deep Learning. Cambridge, MA, USA: The MIT Press, 2016. ISBN: 978-0-262-03561-3. Available: https://www.deeplearningbook.org
- K. P. Murphy, Probabilistic Machine Learning: An Introduction. Cambridge, MA, USA: The MIT Press, 2022. ISBN: 978-0-262-36930-5. Available: https://probml.github.io/pml-book/book1.html
- J. VanderPlas, Python Data Science Handbook, Second Edition. Sebastopol, CA: O’Reilly Media, Inc., 2023. ISBN: 978-1-098-12122-8.
- X. Zhu, “Semi-Supervised Learning Literature Survey,” Department of Computer Sciences, University of Wisconsin-Madison, WI, USA, Tech. Rep. TR 1530, Jul. 19, 2008. [Online]. Available: https://pages.cs.wisc.edu/~jerryzhu/research/ssl/semireview.html
- X. Zhu and A. B. Goldberg, Introduction to Semi-Supervised Learning. Series Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool Publishers, 2009. ISBN: 978-1-598-29547-4, doi: 10.1007/978-3-031-01548-9.
- G. Zhong and K. Huang, Semi-Supervised Learning: Background, Applications and Future Directions. Nova Science Pub Inc., 2018. ISBN: 978-1-53613-556-5.
- C. Piech, “K Means,” Based on a handout by Andrew Ng, CS 221, Stanford University. [Online]. Available: https://stanford.edu/~cpiech/cs221/handouts/kmeans.html
- R. J. Hyndman and G. Athanasopoulos, Forecasting: Principles and Practice, 3rd Edition. Melbourne, AU: OTexts, 2021. ISBN: 978-0-987-50713-6. Available: https://otexts.com/fpp3/
- A. Amidi and S. Amidi, “CS 229 – Machine Learning cheatsheets,” Stanford University. [Online]. Available: https://stanford.edu/~shervine/teaching/cs-229/
- K. P. Murphy, Machine Learning: A Probabilistic Perspective. Cambridge, MA, USA: The MIT Press, 2012. ISBN: 978-0-262-01802-9. Available: https://probml.github.io/pml-book/book0.html
- K. P. Murphy, Probabilistic Machine Learning: Advanced Topics. Cambridge, MA, USA: The MIT Press, 2023. ISBN: 978-0-262-04843-9. Available: https://probml.github.io/pml-book/book2.html