Засоби глибинного навчання (ІПЗ)
Тип: На вибір студента
Кафедра: системного проектування
Навчальний план
| Семестр | Кредити | Звітність |
| 7 | 5 | Залік |
Лекції
| Семестр | К-сть годин | Лектор | Група(и) |
| 7 | 32 | Парубочий В. О. | ФеП-41 |
Лабораторні
| Семестр | К-сть годин | Група | Викладач(і) |
| 7 | 32 | ФеП-41 | Парубочий В. О. |
Опис навчальної дисципліни
В курсі “Засоби глибинного навчання” розглядаються основні поняття, цілі та задачі штучних нейронних мереж та глибинного навчання, принципи побудови різних типів глибинних штучних мереж та їхнє застосування для вирішення прикладних задач машинного навчання. Основна увага приділяється засвоєнню знань та отриманню навиків, відповідних сучасному стану розвитку галузі машинного та глибинного навчання, умінню практично застосовувати отримані знання.
Предметом вивчення навчальної дисципліни є галузі штучних нейронних мереж та глибинного навчання, їхні поняття, задачі, методи та засоби для вирішення задач машинного навчання.
Для закріплення теоретичних відомостей передбачений лабораторний курс.
Більш детальну інформацію про курс, можна отримати на сторінці курсу в Moodle.
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.
- P. Baheti, “A Newbie-Friendly Guide to Transfer Learning,” V7Labs Blog, Oct. 12, 2021. [Online]. Available: https://www.v7labs.com/blog/transfer-learning-guide
- A. Amidi and S. Amidi, “Recurrent Neural Networks cheatsheet,” CS 230 – Deep Learning cheatsheets, Stanford University. [Online]. Available: https://stanford.edu/~shervine/teaching/cs-230/cheatsheet-recurrent-neural-networks
- C. Olah, “Understanding LSTM Networks,” colah’s blog, Aug. 27, 2015. [Online]. Available: https://colah.github.io/posts/2015-08-Understanding-LSTMs/
- 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/
- 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
- A. Amidi and S. Amidi, “CS 230 – Deep Learning cheatsheets,” Stanford University. [Online]. Available: https://stanford.edu/~shervine/teaching/cs-230/