Засоби машинного навчання (ІПЗ)

Тип: На вибір студента

Кафедра: системного проектування

Навчальний план

СеместрКредитиЗвітність
65.5Залік

Лекції

СеместрК-сть годинЛекторГрупа(и)
632Парубочий В. О.ФеП-31

Лабораторні

СеместрК-сть годинГрупаВикладач(і)
632ФеП-31Парубочий В. О., Парубочий В. О.

Опис навчальної дисципліни

В курсі “Засоби 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.

Більш детальну інформацію про курс, можна отримати на сторінці курсу в Moodle.

Рекомендована література

  1. 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.
  2. F. Chollet, Deep Learning with Python, Second edition. Shelter Island, NY, USA: Manning Publications Co., 2021. ISBN: 978-1-61729-686-4.
  3. 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.
  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
  5. 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
  6. J. VanderPlas, Python Data Science Handbook, Second Edition. Sebastopol, CA: O’Reilly Media, Inc., 2023. ISBN: 978-1-098-12122-8.
  7. 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
  8. 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.
  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.
  10. 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
  11. 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/
  12. A. Amidi and S. Amidi, “CS 229 – Machine Learning cheatsheets,” Stanford University. [Online]. Available: https://stanford.edu/~shervine/teaching/cs-229/
  13. 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
  14. 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

Силабус: Силабус курсу за навчальним планом 2022 року, варіант 2022 року

Завантажити силабус

Силабус: Силабус курсу за навчальним планом 2022 року, варіант 2023 року

Завантажити силабус

Силабус: Силабус курсу за навчальним планом 2019 року, варіант 2023 року

Завантажити силабус