Основи машинного нав ...

Структура за темами

• Загальне
  

  Загальне

  Життєвий цикл проектів з аналізу даних CRISP DM. Розвідувальний аналіз даних. 

  Статистичні розподілення. Кореляційно-регресійний аналіз: метод найменших квадратів, коефіцієнти кореляції, діаграма розсіювання. 

  Основи класифікації: логістична регресія, наївний класифікатор Баєса, дерева рішень, метод k найближчих сусідів, метод опорних векторів. 

  Основи кластеризації: метод k середніх. Метрики оцінки якості регресії, класифікації, кластеризації. Метод кросвалідації. Засоби мови програмування Python розв’язання задач кореляції, класифікації, кластеризації: бібліотека sklearn. 

  У практичній частині курсу розв'язуються наступні задачі: класифікація на наборі даних Iris, Mnist. Регресія на наборі даних цін на нерухомість. Навчання з вчителем, без вчителя, з підкріпленням.

  Лекційні та лабораторні заняття: доцент кафедри програмної інженерії Кудін Олексій Володимирович

  e-mail: alexkudin@znu.edu.ua
  

  Join Zoom Meeting

  https://us04web.zoom.us/j/9971262369?pwd=KbnZh7gVBfvt9ukRYJuiYTeohyuLVj.1
  

  Meeting ID: 997 126 2369
  

  Passcode: KdNF4T

  
  

  Лабораторні заняття: PhD, ст. викладач кафедри програмної інженерії Столярова Анастасія Валеріївна

  e-mail: st_av991@ukr.net
  Тел.: +38 (050) 104 86 16
  

  Інші засоби зв’язку: Telegram (приватні повідомлення починати з номеру Вашої групи, прізвища та імені), Moodle (приватні повідомлення)

  Лабораторні заняття з курсу «Основи машинного навчання» відбуватимуться на базі платформи Zoom згідно звичного розкладу.
  URL для підключення:
  https://zoom.us/j/5067593115?pwd=Y3g5VlppUllhU0ExMTk0ZUVlSGVuUT09
  Ідентифікатор конференції: 506 759 3115
  

  Код доступу: 721972
  

  Вхід після прийняття учасника організатором.

  
  

  • Новини Форум
• Попередня обробка даних
  

  Попередня обробка даних

  • Лекція 1. Вступ URL (веб-посилання)
  • Презентація №1 URL (веб-посилання)
  • Пояснювальний аналіз даних URL (веб-посилання)
  • Лабораторна робота №1. Пояснювальний аналіз даних Завдання

    Завдання для самостийної роботи:

    1. В середовищі Google Colab інсталювати бібліотеку scikit-learn.

    2. За допомогою функції sklearn.datasets.make_classification згенерувати довільні дані для задачі класифікації з кількістю спостережень - 500, кількістю інформативних ознак - 4, кількістю надлишкових ознак - 2, кількістю класів - 3, кількістю кластерів на клас - 2.   

    3. Зробити описове дослідження даних. Цей етап передбачає побудову різноманітних діаграм. Мета описового дослідження - зрозуміти як цільові змінні залежать від ознак та як ознак пов'язані між собою та виявити аномалії і особливості даних. Найкращім інструментом тут є бібліотеки matplotlib, seaborn (seaborn.pairplot), plotly (https://plotly.com/python/3d-scatter-plots/). 

    4. При написанні коду дотримуватись вимог PEP8. Програмний код оформляти як набір документованих функції. 

    5. Звітом є Colab notebook з поясненнями у блоках markdown або документований скрипт Python. Без пояснень та документації коду звіт не приймається. 

    
    

  • Лабораторна робота №2. Балансування навчальної вибірки Завдання

    Для набору даних https://www.kaggle.com/datasets/arashnic/imbalanced-data-practice виконати такі завдання:
    
    1. Виконати описовий аналіз даних. Візуалізувати дані у вигляді гістограм та точкових діаграм
    2. Ознайомитись з методами балансування даних SMOTE та  ADASYN (https://imbalanced-learn.org/stable/over_sampling.html#from-random-over-sampling-to-smote-and-adasyn)
    3. Виконати балансування даних методами SMOTE  та ADASYN, візуалізувати дані після балансування
    
    

  • Лабораторна робота №3. Класифікація. Дерева розв'язків Завдання

    Для набору даних https://www.kaggle.com/datasets/uciml/iris
    
    1. Виконати описовий аналіз даних. Візуалізувати дані у вигляді гістограм та точкових діаграм
    2. Виконати побудову дерев розв'язків для класифікації. 
    3. Визначити точність побудованої моделі за такими метриками: Confusion matrix, Accuracy, Precision, Recall, F1 Score, застосувати крос-валідацію.
    

    
    

  • Лекція. Дерева розв'язків URL (веб-посилання)
  • Приклад класифікації URL (веб-посилання)
  • Приклад. Дерева рішень URL (веб-посилання)
  • Презентація. Дерева рішень URL (веб-посилання)
• Ансамблеві моделі
  

  Ансамблеві моделі

  • Лабораторна робота №4. Випадковий ліс дерев Завдання

    Для набору даних https://www.kaggle.com/datasets/uciml/iris
    
    1. Виконати побудову лісу дерев розв'язків для класифікації. 

    2.  Виконати пошук оптимальних гіперпараметрів класифікатора за допомогою GridSearchCV та RandomizedSearchCV.
    

    3. Визначити точність побудованої моделі за такими метриками: Confusion matrix, Accuracy, Precision, Recall, F1 Score, застосувати крос-валідацію.

    
    

  • Лекція. Випадкові ліси URL (веб-посилання)
  • Презентація. Випадкові ліси URL (веб-посилання)
  • Приклад. Випадковий ліс URL (веб-посилання)
  • Лабораторна робота №5. Метод опорних векторів Завдання

    Для набору даних https://www.kaggle.com/datasets/uciml/iris
    
    1. Виконати застосування методу опорних векторів для класифікації

    2. Виконати пошук оптимальних гіперпараметрів класифікатора за допомогою GridSearchCV та RandomizedSearchCV.
    

    3. Визначити точність побудованої моделі за такими метриками: Confusion matrix, Accuracy, Precision, Recall, F1 Score, застосувати крос-валідацію.

    
    
    

  • Лабораторна робота №6. Метод XGBoost Завдання

    Для набору даних https://www.kaggle.com/datasets/uciml/iris
    
    1. Виконати застосування методу XGBoost.

    2. Виконати пошук оптимальних гіперпараметрів класифікатора за допомогою GridSearchCV та RandomizedSearchCV.
    

    3. Визначити точність побудованої моделі за такими метриками: Confusion matrix, Accuracy, Precision, Recall, F1 Score, застосувати крос-валідацію.

    
    
    

  • Екзамен Завдання