Машинне навчання (Бе ...

Структура за темами

• Загальне
  

  Загальне

  • Форум
  • Інформація про викладача Файл
  • Силабус Файл
  • Презентація курсу Машинне навчання Файл
  • Підручник Файл
  • Посилання до інформаційних ресурсів Файл
  • Робоча програма Файл
  • Презентація всього курсу Файл
• Змістовий модуль 1. Введення в машинне навчання
  

  Змістовий модуль 1. Введення в машинне навчання

  
  

  Тема 1: Введення в машинне навчання

  ·     Історія та значення машинного навчання

  ·     Огляд основних понять (моделі, алгоритми, навчання, передбачення)

  ·     Типи машинного навчання: контрольоване, неконтрольване, з підкріпленням

  ·     Типи задач машинного навчання (класифікація, регресія, кластеризація)

  ·     Застосування машинного навчання

  Тема 2: Підготовка даних

  ·     Збір, очищення та перетворення даних

  ·     Розбиття даних на навчальні, валідаційні та тестові вибірки

  ·     Візуалізація та аналіз даних

  ·     Основи роботи з даними: NumPy, pandas

  ·     Візуалізація даних: Matplotlib, seaborn

  
  

  • Лекція до ЗМ1 Файл
  • Лабораторна роота 1 Препроцесінг Завдання
• Змістовий модуль 2. Основні типи машинного навчання
  

  Змістовий модуль 2. Основні типи машинного навчання

  
  

  Тема 3: Контрольоване машинне навчання

  ·     Регресія: лінійна, багатовимірна, поліноміальна

  ·     Класифікація: логістична регресія, k-найближчих сусідів (k-NN), опорні вектори (SVM),

  ·     Наївний баєсів класифікатор

  ·     Дерева рішень і ансамблі (бустінг, бегінг, рандом форе

  ·     Оцінка моделей: точність, відгук, F1-оцінка, ROC-AUC

   

  Тема 4: Неконтрольоване машинне навчання

  ·  Кластеризація: k-середніх, ієрархічна кластеризація, DBSCAN

  ·  Зменшення розмірності: головні компоненти (PCA), t-SNE

  ·  Асоціативні правила: Apriori, FP-grow

  
  

  • Лекція до ЗМ2 Файл
  • Лабораторна робота 2 Лінійна регресія Завдання
  • Лабораторна робота 3 Логістичний та Байєсів класифікатори Завдання
  • Лаборатора робота 4 Дерева рішень Завдання
• Змістовий модуль 3. Навчання нейронних мереж
  

  Змістовий модуль 3. Навчання нейронних мереж

  
  

  Тема 5: Нейронні мережі

  ·  Основи нейронних мереж: перцептрони, багатошарові перцептрони

  ·  Функції активації, функції втрат, оптимізація

  Тема 6: Глибинне навчання

  ·     Глибинні нейронні мережі: CNN, RNN, LSTM

  ·     Бібліотеки для глибинного навчання: TensorFlow, Keras

  Тема 7: Моделювання послідовностей і рекомендаційні системи

  ·     Обробка природної мови (NLP): Bag-of-Words, Word2Vec, BERT

  ·     Рекомендаційні системи: колаборативна фільтрація, змістовні методи

  Тема 8: Навчання з підкріпленням

  ·     Основи підсилювального навчання

  ·     Процес прийняття рішень Маркова (MDP)

  ·     Алгоритми Q-learning, Deep Q-Network (DQN)

  
  

  
  

  • ЛЕКЦІЯ 1 до модуля 3 Файл
  • Лекція 2 до модуля 3 Файл
  • Лабораторна робота 5 Багатошаровий персептрон Завдання
• Змістовий модуль 4. Практичне використання машинного навчання
  

  Змістовий модуль 4. Практичне використання машинного навчання

  Тема 9: Застосування в реальних задачах

  ·     Розпізнавання зображень

  ·     Обробка природної мови (NLP)

  ·     Рекомендаційні системи

  ·     Аналіз часових рядів

  ·     Підсилювальне навчання

  Тема 10: Етика, безпека та майбутнє машинного навчання

  ·     Етичні принципи в машинному навчанні

  ·     Безпека моделей: зловмисні атаки та захист

  ·     Майбутнє машинного навчання і штучного інтелекту

  
  

  • Лекції до змістового модуля 4 Файл
  • Лабораторна робота 6 Задача розпізнавання Завдання
• Підсумковий контроль
  

  Підсумковий контроль

  • Питання на залік Файл
  • Підсумковий тест