Прикладні задачі машинного навчання - Робоча програма навчальної дисципліни (Силабус)

Реквізити навчальної дисципліни

Програма навчальної дисципліни

Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання

Опис дисципліни. Відповідно до стандарту вищої освіти зі спеціальності 126 Інформаційні системи та технології галузі знань 12 Інформаційні технології для першого (бакалаврського) рівня вищої освіти та освітньо-професійної програми першого (бакалаврського) рівня вищої освіти дисципліна «Прикладні задачі машинного навчання» формує (ЗК1) здатність до абстрактного мислення, аналізу та синтезу, (ФК4) здатність проводити інтелектуальний аналіз даних інформаційної інфраструктури та інтерпретувати отримані результати, (ФК5) здатність проводити самостійні дослідження, обґрунтовувати отримані результати застосовуючи критичне мислення, (СК5) Здатність використовувати сучасні технології аналізу даних для оптимізації процесів в інформаційних системах, (РН01) Відшуковувати необхідну інформацію в науковій і технічній літературі, базах даних, інших джерелах, аналізувати та оцінювати цю інформацію.

Вивчення дисципліни "Прикладні задачі машинного навчання" має велику актуальність і важливість у сучасному світі з багатьма обґрунтованими причинами. Машинне навчання стає все більш важливою складовою штучного інтелекту і знаходить застосування у багатьох галузях, від медицини і фінансів до автономних автомобілів та інтернету речей. Вивчення практичних аспектів машинного навчання допомагає студентам розвивати навички, які є цінними на ринку праці. Машинне навчання вже застосовується у виробництві для оптимізації процесів, передбачення відмов обладнання та покращення якості продукції. Вивчення практичних аспектів дозволяє студентам бути здатними внести покращення у виробничі процеси. Машинне навчання допомагає в діагностиці та передбаченні захворювань, вивченні геноміки та інших біологічних наук. Вивчення цієї дисципліни може допомогти створювати і підтримувати інноваційні методи лікування. У сфері фінансів машинне навчання використовується для прогнозування ринкових тенденцій, управління ризиками та оптимізації інвестиційних портфелів. Машинне навчання використовується для розвитку систем комп'ютерного зорового сприйняття, таких як розпізнавання обличь, об'єктів та автономних автомобілів. Машинне навчання дозволяє аналізувати великі обсяги даних, які надходять від IoT-пристроїв, і приймати рішення на основі цих даних.

Предмет навчальної дисципліни: процеси підготовки, очищення та обробки даних для подальшого використання у завданнях машинного навчання, алгоритми і методи машинного навчання, методи оцінки моделей машинного навчання, включаючи метрики ефективності

Міждисциплінарні зв’язки. Дисципліна «Прикладні задачі машинного навчання» базується на дисциплінах: Технології розроблення програмного забезпечення, Теорія систем та системний аналіз, Комп`ютерні мережі, Бази даних, Теорія алгоритмів.

Мета навчальної дисципліни. Метою дисципліни є ґрунтовне ознайомлення студентів із теоретичними засадами методології підготовки та реалізації, способами та засобами машинного навчання, залучення даних для його реалізації в різних предметних галузях.

Основні завдання навчальної дисципліни

Знання:

• розуміння базових понять та концепцій, пов'язаних із машинним навчанням;

• вміння працювати з поширеними бібліотеками для машинного навчання;

• розуміння того, як машинне навчання може бути застосоване в різних сферах;

• розуміння принципу вибору моделей машинного навчання для різних ситуацій.

Уміння:

• підготовляти дані для подальшого аналізу та використання в моделях машинного навчання;

• оцінювати моделі для розуміння їх ефективності;

• вирішувати практичні завдання за допомогою методів машинного навчання;

• аналізувати ситуації, виявляти проблеми та вирішувати їх за допомогою методів машинного навчання.

Пререквізити та постреквізити дисципліни (місце в структурно-логічній схемі навчання за відповідною освітньою програмою)

Пререквізити: здатність застосовувати знання у практичних ситуаціях, навички використання інформаційних і комунікаційних технологій, здатність до пошуку, опрацювання та аналізу інформації з різних джерел, здатність застосовувати знання про основні принципи та методи побудови алгоритмів і визначення основних технологічних параметрів.

Постреквізити: знати поняття машинного навчання та його закономірності, методологію, базові поняття та визначення з машинного навчання; структуру машинного навчання; способи оцінки ефективності машинного навчання; визначити необхідні обсяги і джерела інформації для машинного навчання; підібрати навчальну інформацію для процесу навчання; підготувати дані для машинного навчання.

Після проходження дисципліни студенти зможуть застосовувати методи та засоби машинного навчання в повсякденній діяльності.

Зміст навчальної дисципліни

Лекційні заняття

1. Вступ до машинного навчання.

2. Основні алгоритми машинного навчання.

3. Штучні нейронні мережі.

Лабораторні заняття

1. Часові ряди. Проста лінійна регресія.

2. Класифікація і регресія за допомогою бібліотеки sklearn.

3. Класифікація за допомогою штучної нейронної мережі.

Навчальні матеріали та ресурси

Базова література

1. Andreas C. Müller, Sarah Guido. Introduction to Machine Learning with Python. 2016. 394 р.

2. Luis Pedro Coelho, Wilhelm Richert, Matthieu Brucher. Building Machine Learning Systems with Python. 2018. 406 р.

3. 4. Michie, D.J. Spiegelhalter, C.C. Taylor. Machine Learning, Neural and Statistical Classification. 1994. 298 р.

4. Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin. Learning From Data. 2012. 213 р.

5. Tom M. Mitchell. Machine Learning. 1997. 414 р.

Допоміжна література

1. Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning. 2016. 800 р.

2. Jeroen Janssens. Data Science at the Command Line. 2021. 282 р.

3. John D. Kelleher, Brian Mac Namee, Aoife D'Arcy. Fundamentals of Machine Learning for Predictive Data Analytics. 2020. 856 р.

Навчальний контент

Методика опанування навчальної дисципліни (освітнього компонента)

Лекційні заняття

**
**

Лабораторні заняття

Самостійна робота студента/аспіранта

Політика та контроль

Політика навчальної дисципліни (освітнього компонента)

Система вимог, які ставляться перед студентом:

• правила відвідування занять: заборонено оцінювати присутність або відсутність здобувача на аудиторному занятті, в тому числі нараховувати заохочувальні або штрафні бали. Відповідно до РСО даної дисципліни бали нараховують за відповідні види навчальної активності на лекційних та лабораторних заняттях;

• модульні контрольні роботи виконуються без застосування допоміжної інформації з Інтернет, дистанційного курсу на платформі Сікорський, конспекту;

• політика щодо академічної доброчесності: Кодекс честі Національного технічного університету України «Київський політехнічний інститут імені Ігоря Сікорського» https://kpi.ua/files/honorcode.pdf встановлює загальні моральні принципи, правила етичної поведінки осіб та передбачає політику академічної доброчесності для осіб, що працюють і навчаються в університеті, якими вони мають керуватись у своїй діяльності, в тому числі при вивченні та складанні контрольних заходів з дисципліни «Прикладні задачі машинного навчання».

Види контролю та рейтингова система оцінювання результатів навчання (РСО)

Рейтинг студента з дисципліни складається з балів, що він отримує за:

1. виконання та захист 3 лабораторних робіт;

2. виконання 1 модульної контрольної роботи (МКР).

Система рейтингових балів та критерії оцінювання

Лабораторні роботи:

«відмінно», повна відповідь на питання під час захисту (не менш ніж 90% потрібної інформації) та оформлений належним чином протокол до лабораторної роботи – 20 балів;

«добре», достатньо повна відповідь на питання під час захисту (не менш ніж 75% потрібної інформації) та оформлений належним чином протокол до лабораторної роботи – 16 балів;

«задовільно», неповна відповідь на питання під час захисту (не менш ніж 60% потрібної інформації), незначні помилки та оформлений належним чином протокол до лабораторної роботи – 12 балів;

«незадовільно», незадовільна відповідь та/або не оформлений належним чином протокол до лабораторної роботи – 0 балів.

Модульні контрольні роботи:

«відмінно», повна відповідь (не менш ніж 90% потрібної інформації) – 40 балів;

«добре», достатньо повна відповідь (не менш ніж 75% потрібної інформації), або повна відповідь з незначними помилками – 32 бали;

«задовільно», неповна відповідь (але не менш ніж 60% потрібної інформації) та незначні помилки – 24 бали;

«незадовільно», незадовільна відповідь (неправильний розв’язок задачі), потребує обов’язкового повторного написання в кінці семестру – 0 балів.

Максимальна сума вагових балів контрольних заходів протягом семестру складає:

R=3*r_лаб+r_мкр=3*20+40=100.

Студенти, які наприкінці семестру мають рейтинг менше 60 балів, а також ті, хто хоче підвищити оцінку, виконують залікову контрольну роботу.

Контрольна робота складається з 4 питань. Кожне оцінюється 25 балами.

Сума балів за кожне з чотирьох питань ()переводиться до залікової оцінки згідно з таблицею :

Залік:

Сума стартових балів і балів за модульну контрольну роботу переводиться до залікової оцінки згідно з таблицею:

Робочу програму навчальної дисципліни (Силабус):

Складено асистент, Нестерук Андрій Олександрович

Ухвалено кафедрою ІСТ (протокол № 21 від 29.06.2023 р.)

Погоджено Методичною комісією факультету[1] (протокол № 11 від 29.06.2023 р.)

[1] Методичною радою університету – для загальноуніверситетських дисциплін.