ТЕХНОЛОГІЇ МАШИННОГО НАВЧАННЯ - Робоча програма навчальної дисципліни (Силабус)

Реквізити навчальної дисципліни

Програма навчальної дисципліни

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

Силабус освітнього компонента «Технології машинного навчання» складено відповідно до освітньої програми підготовки бакалаврів «Інтегровані інформаційні системи» спеціальності 126 – Інформаційні системи та технології.

Метою навчальної дисципліни є ознайомлення студентів із концепціями, методами та інструментами, які використовуються в області машинного навчання. Основні цілі включають:

1. Розуміння Основ: Надання студентам теоретичних знань щодо основних понять машинного навчання, таких як навчання з учителем, навчання без учителя, Навчання з підкріпленням, ансамбльні методи та інші.

2. Навички Роботи з Даними: Навчання студентів збирати, обробляти та аналізувати дані, оскільки якість даних має велике значення для ефективного машинного навчання.

3. Ознайомлення з Алгоритмами: Вивчення різних алгоритмів машинного навчання, включаючи класифікацію, регресію, кластеризацію та інші, разом з їхнім впровадженням та використанням у різних сценаріях.

Формування та закріплення у студентів наступних компетентностей: (КС 6) Здатність використовувати сучасні інформаційні системи та технології (виробничі, підтримки прийняття рішень, інтелектуального аналізу даних та інші), методики й техніки кібербезпеки під час виконання функціональних завдань та обов’язків.(КС 16) Здатність інтегрувати програмні, технічні, інформаційні та інтелектуальні компоненти усіх рівнів ієрархії інформаційно-керуючих систем в єдину розподілену систему

Предмет навчальної дисципліни –Основні аспекти, які включає предмет машинного навчання:

Основи Машинного Навчання: Вивчення основних концепцій та термінів, таких як навчання з учителем, навчання без учителя, Навчання з підкріпленням, функції витрат, тощо.

Методи та Алгоритми: Розгляд різних методів та алгоритмів машинного навчання, включаючи лінійну регресію, дерева рішень, метод опорних векторів, нейронні мережі та інші.

Обробка та Аналіз Даних: Засоби для попередньої обробки та аналізу даних перед їх використанням для тренування моделей машинного навчання.

Інструменти та Бібліотеки: Використання популярних інструментів та бібліотек для розробки та реалізації моделей машинного навчання, таких як TensorFlow, PyTorch, Scikit-Learn та інші.

Програмні результати навчання, на формування та покращення яких спрямована дисципліна: (ПРН 16) Застосовувати знання відповідних мов програмування та ефективно

використовувати методи машинного навчання в задачах створення компонентів

штучного інтелекту в інформаційних система з використання аналізу та оцінки

складності алгоритмів рішення

Пререквізити та постреквізити дисципліни

Для успішного засвоєння дисципліни студент повинен володіти освітніми компонентами «Вища математика», «Теорія ймовірностей і математична статистика». Компетенції, знання та уміння, одержані в процесі вивчення освітнього компонента є необхідними для подальшого вивчення освітніх компонентів «Переддипломна практика», «Дипломне проєктування».

Зміст навчальної дисципліни

Тема 1. Вступ до машинного навчання

Тема 2. Проект машинного навчання

Тема 3. Основні алгоритми навчанняю. Регресійний аналіз

Тема 4. Основні алгоритми навчанняю. Класифікація

Тема 5. Виявлення аномалій

Тема 6. Базові алгоритми навчання

Тема 7-8.Асоціативні правила. Кластеризація

Тема 9. Оцінка ефективності моделі

Тема 10. Нейронні мережі

Навчальні матеріали та ресурси

Основна література

Основна література

1. Кононова К. Ю. Машинне навчання: методи та моделі / К. Ю. Кононова. – Харків: ХНУ імені В. Н. Каразіна, 2020. – 301 с.

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

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

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

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

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

Додаткова література

1. Raschka S. Python Machine Learning / S. Raschka, V. Mirjalili. – Birmingham: Packt Publishing, 2019. – 770 p.

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

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

4. 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 роботи

Самостійна робота студента

6. Контрольна робота

Метою контрольної роботи є закріплення та перевірка теоретичних знань із освітнього компонента, набуття студентами практичних навичок самостійного вирішення задач та складанні та компіляції програм.

Модульна контрольна робота (МКР) виконується після вивчення Розділів 1-3 та після Розділу 4. Контрольна робота проводяться у формі тесту. Кожен студент отримує індивідуальний набір питань.

Політика та контроль

Політика навчальної дисципліни (освітнього компонента)

Курс складається з 18 лекційних та 9 лабораторних занять.

За курс необхідно виконати 4 лабораторні роботи (13,13,12,12 балів). Додатковий бал дає проходження курсу Cisco Python - max 10 балів або Cisco DevNet- max 10 балів (за власним вибором та бажанням). Курс - завершено з отриманням сертифікату!

На лекціях з теоретичного матеріалу будуть експрес-контрольні та МКР – max 50 балів за семестр

Лабораторні роботи

Ваговий бал. Лабораторні роботи 1-2 мають ваговий бал 13, а лабораторні роботи 3-4 мають ваговий бал 12. Максимальна кількість балів за всі лабораторні роботи складає 13 балів * 2 роботи + 12 балів * 2 роботи = 50 балів.

На лабораторних роботах студенти перевіряють працездатність написаних програм або схем за попередньо вирішеними вдома задачами. Для допуску до поточної лабораторної роботи необхідно мати Протокол, оформлений відповідно до норм оформлення технічної документації, який має містити всі необхідні пункти, відповідно до Методичних вказівок. Також для допуску до лабораторної роботи (окрім 1-ї) необхідно захистити попередню. Студенти, що не захистили попередню лабораторну роботу можуть бути не допущені до виконання наступної. Лабораторні роботи можуть виконуватись як самостійно так і бригадою.

Критерії оцінювання лабораторної роботи:

- вірно виконаний синтез всіх задач, продемонстрована працездатність всіх програм (схем), вірні відповіді на запитання до захисту, вчасно виконана робота – 13 балів за 1-2 лабораторні, 12 балів за 3-4 лабораторні;

- за несвоєчасність виконання лабораторних робіт 1-2 знімаються 3 бали, за несвоєчасність виконання лабораторних робіт 3-4 знімаються 2 бали;

- вірно виконаний синтез всіх задач, продемонстрована працездатність всіх програм (схем), відповіді на питання до захисту мають неточності – знімаються 2 бали від максимальної кількості;

- виконаний синтез всіх задач, але деякі з них містять помилки або неточності, продемонстрована працездатність не всіх програм (схем), відповіді на питання до захисту мають неточності – знімаються від 3 до 5 балів від максимальної кількості;

- лабораторна робота не виконана або протокол не представлений – повертається на відпрацювання або доопрацювання.

Якщо студент отримує 60 балів і більше (за умови що ВСІ 4 лабораторні роботи захищені !, студент іспит може не складати, за умови згоди, т.т. отримує оцінку автоматично.

ІСПИТ: отримані бали за семестр Х ½ + бал екзаменаційної роботи (max 50 балів)

Екзаменаційна робота складається з двох частин: 25 балів за теоретичну частину (форма тест), 25 балів – задача з практичною реалізацією (міні аналог лабораторних робіт)

Види контролю та рейтингова система оцінювання результатів навчання (РСО)

Поточний контроль: вправи на лекційних заняттях, тестування, МКР, виконання та захист лабораторних робіт.

Календарний контроль: провадиться двічі на семестр як моніторинг поточного стану виконання вимог силабусу.

Календарний контроль базується на поточній кількості зарахованих лабораторних робіт. Умовою отримання першого календарного контролю є зарахована перша лабораторна робота, другого календарного контролю – зараховані 2 лабораторні роботи.

Семестровий контроль: екзамен.

Умови допуску до семестрового контролю: виконані та захищені лабораторні роботи, виконані завдання до практичних занять, семестровий рейтинг більше 30 балів.

Таблиця відповідності рейтингових балів оцінкам за університетською шкалою:

Загальна рейтингова оцінка студента після завершення семестру складається з балів, отриманих за:

• тестування з лекційних занять;

• виконання та захист лабораторних робіт;

• виконання модульної контрольної роботи (МКР);

• відповіді на екзамені.

Робочу програму навчальної дисципліни (силабус):

Складено професором кафедри ІСТ, д.т.н., проф. В.В.Онищенко

Ухвалено кафедрою ІСТ (протокол № 21 від 29.06.2023)

Погоджено Методичною комісією факультету (протокол № 11 від 29.06.2023)