Методи та технології штучного інтелекту - Робоча програма навчальної дисципліни (Силабус)
Реквізити навчальної дисципліни
| Рівень вищої освіти | Перший (бакалаврський) |
|---|---|
| Галузь знань | 12 Інформаційні технології |
| Спеціальність | 126 Інформаційні системи та технології |
| Освітня програма | Інженерія програмного забезпечення комп’ютерних систем Інженерія програмного забезпечення інформаційних систем Комп’ютерні системи та мережі Інтегровані інформаційні системи Інформаційні управляючі системи та технології Інформаційне забезпечення робототехнічних систем |
| Статус дисципліни | Навчальна дисципліна професійної та практичної підготовки (за вибором студентів) |
| Форма навчання | заочна |
| Рік підготовки, семестр | 3 курс, осінній семестр |
| Обсяг дисципліни | 23 годин (6 годин – Лекції, 6 годин – Лабораторні, 66 годин - СРС) |
| Семестровий контроль/ контрольні заходи | Залік/залікова робота |
| Розклад занять | http://rozklad.kpi.ua/Schedules/ScheduleGroupSelection.aspx |
| Мова викладання | Українська, Англійська |
| Інформація про керівника курсу / викладачів |
Лектор: ас. каф. Нікітін Валерій Андрійович, Telegram: @valerii_nikitin Лабораторні: ас. каф. Нікітін Валерій Андрійович, Telegram: @valerii_nikitin |
| Розміщення курсу | https://campus.kpi.ua |
Програма навчальної дисципліни
Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання
Силабус освітнього компонента «Методи і технології штучного інтелекту» складено відповідно до освітньої програми підготовки бакалаврів «Інженерія програмного забезпечення комп’ютерних систем», «Інженерія програмного забезпечення інформаційних систем», «Комп’ютерні системи та мережі», «Інтегровані інформаційні системи», «Інформаційні управляючі системи та технології», «Інформаційне забезпечення робототехнічних систем» спеціальності 126 – Інформаційні системи та технології.
Мета навчальної дисципліни є підготовка висококваліфікованих фахівців, які володіють основними методами та технологіями штучного інтелекту, теорією нечітких множин, методами побудови нечітких систем, термінами нейромережевих систем, структурою та властивостями нейромережевих систем, парадигми та методами навчання нейромережевих моделей, принципами роботи та побудови нейро-нечітких систем, еволюційними та генетичними алгоритмами.
Предмет навчальної дисципліни – основні поняття, методи та технології штучного інтелекту, нечітка логіка та нечіткі множини, методи побудови нечітких систем керування та прийняття рішень, основні поняття нейронних мереж, топології нейронних мереж, методи навчання нейронних мереж, глибокі нейронні мережі, нейро-нечіткі системи, еволюційні та генетичні алгоритми.
Міждисциплінарні зв’язки. Дисципліна «Методи та технології штучного інтелекту» базується на дисциплінах: Спеціальні розділи математики-1. Дискретна математика; Теорія алгоритмів; Програмування – 1. Основи програмування; Програмування – 2. Структури даних та алгоритми; Технології розроблення програмного забезпечення.
Програмні результати навчання, на формування та покращення яких спрямована дисципліна: застосувати операції над нечіткими множинами, будувати нечіткі моделі; моделювати нечіткі системи керування та прийняття рішень; реалізовувати нечіткі системи класифікації даних; будувати та моделювати нейромережеві моделі різної архітектури; застосовувати генетичні алгоритми для пошуку оптимальних рішень.
Пререквізити та постреквізити дисципліни
Пререквізити: вміти користуватися комп’ютером на рівні адміністратора, базові знання з теорії множин, базові знання з моделювання та програмування**.**
Постреквізити: проєктування та реалізація технічних засобів з використанням штучного інтелекту. Після проходження дисципліни студенти зможуть моделювати та досліджувати системи з нечіткою логікою, з нейронними мережами та застосувати метод зворотного розповсюдження помилки для навчання нейронних мереж, моделювати нейро-нечіткі системи, знаходити оптимальні рішення за допомогою еволюційних алгоритмів.
Зміст навчальної дисципліни
Розділ 1. Загальні положення штучного інтелекту
Тема 1.1. Структура та зміст курсу. РСО
Тема 1.2. Загальні поняття штучного інтелекту
Розділ 2. Нечіткі множини, нечітка логіка та побудова нечітких систем
Тема 2.1. Нечітка логіка
Тема 2.2. Функції приналежності
Тема 2.3. Системи нечіткого виводу
Розділ 3. Теорія нейронних мереж
Тема 3.1. Основні положення штучних нейронних мереж
Тема 3.2. Основні моделі
Тема 3.3. Методи навчання нейронних мереж
Розділ 4. Нейро-нечіткі системи
Тема 4.1. Нейро-нечіткі системи
Тема 4.2. Адаптивна нейро-нечітка система
Розділ 5. Еволюційні алгоритми
Тема 5.1. Генетичні алгоритми.
Тема 5.2. Синтез нейронних мереж.
Розділ 6. Глибокі нейронні мережі
Тема 6.1. Огляд глибокого навчання
Тема 6.2. Згорткові нейронні мережі.
Тема 6.3. Мережі LSTM.
Навчальні матеріали та ресурси
Основна література
Шаховська Н. Б. Системи штучного інтелекту: навчальний посібник /Н.Б. Шаховська, Р. М. Камінський, О. Б. Вовк. – Львів : Видавництво Львівської політехніки, 2018. – 392 с.
Зайченко Ю.П. Основи проектування інтелектуальних систем. Навчальний посібник / Ю.П. Зайченко. – К.: Слово, 2004. – 352 с.
Ю.В. Нікольський. Системи штучного інтелекту: навчальний посібник / Ю.В. Нікольський, В.В. Пасічник, Ю.М. Щербина. – Львів : «Магнолія – 2006», 2021. – 280 с
Ткаченко Р. О. Нейромережеві засоби штучного інтелекту : навч. посіб. / Р.О. Ткаченко, П.Р. Ткаченко, І.В. Ізонін; Нац. ун-т "Львівська політехніка". – Львів : Вид-во Львівської політехніки, 2017. – 206 с.
Допоміжна література
Кутковецький В.Я. Розпізнавання образів: Навчальний посібник / В.Я. Кутковецький. – Миколаїв: Вид-во МДГУ ім. П.Могили, 2017. – 420 с.
Nilsson, Nils (2009). The Quest for Artificial Intelligence: A History of Ideas and Achievements. New York: Cambridge University Press.
Charu C. Aggarwal. Neural Networks and Deep Learning. A Textbook. Springer Cham. 2019 – 497 p.
Суботін, С. О. Неітеративні, еволюційні та мультиагентні методи синтезу нечітко логічних і нейромережних моделей: монографія / С. О. Суботін, А. О. Олійник, О. О. Олійник; за заг. ред. С. О. Суботіна. – Запоріжжя : ЗНТУ, 2009. – 375 с.
Li, Zewen & Yang, Wenjie & Peng, Shouheng & Liu, Fan. (2020). A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects.
Chen, Xiaoxue & Jin, Lianwen & Zhu, Yuanzhi & Luo, Canjie & Wang, Tianwei. (2020). Text Recognition in the Wild: A Survey.
Yang YX, Wen C, Xie K, Wen FQ, Sheng GQ, Tang XG. Face Recognition Using the SR-CNN Model. Sensors (Basel). 2018;18(12):4237. Published 2018 Dec 3. doi:10.3390/s18124237
Kocić J, Jovičić N, Drndarević V. An End-to-End Deep Neural Network for Autonomous Driving Designed for Embedded Automotive Platforms. Sensors. 2019; 19(9):2064.
Навчальний контент
Методика опанування навчальної дисципліни (освітнього компонента)
Лекційні заняття
| № з/п | Назва теми лекції та перелік основних питань (перелік дидактичних засобів, посилання на інформаційні джерела) |
|---|---|
| 1 | Тема 1.1. Загальні положення штучного інтелекту. Частина 1. Структура та зміст курсу. РСО Основні питання: структура дисципліни «Методи та технології штучного інтелекту», РСО. Допоміжні матеріали: [1, Роз.1] |
| 2 | Тема 1.2. Загальні положення штучного інтелекту. Частина 2. Загальні поняття штучного інтелекту Основні питання: поняття штучного інтелекту; інтелект і його основні положення; технології штучного інтелекту. Допоміжні матеріали: [2, Роз.1] |
| 3 | Тема 2.1. Нечіткі множини, нечітка логіка та побудова нечітких систем. Частина 1. Нечітка логіка Основні питання: нечітка інформація і вивід; поняття нечіткої множини; приклади запису нечіткої множини; лінгвістична змінна; основні характеристики нечітких множин; операції над нечіткими множинами; логічні операції над нечіткими множинами; властивості операцій над нечіткими множинами. Допоміжні матеріали: [1, Гл.1], [3, Гл.1] |
| 4 | Тема 2.2. Нечіткі множини, нечітка логіка та побудова нечітких систем. Частина 2. Функції приналежності Основні питання: види функцій приналежності нечітких множин; нечітка логіка в управлінні складними системами; поняття нечіткої і лінгвістичної змінної. Допоміжні матеріали: [1, Гл.1.1.2; Гл.3], [3, Гл.1] |
| 5 | Тема 2.3. Нечіткі множини, нечітка логіка та побудова нечітких систем. Частина 3. Системи нечіткого виводу Основні питання: система нечіткого виводу; фазифікація; агрегування; активізація; акумуляція; дефазифікація; методи дефаззифікації; нечіткий вивід Мамдані; нечіткий вивід Цукамото; нечіткий вивід Сугено; спрощений алгоритм нечіткого виводу. Допоміжні матеріали: [1, Гл.5], [3, Гл.6] |
| 6 | Тема 3.1. Теорія нейронних мереж. Частина 1. Основні положення штучних нейронних мереж. Основні питання: нейронні мережі та штучний інтелект; нейронна мережа; розвиток нейронних мереж; реалізації нейронних мереж; основні властивості нейронних мереж; переваги нейронних мереж; недоліки нейронних мереж; завдання, які вирішуються нейронними мережами; біологічний нейрон; штучний нейрон; функції активації. Допоміжні матеріали: [1, Гл.14], [3, Гл.6;Гл.9], [6, Гл.2] |
| 7 | Тема 3.2. Теорія нейронних мереж. Частина 2. Основні моделі Основні питання: класифікація нейронних мереж; парцептрон; основні поняття теорії перцептроні; багатошарові нейронні мережі прямого поширення; каскадні нейронні мережі; динамічні багатошарові нейронні мережі; рециркуляційні нейронні мережі; нейронна мережа Хопфілда; нейронна мережа Елмана; вибір структури нейронної мереж; самоорганізуючі карти Кохонена; приклад роботи мережі Кохонена; мережа зустрічного поширення; згорткова нейронна мережа; багатоканальна версія згорткової нейронної мережі; параметри згорткової нейронної мережі. Допоміжні матеріали: [1, Гл.5;Гл.6], [3, Гл.10], [6, Гл.3;Гл.4] |
| 8 | Тема 3.3. Теорія нейронних мереж. Частина 3. Методи навчання нейронних мереж Основні питання: навчання штучної нейронної мережі; навчання НМ з учителем, без учителя, з підкріпленням; алгоритми навчання; метод зворотного поширення помилки; зворотне поширення в згорткових нейронних мережах; методи Гауса-Ньютона та Левенберга-Марквардта. Допоміжні матеріали: [1, Гл.1;Гл.4], [2, Гл.4;Гл.5] |
| 9 | Тема 4.1. Теорія нейронних мереж. Частина 1. Нейро-нечіткі системи Основні питання: Нейро-нечіткі системи. Поєднання нечітких систем з нейронними мережі. Кооперативна нечітка нейрона мережа. Гібридна нечітка нейрона мережа. Огляд розроблених гібридних нейро-нечітких мереж. Допоміжні матеріали: [7, Гл.2] |
| 10 | Тема 4.2. Теорія нейронних мереж. Частина 2. Адаптивна нейро-нечітка система Основні питання: Адаптивна Нейро-Нечітка Система (ANFIS). Алгоритм гібридного навчання. Моделювання нелінійної функції двох змінних. Переваги ANFIS. Недоліки ANFIS. Допоміжні матеріали: [7, Гл.2] |
| 11 | Тема 5.1. Еволюційні алгоритми. Частина 1. Генетичні алгоритми Основні питання: вступ до генетичних алгоритмів; генетичний пошук як метод оптимізації; генетичний пошук і традиційні методи оптимізації; узагальнена схема роботи генетичних методів; класифікація методів еволюційного пошуку; моделі генетичного пошуку; канонічні моделі; Genitor; гібридний генетичний метод; паралельні та багаторівневі генетичні методи; генетичний пошук зі зменшенням розміру популяції; ініціалізація та запуск генетичного пошуку; визначення цільової функції; ініціалізація; відбір; схрещування; мутація; формування нового покоління; критерії зупинення. Допоміжні матеріали: [7, Гл.2;3;4] |
| 12 | Тема 5.2. Еволюційні алгоритми. Частина 2. Синтез нейронних мереж Основні питання: параметричний синтез нейромереж; еволюційний метод параметричного синтезу нейромережних моделей з використанням апріорної інформації; структурний синтез нейронних мереж; подання інформації про структуру нейромережі в хромосомі; визначення фітнес-функції; послідовність виконання структурного синтезу на основі методів еволюційної оптимізації; еволюційні оператори для структурного синтезу нейромоделей. Допоміжні матеріали: [1, Гл.9], [2, Л.9], [3, Гл.10], [7, Гл.11] |
| 13 | Тема 6.1. Глибокі нейронні мережі. Частина 1. Огляд глибокого навчання Основні питання: коли застосовувати глибоке навчання; "Чому глибоке навчання?"; класифікація підходів глибокого навчання; глибоке навчання з вчителем; глибоке навчання з частоковим застосуванням вчителя; глибоке навчання без вчителя; глибоке навчання з підкріпленням; типи мереж глибокого навчання; рекурсивні нейронні мережі; рекурентні нейронні мережі; згорткові нейронні мережі; переваги використання CNN; регуляція в CNN; вибір оптимізатора; підвищення продуктивності CNN. Допоміжні матеріали: [1, Гл.4], [2, Л.13] |
| 14 | Тема 6.2. Глибокі нейронні мережі. Частина 2. Згорткові нейронні мережі Основні питання: архітектури загорткових нейронних мереж; архітектура мереж: AlexNet, Network‑in‑network, ZefNet, Visual geometry group (VGG), GoogLeNet, Highway network, ResNet, Inception, Inception‑V3/4, DenseNet, ResNext, WideResNet, Xception; навчальні дані; техніки аргументації даних в вигляді зображень; трансферне навчання; проблема не збалансованості даних; інтерпретованість даних; масштабування невизначеності; model compression; проблема перенавчання; проблема градієнту, що вибухає; проблема градієнту, що зникає; underspecification; застосунки з загортковими нейронними мережами; computational approaches; GPU based approach; FPGA based approach. Допоміжні матеріали: [7, Гл.10] |
| 15 | Тема 6.3. Глибокі нейронні мережі. Частина 3. Мережі LSTM Основні питання: визначення моделі Long Short-Term Memory; будова комірки моделі LSTM; як навчити модель; прогнозування часових рядів; обробка природної мови (NLP); аналіз настроїв; субтитри для зображень і відео; Computer Vision; розпізнавання тексту. Допоміжні матеріали: [7, Гл.8; Гл.10], [8] |
Лабораторні заняття
| № з/п | Перелік лабораторних робіт |
|---|---|
| 1 | Лабораторна робота № 1. Дослідження способів формування нечітких множин і операцій над ними. Мета роботи – побудувати нечіткі множин з використанням різних типів функцій приналежності. Виконати найбільш поширені логічні операції над нечіткими множинами. |
| 2 | Лабораторна робота № 2. Моделювання функції з двох змінних засобами нечіткої математики. Мета роботи – промоделювати засобами нечіткої логіки функцію з двох змінних. Провести дослідження форми функції приналежності на якість моделювання. |
| 3 | Лабораторна робота № 3. Дослідження алгоритму нечіткої кластеризації. Мета роботи – вирішення практичного завдання кластеризації методами нечіткої логіки. |
| 4 | Лабораторна робота № 4. Моделювання функції двох змінних з двома входами і одним виходом на основі нейронних мереж. Мета роботи – дослідити структуру та принцип роботи нейронної мережі. За допомогою нейронної мережі змоделювати функцію двох змінних. |
| 5 | Лабораторна робота № 5. Моделювання нейронної мережі Хебба Мета роботи – промоделювати та дослідити нейронну мережу Хебба. |
| 6 | Лабораторна робота № 6. Нейро-нечітке моделювання. Мета роботи – отримання і закріплення знань про методи моделювання та принципи функціонування нейронечітких систем, а також формування практичних навичок з конструювання нейронечітких мереж.. |
| 7 | Лабораторна робота № 7. Знаходження мінімуму та максимуму функцій за допомогою генетичних алгоритмів Мета роботи – знайти мінімум (мінімізація) і максимум (максимізація) функцій одно- і двох змінних за допомогою генетичних алгоритмів. |
| 8 | Лабораторна робота № 8. Застосування генетичних алгоритмів в задачах оптимізації. Мета роботи – отримання та закріплення знань, формування практичних навичок застосування генетичних алгоритмів до різних завдань оптимізації. |
Самостійна робота студента
| № з/п | Вид самостійної роботи | Кількість годин СРС |
|---|---|---|
| 1 | Штучний інтелект – застосування і приклади реалізації. | 2 |
| 2 | Нечіткі оператори. | 2 |
| 3 | Лінгвістичні змінні істинності. | 4 |
| 4 | Системи нечіткого виводу – застосування і приклади реалізації. | 4 |
| 5 | Типи нейромереж і їх класифікація. | 2 |
| 6 | Огляд та аналіз нейромережевих моделей різних обєктів та систем прийняття рішень. | 2 |
| 7 | Приклади застосування мережі Кохонена. Приклади застосування згорткової нейронної мережі. | 4 |
| 8 | Навчання з частковим залученням вчителя. | 4 |
| 9 | Самостійно опанувати матеріали по перспективах шуму. | 4 |
| 10 | Приклади систем з нейрон-нечіткими системами. | 4 |
| 11 | Різновиди еволюційних алгоритмів. | 8 |
| 12 | Огляд та аналіз методів еволюційного пошуку їх сфери застосування, переваги та недоліки. | 2 |
| 13 | Методи вирішення задачі структурного синтезу нейронних мереж. | 4 |
| 14 | Різниця між "нейронними мережами" та "глибоким навчанням"? | 4 |
| 15 | Архітектура нейронних мереж YOLO по детекції об’єктів. | 2 |
| 16 | Методи навчання нейронних мереж і їх програмні реалізації. | 4 |
| 17 | Різновиди архітектур моделі довготривалої короткочасної пам'яті. | 3 |
| 18 | Інші сфери застосування моделі довготривалої короткочасної пам'яті. | 3 |
| Всього годин | 66 |
Політика та контроль
Політика навчальної дисципліни (освітнього компонента)
Система вимог, які викладач ставить перед студентом:
відвідування лекційних та лабораторних занять є обов’язковою складовою вивчення матеріалу;
на лекції викладач користується власним презентаційним матеріалом; використовує автоматизовану інформаційну систему «Електронний кампус» для викладання матеріалів лекцій, додаткових ресурсів, лабораторних робіт та інше; викладач створює групу в Telegram для консультацій зі студентами, скидання електронних лабораторних звітів та відповідей на МКР;
на лекції заборонено відволікати викладача від викладання матеріалу, усі питання, уточнення та ін. студенти задають в кінці лекції у відведений для цього час;
лабораторні роботи захищаються у два етапи – перший етап: студенти виконують завдання на допуск до захисту лабораторної роботи; другий етап – захист лабораторної роботи. Бали за лабораторну роботу враховуються лише за наявності електронного звіту;
заохочувальні бали виставляються за: активну участь на лекціях; участь у факультетських та інститутських олімпіадах з навчальних дисциплін, участь у конкурсах робіт, підготовка оглядів наукових праць; презентацій по одній із тем СРС дисципліни тощо. Кількість заохочуваних балів на більше 10;
штрафні бали виставляються за: невчасну здачу лабораторної роботи. Кількість штрафних балів не більше 10.
Види контролю та рейтингова система оцінювання результатів навчання (РСО)
Поточний контроль: вправи на лекційних заняттях, тестування, МКР, виконання завдань до практичних занять, виконання та захист лабораторних робіт.
Календарний контроль: провадиться двічі на семестр як моніторинг поточного стану виконання вимог силабусу.
Семестровий контроль: залік.
Умови допуску до семестрового контролю: виконані та захищені лабораторні роботи, виконані завдання до практичних занять, семестровий рейтинг більше 42 балів.
Таблиця відповідності рейтингових балів оцінкам за університетською шкалою:
| Кількість балів | Оцінка |
| 100-95 | Відмінно |
| 94-85 | Дуже добре |
| 84-75 | Добре |
| 74-65 | Задовільно |
| 64-60 | Достатньо |
| Менше 60 | Незадовільно |
| Є незараховані лабораторні роботи або не зарахована модульна контрольна робота | Не допущено |
Загальна рейтингова оцінка студента після завершення семестру складається з балів, отриманих за:
- виконання та захист 8 лабораторних робіт;
- виконання модульної контрольної роботи (МКР);
- заохочувальні та штрафні бали.
Максимальна сума вагових балів контрольних заходів протягом семестру складає:
RD = 8*rлаб+rмкр=8*10+20 (rз - rш)=100 + (rз - rш),
де rлаб – бал за лабораторну роботу (0…10);
rмкр – бал за написання МКР (0…20);
rз – заохочувальні бали за активну участь на лекціях, презентації, участь в олімпіадах, конкурсі роботи, наукові роботи за тематикою дисципліни (0…10);
rзш – штрафні бали.
Види контролю та система рейтингових балів та критерії оцінювання
Поточний контроль: захист виконання практичних завдань у формі опитування, виконання модульної контрольної роботи.
Календарний контроль: проводиться двічі на семестр як моніторинг поточного стану виконання вимог силабусу.
Семестровий контроль: залік.
1) Рейтинг студента з кредитного модуля складається із 100 балів, які він отримує за:
- виконання та захист 8 практичних робіт;
- виконання модульної контрольної роботи.
Остаточний рейтинг студента може утворюватися з урахуванням виконання залікової контрольної роботи.
2) Критерії нарахування балів.
2.1. Виконання практичних робіт.
Ваговий бал за кожну роботу – 5.
Максимальна кількість балів на всіх практикумах дорівнює
8 балів × 5 = 40 балів.
Захист роботи виконується у формі опитування.
Кількість балів за роботу зменшується, якщо:
- надано невірну відповідь на запитання – 1 бал (за кожне запитання);
- вчасно не здано звіт з роботи (пізніше ніж за 2 тижні після виконання практикуму) – 1 бал;
- не виконано попередню підготовку – 1 бал.
За невиконану або незахищену роботу нараховується 0 балів.
За якісно та обґрунтовано підготовлений і вчасно поданий звіт з комп’ютерного практикуму додатково нараховується заохочувальний 1 бал.
За виконання творчої роботи із створення дидактичного програмного засобу розв’язання завдання комп’ютерного практикуму додатково нараховується заохочувальний 1 бал.
За подання "клонованого" звіту з ознаками співпадіння текстів або надання "типизованих" пояснень за шаблоном до виконаних завдань звіту комп‘ютерного практикуму додатково нараховується штрафний 1 бал.
Встановлено наступну кількість балів за захищену роботу:
- надано вірні відповіді – 5 балів;
- надано відповіді з незначними недоліками – 4 балів;
- надано відповіді з певними помилками – 3 балів:
- роботу не зараховано (виконано з грубими помилками) – 0 балів.
2.2. Виконання модульної контрольної роботи:
Передбачається виконання 1 контрольної роботи за комплексним контрольним завданням.
Ваговий бал за виконання контрольної роботи – 60.
Кожне завдання модульної контрольної роботи містить два теоретичних запитання (завдання) і одне практичне.
Кожне теоретичне запитання (завдання) оцінюється у 20 балів за такими критеріями:
- «відмінно», повна відповідь, не менше 90 % потрібної інформації, що виконана згідно з вимогами до рівня «умінь» (повне, безпомилкове розв’язування завдання) – 20–18 балів;
- «добре», достатньо повна відповідь, не менше 75 % потрібної інформації, що виконана згідно з вимогами до рівня «умінь або незначні неточності (повне розв’язування завдання з незначними неточностями) – 17–15 балів;
- «задовільно», неповна відповідь, не менше 60 % потрібної інформації, що виконана згідно з вимогами до «стереотипного» рівня та деякі помилки (завдання виконане з певними недоліками) – 14–12 балів;
- «незадовільно», відповідь не відповідає умовам до «задовільно» – 0 балів.
Практичне завдання оцінюється у 20 балів за такими критеріями:
- «відмінно», повна відповідь, не менше 90 % потрібної інформації, що виконана згідно з вимогами до рівня «умінь» (повне, безпомилкове розв’язування завдання) – 20–18 балів;
- «добре», достатньо повна відповідь, не менше 75 % потрібної інформації, що виконана згідно з вимогами до рівня «умінь або незначні неточності (повне розв’язування завдання з незначними неточностями) – 17–15 балів;
- «задовільно», неповна відповідь, не менше 60 % потрібної інформації, що виконана згідно з вимогами до «стереотипного» рівня та деякі помилки (завдання виконане з певними недоліками) – 14–12 балів;
- «незадовільно», відповідь не відповідає умовам до «задовільно» – 0 балів.
Наявність позитивної оцінки з МКР є умовою допуску до залікової контрольної роботи.
2.3. Залікова контрольна робота оцінюється з 60 балів. Контрольне завдання цієї роботи складається з трьох запитань.
Кожне запитання оцінюється з 20 балів за такими критеріями:
- «відмінно», повна відповідь (не менше 90 % потрібної інформації), що виконана згідно з вимогами до рівня «умінь» (повне, безпомилкове розв’язування завдання) – 20–18 балів;
- «добре», достатньо повна відповідь (не менше 75 % потрібної інформації), що виконана згідно з вимогами до рівня «умінь» або незначні неточності (повне розв’язування завдання з незначними неточностями) – 17–15 балів;
- «задовільно», неповна відповідь (не менше 60 % потрібної інформації), що виконана згідно з вимогами до «стереотипного» рівня та деякі помилки (завдання виконане з певними недоліками) – 14–12 балів;
- «незадовільно», відповідь не відповідає умовам до «задовільно» – 0 балів.
3) Умовою першої атестації є отримання не менше 27 балів. Умовою другої атестації – отримання не менше 45 балів.
4) Сума рейтингових балів, отриманих студентом протягом семестру, переводиться до підсумкової оцінки згідно з таблицею п.6. Якщо сума балів менша за 60, студент виконує залікову контрольну роботу. У цьому разі сума балів за виконання МКР та залікову контрольну роботу переводиться до підсумкової оцінки згідно з таблицею п.6.
5) Студент, який у семестрі отримав більше 60 балів, може взяти участь у заліковій контрольній роботі. У цьому разі бали, отримані ним на заліковій контрольній роботі, є остаточними.
6) Таблиця переведення рейтингових балів до оцінок:
| Кількість балів | Оцінка |
| 95-100 | Відмінно |
| 85-94 | Дуже добре |
| 75-84 | Добре |
| 65-74 | Задовільно |
| 60-64 | Достатньо |
| Менше 60 | Незадовільно |
| МКР не зараховано | Не допущено |
Робочу програму навчальної дисципліни (силабус):
Складено асистентом кафедри інформаційних систем та технологій ФІОТ Нікітіним В.А.
Ухвалено кафедрою інформаційних систем та технологій (протокол № 16 від 12.06.2024 р.)
Погоджено Методичною комісією факультету (протокол № 10 від 21.06.2024 р.)
Додаткова інформація з дисципліни (освітнього компонента)
перелік теоретичних питань, які виносяться на семестровий контроль наведено в Додатку 1;
на початку семестру викладач аналізує існуючі курси по тематиці дисципліни та пропонує пройти відповідні безкоштовні курси студентам. Після отриманням студентом сертифікату проходження дистанційних чи онлайн курсів за відповідною тематикою, викладач закриває відповідну частину курсу (лабораторні чи лекції) за попередньою домовленістю з групою.
Робочу програму навчальної дисципліни (Силабус):
Складено асистентом кафедри інформаційних систем та технологій, Нікітіним В.А.
Ухвалено кафедрою інформаційних систем та технологій (протокол № 21 від 29.06.2023 р.)
Погоджено Методичною комісією факультету[1] (протокол № 11 від 29.06.2023 р.)
Додаток 1
Перелік теоретичних питань на залік по першій частині курсу
1. Дайте визначення поняттю «штучний інтелект».
Навести визначення та приклад нечіткої множини.
Навести визначення та приклад лінгвістичної змінної.
Які основні характеристики нечітких множин?
Які основі операції можна проводити над нечіткими множинами. Навести приклади.
Які логічні операції можна проводити над нечіткими множинами. Навести приклади.
Навести властивості операцій над нечіткими множинами.
Які оператори можна застосовувати до нечітких множин.
Дайте визначення функції приналежності.
Які види функцій приналежності Вам відомі.
Поняття нечіткої змінної. Наведіть визначення та приклад.
Навести визначення та структуру системи нечіткого виводу.
Наведіть визначення та приклад нечіткого продукційного правила.
Наведіть визначення та приклад фазифікації в системі нечіткого виводу.
Наведіть визначення та приклад агрегування в системі нечіткого виводу.
Наведіть визначення та приклад активізації в системі нечіткого виводу.
Наведіть визначення та приклад дефазифікації в системі нечіткого виводу.
Опишіть загальний алгоритм нечіткого виводу Мамдані.
Опишіть загальний алгоритм нечіткого виводу Цукамото.
Опишіть загальний алгоритм нечіткого виводу Сугено.
Опишіть загальний алгоритм спрощеного нечіткого виводу.
Дайте визначення поняттю Машинне навчання.
Які методи входять в область машинного навчання.
Дайте визначення та основні характеристики штучних нейронних мереж.
Наведіть переваги та недоліки штучних нейронних мереж.
Які завдання в сучасній науці та техніці вирішуються нейронними мережами?
Наведіть визначення та характеристики біологічного нейрона.
Наведіть структурну схему та математичну модель штучного нейрона.
Що таке функція активації та які функції активації використовуються в штучних нейронних мережах.
Наведіть типи і класифікацію штучних нейронних мереж.
Наведіть визначення Парцептрона, його структурну схему та основні характеристики.
Наведіть структурну схему та основні характеристики нейронної мережі прямого поширення.
Наведіть структурну схему та основні характеристики каскадної нейронної мережі.
Наведіть структурну схему та основні характеристики рециркуляційної нейронної мережі.
Наведіть структурну схему та основні характеристики нейронної мережі Хопфілда.
Наведіть структурну схему та основні характеристики нейронної мережі Елмана.
Наведіть структурну схему та основні характеристики радіально-базисної нейронної мережі RBF.
Опишіть загальний алгоритм вибору структури нейронної мережі для побудови моделі.
Опишіть структуру та принцип дії нейронної мережі Кохонена.
Опишіть структуру та принцип дії згорткової нейронної мережі.
Що мається на увазі під навчанням нейронної мережі і які парадигми навчання існують.
Опишіть алгоритм навчання нейронної мережі з вчителем.
Опишіть алгоритм навчання нейронної мережі без вчителя.
Опишіть алгоритм навчання нейронної мережі з частковим залученням вчителя.
Опишіть алгоритм навчання нейронної мережі з підкріпленням.
Опишіть метод зворотного поширення помилки при навчанні штучних нейронних мереж.
Які переваги та недоліки є в методу зворотного поширення помилки при навчанні штучних нейронних мереж.
Яким чином відбувається навчання згорткових нейронних мереж за методом зворотного поширення помилки.
Опишіть метод Левенберга-Марквардта при навчанні штучних нейронних мереж.
Наведіть визначення нейро-нечіткої системи.
Наведіть основні характеристики нейро-нечіткої системи.
Які види нейро-нечітких систем існують?
Наведіть структуру та основні характеристики адаптивної нейро-нечіткої системи ANFIS.
Наведіть переваги та недоліки адаптивної нейро-нечіткої системи ANFIS.
Надайте визначення генетичному алгоритму, формальний опис та наведіть сфери його застосування.
Наведіть переваги та недоліки генетичного алгоритму, як методу оптимізації.
Наведіть та опишіть узагальнену схема роботи генетичних методів.
Наведіть класифікацію методів еволюційного пошуку.
Наведіть та опишіть моделі генетичного пошуку.
Яким чином відбувається ініціалізація та запуск генетичного пошуку?
Яким чином відбувається визначення цільової функції генетичного пошуку?
Яким чином працює оператор відбору генетичного пошуку?
Яким чином працює оператор схрещування генетичного пошуку?
Яким чином працює оператор мутації генетичного пошуку?
Яким відбувається формування нового покоління генетичного пошуку?
Яким встановлюються критерії зупинки генетичного пошуку?
Опишіть алгоритм параметричного синтезу нейронних мереж за допомогою генетичного пошуку.
Опишіть алгоритм параметричного синтезу нейронних мереж за допомогою генетичного пошуку з врахуванням значущості ознак навчальної вибірки.
Опишіть алгоритм структурного синтезу нейронних мереж за допомогою генетичного пошуку.
Наведіть основні типи глибоких нейронних мереж.
Наведіть типи оптимізаторів що використовуються при навчанні глибоких нейронних мереж.
Наведіть архітектуру мережі AlexNet та опишіть її.
Наведіть архітектуру мережі Network‑in‑network та опишіть її.
Наведіть архітектуру мережі ZefNet та опишіть її.
Наведіть архітектуру мережі VGG та опишіть її.
Наведіть архітектуру мережі Inception та опишіть її.
Наведіть архітектуру мережі ResNet та опишіть її.
Наведіть архітектуру мережі DenseNet та опишіть її.
Наведіть архітектуру мережі Xception та опишіть її.
Наведіть архітектуру мережі LSTM та опишіть її.
Як працює технологія Transfer learning в глибоких нейронних мережах?
Які є методи збільшення навчальних даних в глибоких нейронних мережах?
Що таке проблема зникаючого градієнту в глибоких нейронних мережах?
Що таке проблема вибухаючого градієнту в глибоких нейронних мережах?
Які програмні фреймворки існують для реалізації нейронних мереж?
Які апаратні засоби існують для реалізації нейронних мереж?
Які переваги та недоліки CPU при реалізації нейронних мереж?
Які переваги та недоліки GPU при реалізації нейронних мереж?
Які переваги та недоліки TPU при реалізації нейронних мереж?
Які переваги та недоліки FPGA при реалізації нейронних мереж?
Які переваги та недоліки ASIC при реалізації нейронних мереж?
Архітектура мереж LSTM
Алгоритм навчання мережі LSTM.
Застосування мереж LSTM.
[1] Методичною радою університету – для загальноуніверситетських дисциплін.
