Факультет: Радио и мобильная связь Кафедра: стрв отчёт

ДНЕВНИК ПРОВЕДЕННЫХ АУДИТОРСКИХ ЗАНЯТИЙ МАГИСТРАНТА ГРУППЫ410-19ХОЖИМАТОВА БАХОДИРБЕКА

Дата	Предмет	№ гр.	Тип занятия	Часы	№ ауд.	Ф.И.О.	Подпись
7.09.20	Машинное обучение	710-19, 711, 712, 713, 714, 715, 716-18	Упражнение	2	23A	Носиров Х.Х.
14.09.20	Машинное обучение	710-19, 711, 712, 713, 714, 715, 716-18	Упражнение	2	23A	Носиров Х.Х.
21.09.20	Машинное обучение	710-19, 711, 712, 713, 714, 715, 716-18	Упражнение	2	23A	Носиров Х.Х.
28.09.20	Машинное обучение	710-19, 711, 712, 713, 714, 715, 716-18	Упражнение	2	23A	Носиров Х.Х.
5.10.20	Машинное обучение	710-19, 711, 712, 713, 714, 715, 716-18	Упражнение	2	23A	Носиров Х.Х.
12.10.20	Машинное обучение	710-19, 711, 712, 713, 714, 715, 716-18	Упражнение	2	23A	Носиров Х.Х.
19.10.20	Машинное обучение	710-19, 711, 712, 713, 714, 715, 716-18	Упражнение	2	23A	Носиров Х.Х.
26.10.20	Машинное обучение	710-19, 711, 712, 713, 714, 715, 716-18	Упражнение	2	23A	Носиров Х.Х.
2.11.20	Машинное обучение	710-19, 711, 712, 713, 714, 715, 716-18	Упражнение	2	23A	Носиров Х.Х.
9.11.20	Машинное обучение	710-19, 711, 712, 713, 714, 715, 716-18	Упражнение	2	23A	Носиров Х.Х.
16.11.20	Машинное обучение	710-19, 711, 712, 713, 714, 715, 716-18	Упражнение	2	23A	Носиров Х.Х.
23.11.20	Машинное обучение	710-19, 711, 712, 713, 714, 715, 716-18	Упражнение	2	23A	Носиров Х.Х.
30.11.20	Машинное обучение	710-19, 711, 712, 713, 714, 715, 716-18	Упражнение	2	23A	Носиров Х.Х.
7.12.20	Машинное обучение	710-19, 711, 712, 713, 714, 715, 716-18	Упражнение	2	23A	Носиров Х.Х.
14.12.20	Машинное обучение	710-19, 711, 712, 713, 714, 715, 716-18	Упражнение	2	23A	Носиров Х.Х.
Итого:	30 часов

Заведующий кафедрой: Носиров Х.Х. _______________

Руководитель НПР: Носиров Х.Х._______________
Ответственный преподаватель: Носиров Х.Х. _______________
Магистрант: Кобилова З. О. _______________
МИНИСТЕРСТВО ПО РАЗВИТИЮ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И КОММУНИКАЦИЙ РЕСПУБЛИКИ УЗБЕКИСТАН ТАШКЕНТСКИЙ УНИВЕРСИТЕТ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
ИМЕНИ МУХАММАДА АЛЬ-ХОРЕЗМИ
КАФЕДРА «РАДИО И МОБИЛЬНОЙ СВЯЗИ»

МАТЕРИАЛЫ ПРОВЕДЕННЫХ ПРАКТИЧЕСКИХ ЗАНЯТИЙ (30 ЧАСОВ)

По дисциплине:
«Машинное обучение»
ВЫПОЛНИЛА: Кобилова З. О.
МАГИСТРАНТ ГРУППЫ: 410-19
ПРИНЯЛ: Носиров Х.Х
Ташкент 2020
1.Методические указания по изучению учебной дисциплины


Краткие сведения о курсе
Согласно Государственных стандартов в ТУИТ изучается предмет «Машинное обучение». Предмет «Машинное обучение» состоит из следующих основных частей: введение в системы искусственного интеллекта, методы и задачи машинного обучения, алгоритмы машинного обучения, базы данных и базы знаний, архитектуры нейронных сетей, машинное обучение при больших данных, , персептрон и однослойные сети, алгоритм обратного распространения, многослойные нейронные сети, переобучение и регуляризация, построение современных нейронных сетей, фреймворки и библиотеки для работы с нейронными сетями, пример распознавания речи на основе искусственных нейронных сетей.
.
Алгоритмов машинного обучение большое множество: одни эффективны для решения одного типа задач задач, вторые — для другого. Важно не путать машинное обучение, нейросети и искусственный интеллект, это принципиально разные вещи. Обучить искусственный интеллект можно не только методами машинного обучения, а кроме нейросетевых алгоритмов есть ещё и классическое обучение, и обучение с подкреплением.


Краткая информация о курсе
Машинное обучение (Machine Learning) это тренировка математической модели на исторических данных для того, чтобы прогнозировать какое-то событие или явление на новых данных. То есть попытка заставить алгоритмы программ совершать действия на основе предыдущего опыта, а не только на основе имеющихся данных.
Для обучения нужны исторические данные (обучающая выборка) и значение целевой переменной (то, что прогнозируем), которое соответствует заданным историческим данным. Модель наблюдает и находит зависимости между данными и целевой переменной. Эти зависимости используются моделью для нового набора данных, чтобы прогнозировать целевую переменную, которая неизвестна.
Машинное обучение включает в себя целый набор методов и алгоритмов, которые могут предсказать какой-то результат по входным данным. Например, у вас есть какая-то информация по тому, сколько стоили ценные бумаги в каждый момент из какого-то длинного промежутка времени, алгоритмы машинного обучения могут предсказать, сколько эти бумаги будут стоить в будущем
Предварительные требования по курсу Предварительных требований нет.

Ожидаемые результаты курса
В итоге обучения курса учащийся должен:

• 
  иметь представление о методах и задачах машинного обучения;
  
• 
  получить знания по прикладным задачам искусственного интеллекта; - получить знания по созданию баз данных и баз знаний, экспертных систем;
  
• 
  изучить принципы построения однослойных и многослойных искусственных нейронных сетей.
  

Содержание курса

Темы лекционных занятий

№	Название лекции	Часы
1.	Введение в системы искусственного интеллекта. Основные термины, постановки задач и примеры применения.	2
2.	Методы и задачи машинного обучения	2
3.	Алгоритмы машинного обучения	2
4.	Машинное обучение при больших данных	2
5.	Базы данных и базы знаний, экспертные системы	2
6.	Архитектуры нейронных сетей	2
7.	Персептрон и однослойные сети	2
8.	Алгоритм обратного распространения. Многослойные нейронные сети.	2
9.	Переобучение и регуляризация	2
10.	Построение современных нейронных сетей	2
11.	Фреймворки и библиотеки для работы с нейронными сетями	2
12.	Пример распознавания речи на основе искусственных нейронных сетей	2
13.	Многослойные нейронные сети и вопросы их обучения	2
14.	Применение систем обработки информации. Варианты, конструкции языка программирования Python	2
15.	Применение программного инструмента Python / numpy в искусственном интеллекте	2

Нагрузка

Тип занятие	Часы
Лекция	30
Практическая работа	-
Самостоятельная работа	90
Итого	120

Стратегия организации занятий
Курс организуется в следующем порядке: теоретическое обучение, самостоятельная работа учащихся, итоговый контроль.


Теоретическое обучение.
На теоретических занятиях студентам дается информации об основных концепциях предмета. Студентам заранее объявляются темы для подготовки самостоятельных работ. После объяснения основной сути темы, преподавателем формируются и задаются проблемные вопросы. Каждый учащийся отвечает на вопросы, ответы обсуждаются.

Самостоятельная работа.
Получение каждым студентом или группой студентов индивидуальных заданий. При этом студенты проводят анализ тем по теоретическим материалам, осваивают алгоритмы обработки и пакеты прикладных программ, создают программы обработки данных, представляют схемы и структуры систем искусственного интеллекта.

Оценки (аssessment).
Оценки знания студентов проводится по итогам активности на занятиях, а также по результатам выполнения заданий по теории самостоятельной работе.
Баллы распределены в следующем порядке:

• 
  Самостоятельные работы: 30% Из них составляющие оценки:
  

- полнота и качество выполнения индивидуальных заданий; - создание программы по освоенному алгоритму; - оформление презентаций, схем и структур.

• 
  Защита проектов индивидуальных заданий: 20%
  

• 
  Итоговый контроль (письменная работа): 50%
  

Применяемые меры:
Для выполнения каждого задания устанавливается срок (deadline). Оценки не выставляются студентам, которые сдают отчеты после этого срока.

Список литературы


Основная литература

1. 
   Михеева В., Харитонова И. Microsoft Access 2003.- Наиболее полное руководство. - СПб.: БХВ-Петербург, 2004.- 250с.
   
2. 
   Девятков Системы искусственного интеллекта. М. – изд.МГТУ,-2001г.
   
3. 
   Горбань А.М. Нейронные сети на персональном компьютере.- Новосибирс, изд. Наука -1996- 320с.
   
4. 
   Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем- СПб – изд.Питер-2010-384с.
   

Дополнительная литература

1. 
   Элти Дж., Кумбе М. Экспертные системы, конценции и примеры. М.- Финансы и статистика, 1997 -192с.
   
2. 
   Глазунов А. Компьютерное распознавание человеческих лиц. http://www.osp.ru/os/2000/03/177945/
   
3. 
   Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. – М.: Радио и связь. – 382 с.
   
4. 
   Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание.
   

Математические методы. Программная система.Практические применения.
— М.: Фазис, 2005. —159 с.

5. 
   Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: Издательский дом «Вильямс», 2003 – 864 с.