Ферганский филиал

Тематики лекции
Выделенные часи
1	Введение в предмет «машинное обучение» и его основные понятия	2
2	Использование машинного обучения в искусственном интеллекте. Применение в различных сферах, существующие приложения и их возможности.	2
3	Познакомится с современными технологиями, пришедшими из машинного обучения. Алгоритмы обучения с учителям и без учителя.	2
4	Познакомится с современными методами, пришедшими из машинного обучения (Octave / Matlab / Python /).	2
5	Понятие линейной регрессии. Построение модели линейной регрессии.	2
6	Коэффициенты регрессионной модели. Рассчитание функцию стоимости. Проверить точность модели	2
7	Основные понятия линейной алгебры. Использование линейной алгебры в машинном обучении.	2
8	Выполнять различные операции с векторами и матрицами (скалярное сложение, умножение, инверсия матриц, норма, вычисление цвета, транспондер и т.д.)	2
9	Многомерный взгляд на регрессионный анализ. Постройте многомерную модель линейной регрессии.	2
10	Модель многомерной регрессии. Метод градиентного спуска. Стохастический градиентный спуск.	2
11	Необходимые инструменты. Операторы основных операций в среде программирования Matlab / Python. Объявление векторов и матриц и выполнение над ними операций. Операторы управления и цикла	2
12	Работа с функциями. Работа с функциями чтения данных для модели. Графическое представление данных. Работа с операциями векторизации	2
13	Концепция логистической регрессии. Построение модели логистической регрессии. Проблемы с оптимизацией.	2
14	Расчет значений вероятности и определение границ принятия решения в процессе классификации. Функция регрессии softmax	2
15	Понятие о классификации. Классификация как один из основных подходов к машинному обучению. Вопросы обучения. Структура учебной программы MNIST.	2
16	Использование логистических функций и функций регрессии softmax для задачи классификации. Методы оценки эффективности. Матрица путаницы	2
17	Понятие о регулировании. Регуляризованные линейные модели	2
18	Регулирование линейной и логистической регрессии.	2
19	Концепция отбора. Приемы создания, сборки и предварительной обработки образца.	2
20	Функции генерации выбора учебника (пакет pandas). Работа с существующими вариантами обучения	2
21	Концепция обучения без учителя и его методы. Решите проблему кластеризации.	2
22	Использование методов кластеризации, иерархической кластеризации, кластеризации K-средних, кластеризации K-NN (ближайших соседей) и других методов	2
23	Понятие о биологических и искусственных нейронах. Понятие о нейронной сети. Выполнение логических операций над нейронами. Понятие и функции перцептрона.	2
24	Построение простую нейронную сеть. Весовые коэффициенты и их расчет. Поверхности нейронной сети	2
25	Создание многоуровневые нейронные сети. Входящий, исходящий и скрытый уровни в многоуровневой нейронной сети.	2
26	Обратное распространение в многоуровневой нейронной сети. Решайте задачи регрессии и классификации с помощью многоуровневого персептрона	2
27	Используйте функции построения нейронной сети и существующие библиотеки в средах Matlab / Python. Создание и печать модели нейронной сети.	2
28	Проблема обучения в простых и сложных нейронных сетях. Выбор варианта обучения для обучения нейронной сети. Предварительный подбор репетитора.	2
29	Способы решения классификации на основе нейронных сетей и повышения точности нейронной сети	2
30	Углубленные методы обучения. Машинное обучение и применение нейронных сетей в различных областях	2
	Всего	60

Методические указания и рекоминдации по проведение практические занятие

Практические занятие проводится для укрепления знание полученные в лекционных занятиях на основе конкретных примерах и заданиях.При этим преподаватель должен разработат распределеные системы матералов и рекоминдации. Каждое занятие строится по определенном последовательности.

№