|
9. Организация формы и содержание самостоятельной работы
Рекоминдуется студентам при подготовке самочтоятельной работы необходимо учитывая спецификации предмета использовать ниже представленных формы:
на основе литературы изучать тематики предмета;
на основе раздаточных материалов освоить части лекционных материалов;
изучать применение автоматизированных обучающих и контролирующих программы;
проводить анализ полученных знаний с использованием спец. литературы;
проводить анализ материалов локальных и глобальных компьютерных сетей;
изучение материалов используя технологии дистанционного обучения.
Основная форма самостоятельной работы являются подготовки рефератов, конспектов по предложенных тематики и создания база данных по материалам.
Тематики самостоятельных работы:
№
|
Тема
|
Часы
|
Форма
|
1
|
Роль машинного обучения в искусственном интеллекте
|
2
|
Подготовка реферата
|
2
|
Математические операции в машинном обучении.
|
2
|
Подготовка реферат
|
3
|
Способы и средства оптимизации модели в машинном обучении.
|
2
|
Подготовка реферата
|
4
|
Используйте машинное обучение для создания умных игр.
|
4
|
Подготовка реферата
|
5
|
Использование элементов ИИ в играх.
|
4
|
Подготовка реферата
|
6
|
Модели нейронных сетей и алгоритмы прогнозирования временных рядов.
|
4
|
Подготовка реферата
|
7
|
Модель искусственной нейронной сети
|
4
|
Подготовка реферата
|
8
|
Модели нейронных сетей и алгоритмы распознавания изображений.
|
4
|
Подготовка реферата
|
9
|
Модели машинного обучения TensorFlow.
|
4
|
Подготовка реферат
|
10
|
Построение нейронной сети с использованием пакета keras в среде Python
|
4
|
Подготовка реферата
|
11
|
CNN в нейронных сетях (сверточные нейронные сети)
|
4
|
Подготовка реферата
|
|
Концепция логистической регрессии. Построение модели логистической регрессии. Проблемы с оптимизацией.
|
4
|
Подготовка реферат
|
|
Расчет значений вероятности и определение границ принятия решения в процессе классификации. Функция регрессии softmax
|
2
|
Подготовка реферат
|
|
Понятие о классификации. Классификация как один из основных подходов к машинному обучению. Вопросы обучения. Структура учебной программы MNIST.
|
4
|
Подготовка реферат
|
|
Использование логистических функций и функций регрессии softmax для задачи классификации. Методы оценки эффективности. Матрица путаницы
|
4
|
Подготовка реферат
|
|
Понятие о регулировании. Регуляризованные линейные модели
|
2
|
Подготовка реферат
|
|
Регулирование линейной и логистической регрессии.
|
4
|
Подготовка реферат
|
|
Концепция отбора. Методы создания, сборки и предварительной обработки выделения.
|
4
|
Подготовка реферат
|
|
Функции генерации выбора учебника (пакет pandas). Работа с существующими вариантами обучения
|
4
|
Подготовка реферат
|
|
Концепция обучения без учителя и его методы. Решите проблему кластеризации.
|
4
|
Подготовка реферат
|
|
Решайте задачи регрессии и классификации с помощью многоуровневого персептрона
|
4
|
Подготовка реферат
|
|
Создание и печать модели нейронной сети.
|
4
|
Подготовка реферат
|
|
Выбор варианта обучения для обучения нейронной сети. Предварительный подбор репетитора.
|
4
|
Подготовка реферат
|
|
Решения для классификации нейронных сетей и способы повышения точности нейронных сетей
|
4
|
Подготовка реферат
|
|
Машинное обучение и применение нейронных сетей в различных областях
|
4
|
Подготовка реферат
|
Всего
|
90 часов
|
Нагрузка
Тип занятии
|
Час
|
Лекция
|
60
|
Лабораторные
|
-
|
Практические занятие
|
30
|
Самостоятельная работа
|
90
|
Всего
|
180
|
Стратегия обучения
Курс следующий: на лекции студент приобретает необходимые теоретические знания курса. Студент сдает промежуточный экзамен дважды в семестр. На практическом занятии учитель демонстрирует практическое применение теоретических знаний, полученных на лекции. В конце каждого практического занятия студенту дается индивидуальное задание, которое он должен выполнить самостоятельно. Обучение студентов осуществляется с использованием программного обеспечения Python.
Оценка студентов
Теоретическая часть курса оценивается путем получения двух промежуточных контрольных работ в течение семестра.
На практическом занятии оцениваются все самостоятельные работы и рассчитывается сумма оценок:
Промежуточный контроль : 20% (20 баллов)
Текущий контроль: 30% (30 баллов)
Промежуточный контроль (ON): состоит из двух промежуточных оценочных исследований.
1-промежуточная оценка (1-конт.) до 10 баллов, 2-промежуточная оценка (2- конт.) до 10 баллов.
Всего 20 баллов.
Текущий контроль (ТК): все независимые работы оцениваются на практике и являются суммой оценок:
Всего 30 баллов.
Итого 30+20= 50 очков.
Итоговый контроль: 50% (50 баллов).
Общий максимальный балл: ПК (20)+ТК (30)+ИК (50)=100
.
10. Основные литературы
Aurelian Geron, Hands on Machine Learning with Scikit-Learn
Keras&Tensorflow // Second edition Concepts, Tools, and Techniques
to Build Intelligent Systems, 2019, 510 pages
Oliver Theobald, “Machine Learning for Absolute Beginners”, second
edition, 2017, 128 pages
Jukov L.A., Reshetnikova N.V. Prilojeniya neyronnыx setey: Uchebnoe posobie dlya studentov, uchaщixsya litseya i ZPSHNI / L. A. Jukov, N. V. Reshetnikova. Krasnoyarsk: IPS KGTU, 2007. 154 s.
Дополнительные литературы
Mirziyoev SH.M. Buyuk kelajagimizni mard va oliyjanob xalqimiz bilan birga quramiz. Toshkent. «O‘zbekiston», NMIU, 2017. – 488 b.
Mirziyoev SH.M. Qonun ustuvorligi va inson manfaatlarini ta’minlash – yurt taraqqiyoti va xalq farovonligining garovi. Toshkent. «O‘zbekiston», NMIU, 2017. – 48 b.
Mirziyoev SH.M. Erkin va farovon, demokratik O‘zbekiston davlatini birgalikda barpo etamiz. Toshkent. «O‘zbekiston», NMIU, 2016. – 56 b.
Stanford course CS231n on “Convolutional Neural Networks for Visual Recognition” PDF lecture presentation & YouTube lecture videos
Heidelberg, S. B. (2005). Introduction to Machine Learning Using 8 Neural Nets. Retrieved on 9/02/2015 from http://link.springer.com/chapter/10.1007/3-540-27335-2_7
M. Tim Djons Programmirovanie iskusstvennogo intellekta v prilojeniyax // Per. s angl. Osipov A. I. — M.: DMK Press, 2006. — 312 s.
Galushkin A. I. Neyronnыe seti: osnovы teorii. – M.: Goryachaya liniya–. Telekom, 2012. – 496 s.: il. ISBN 978-5-9912-0082-0
Axborot manbaalari
https://icenamor.github.io/files/books/Hands-on-Machine-Learningwith-Scikit-2E.pdf
http://cs231n.stanford.edu/
Do'stlaringiz bilan baham: |
