Министерство развития информационных технологий и коммуникаций республики узбекистан



Download 74,18 Kb.
bet1/6
Sana13.12.2022
Hajmi74,18 Kb.
#884433
  1   2   3   4   5   6

МИНИСТЕРСТВО РАЗВИТИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И КОММУНИКАЦИЙ РЕСПУБЛИКИ УЗБЕКИСТАН


ТАШКЕНТСКИЙ УНИВЕРСИТЕТ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ имени Мухамада ал-хоразмий



Утверждено ”


Заведующий кафедры
“Искусственный интеллект”
“___” _____________2022 г.


Силлабус

по предмету




ВВЕДЕНИЕ В МАШИННОЕ ОБУЧЕНИЕ

Сфера знания:

300000

  • Производственно-техническая область

Сфера образования

330000

Направление образования:

5330500

5330300


  • Компьютерный инжиниринг («Компьютерный инжиниринг»)

  • Информационная безопасность

(Информационные, коммуникационные технологии и сервис)












Toshkent – 2022

Название

ВВЕДЕНИЕ В МАШИННОЕ ОБУЧЕНИЕ

Тип наука

основий

Код

IML1416

Курс:

3

Семестр:

5

Форма обучения:

очное

Формы занятий и часы на семестр:

180

Лекция

60

Лаборатории

30

Семинар

-

Самостоятельная обучение

-

Количество тестовых единиц:

90

Форма оценки:

6

Язык наука

Экзамен

Название

русский



Авторы программы:

Ochilov M.M., To‘rayev B.Sh.

Эл. адрес:

ochilov.mannon@mail.ru

Номер телефона:

998286451



Организация:

Ташкентский университет информационных технологий имени Мухаммада аль-Хорезми, кафедра искусственного интеллекта




Код

IML1416

Название

ВВЕДЕНИЕ В МАШИННОЕ ОБУЧЕНИЕ

Кредиты АКТС

6.0

Учебный год

2022/2023

Семестр

5




КРАТКИЕ СВЕДЕНИЯ О КУРСЕ



QM1

Этот курс обучает каждого студента необходимым знаниям о машинном обучении. Машинное обучение - одна из самых быстрорастущих технологий, влияющих на нашу личную жизнь и общество. В этом курсе студенты получат базовое понимание таких понятий, как строительные блоки и компоненты искусственного интеллекта, алгоритмы, машинное обучение и нейронные сети. Студенты также узнают, как применять алгоритмы машинного обучения и критически оценивать его проблемные области. Курс также включает в себя сбалансированный обзор влияния применения алгоритмов машинного обучения на существующие рабочие места, а также потенциал для создания новых интересных направлений деятельности в будущем. Студенты завершают курс с полным пониманием того, что такое машинное обучение, как оно работает, его приложения и что
оно может делать с технологиями. Курс дает студентам теоретические







знания, практические
машинного обучения.

навыки, современные

методы

и

инструменты




Предпосылки для прохождения курса

1.

- базовые навыки использования языков программирования;

2.

- опыт применения теории линейной алгебры на практике;

3.

- должен знать теорию вероятностей.


Результаты обучения



РО1

Основные понятия машинного обучения. Статистические методы и их роль в
машинном обучении. Получите общее представление об использовании машинного обучения в искусственном интеллекте.



РО 2

Познакомьтесь (получите, получите) с современными технологиями, пришедшими из машинного обучения. Алгоритмы обучения учителя и не учителя. Познакомьтесь (получите, получите) с современными методами, пришедшими из машинного обучения (Octave / Matlab / Python /).



РО 3

Понятие линейной регрессии. Построение модели линейной регрессии.
Определение коэффициентов регрессионной модели. Обретает навыки проверки модели.



РО4

Многомерный взгляд на регрессионный анализ. Постройте модель линейной регрессии с множеством переменных. Модель многомерной регрессии. Метод градиентного спуска. Понимает концепции стохастического градиентного
падения.



РО5

Концепция логистической регрессии. Построение модели логистической регрессии. Проблемы с оптимизацией. Расчет значений вероятности и определение границ решения в процессе классификации.



РО6

Понятие о классификации. Классификация как один из основных подходов к машинному обучению. Проблемы с обучением. Структура учебной программы MNIST. Использование логистических функций и функций регрессии softmax для задачи классификации.



РО7

Как создать выборку в машинном обучении. Концепция отбора. Приемы создания, сборки и предварительной обработки образца. Функции генерации
выбора учебника (пакет pandas). Узнайте, как работать с открытыми наборами данных.



РО8

Концепция обучения без учителя и его методы. Решите проблему кластеризации. Возможность использования методов кластеризации, иерархической кластеризации, кластеризации K-средних, кластеризации K-NN (ближайших соседей) и других методов.



РО9

Понятие о биологических и искусственных нейронах. Понятие о нейронной сети. Выполнение логических операций над нейронами. Понятие и функции персептрона. Постройте простую нейронную сеть. Весовые коэффициенты и их расчет.



РО10

Создавайте многоуровневые нейронные сети. Входящий, исходящий и скрытый уровни в многоуровневой нейронной сети. Обратное распространение в многоуровневой нейронной сети. Возможность решать задачи регрессии и
классификации с помощью многоуровневого персептрона.

РО11

Концепция углубленного обучения. Благодаря углубленному обучению студенты получат знания и навыки для решения задач искусственного интеллекта.




Форма обучения: Лекция (Л)

soat

Л1

Введение. Основные понятия машинного обучения. Применение
машинного обучения в искусственном интеллекте

2



Л2

Виды машинного обучения. Алгоритмы обучения с учителем и без учителя. Инструментальные средства машинного обучения
(Octave/Matlab/Python/) и их анализ.

4


Л3

Линейная регрессия в машинном обучении. Одномерная линейная
регрессия.

2

Л4

Введение в линейную алгебру. Работа с вектором и матрицами.

2

Л5

Множественная линейная регрессия. Построение модели множественной
линейной регрессии.

2

Л6

Использование инструментальных средств в машинном обучении и их
установка. Работа в программной среде Matlab/Python.

2

Л7

Основные операторы среды Matlab/Python. Создание вектора и матриц.
Работа с вектором и матрицами. Операторы управления и циклы.

2

Л8

Работа с функциями. Функции чтение данных для модели.

2

Л9

Графическое представление данных. Работа с операциями векторизации

2

Л10

Понятие логистической регрессии. Построение модели логистической
регрессии. Задачи оптимизации.

2



Л11

Задачи классификации в машинном обучении. Понятие классификации. Классификация как основной подход в машинном обучении. Задача
обучения.

2




Л12

Структура обучающей выборки MNIST. Применение регрессионных функции softmax и логистической регрессии для задач классификации.
Методы оценки эффективности. Матрица путаницы (confusion matrix).

2




Л13

Понятие регуляризации. Регуляризация в процессе обучения. Линейные методы организации данных (Regularized linear models). Регулирование
линейной и логистической регрессии

4


Л14

Обучающея выборка (Dataset). Методы создания выборки в машинном
обучении. Методы создания, сборки и обработки обучающей выборки.

2

Л15

Функции генерации обучающей выборки (pandas пакет). Работа с
существующими обучающими выборками (open datasets).

2

Л16

Алгоритмы обучения без учителя (Unsupervised). Понятие обучения без
учителя и их методы.

2

Л17

Решение задач кластеризации. Применение методов кластеризации,
иерархическая кластеризация, кластеризация K-means.

2



Л18

Введение в искусственные нейронные сети. Понятие нейронной сети. Выполнение логических операций над нейронами. Понятие и функция
перцептрона.

2


Л19

Построение простую нейронную сеть. Весовые коэффициенты и их
расчет. Уровни нейронной сети.

2

Л20

Многоуровневые нейронные сети. Входящий, исходящий и скрытый

2




уровни в многоуровневой нейронной сети.






Л21

Операции по обновлению значений весовых коэффициентов в многоуровневой нейронной сети (backpropogation). Решение задач
регрессии и классификации по многоуровневому персептрону

2




Л22

Построение нейронной сети на основе инструментального программного обеспечения. Функции построения нейронной сети в среде Matlab / Python и использование доступных библиотек. Создание и печать модели
нейронной сети.

2




Л23

Проблема обучения нейронной сети. Проблема обучения в простых и сложных нейронных сетях. Выбор обучающей выборки для обучения
нейронной сети. Предварительная обработка обучающей выборки.

4




Л24

Решение задач классификации на основе нейронных сетей. Расчет
функции потерь (loss function) и функции градиентного спуска (gradient descent) в нейронной сети. Повышение точности модели для
классификации.

4


Л25

Понятие и виды глубинного обучения. Решение проблем искусственного
интеллекта с помощью глубинного обучения. Этапы глубинного обучения.

2

Л26

Виды глубинного обучения, преимущества алгоритмов глубинного
обучения CNN, RNN, LSTM, DFF

2


Download 74,18 Kb.

Do'stlaringiz bilan baham:
  1   2   3   4   5   6




Ma'lumotlar bazasi mualliflik huquqi bilan himoyalangan ©hozir.org 2024
ma'muriyatiga murojaat qiling

kiriting | ro'yxatdan o'tish
    Bosh sahifa
юртда тантана
Боғда битган
Бугун юртда
Эшитганлар жилманглар
Эшитмадим деманглар
битган бодомлар
Yangiariq tumani
qitish marakazi
Raqamli texnologiyalar
ilishida muhokamadan
tasdiqqa tavsiya
tavsiya etilgan
iqtisodiyot kafedrasi
steiermarkischen landesregierung
asarlaringizni yuboring
o'zingizning asarlaringizni
Iltimos faqat
faqat o'zingizning
steierm rkischen
landesregierung fachabteilung
rkischen landesregierung
hamshira loyihasi
loyihasi mavsum
faolyatining oqibatlari
asosiy adabiyotlar
fakulteti ahborot
ahborot havfsizligi
havfsizligi kafedrasi
fanidan bo’yicha
fakulteti iqtisodiyot
boshqaruv fakulteti
chiqarishda boshqaruv
ishlab chiqarishda
iqtisodiyot fakultet
multiservis tarmoqlari
fanidan asosiy
Uzbek fanidan
mavzulari potok
asosidagi multiservis
'aliyyil a'ziym
billahil 'aliyyil
illaa billahil
quvvata illaa
falah' deganida
Kompyuter savodxonligi
bo’yicha mustaqil
'alal falah'
Hayya 'alal
'alas soloh
Hayya 'alas
mavsum boyicha


yuklab olish