(Информационные, коммуникационные технологии и сервис)
Toshkent – 2022
Название
ВВЕДЕНИЕ В МАШИННОЕ ОБУЧЕНИЕ
Типнаука
основий
Код
IML1416
Курс:
3
Семестр:
5
Формаобучения:
очное
Формызанятий ичасына семестр:
180
Лекция
60
Лаборатории
30
Семинар
-
Самостоятельная обучение
-
Количествотестовыхединиц:
90
Формаоценки:
6
Языкнаука
Экзамен
Название
русский
Авторыпрограммы:
Ochilov M.M., To‘rayev B.Sh.
Эл.адрес:
ochilov.mannon@mail.ru
Номертелефона:
998286451
Организация:
Ташкентский университет информационных технологий имени Мухаммада аль-Хорезми, кафедра искусственного интеллекта
Код
IML1416
Название
ВВЕДЕНИЕ В МАШИННОЕ ОБУЧЕНИЕ
КредитыАКТС
6.0
Учебныйгод
2022/2023
Семестр
5
КРАТКИЕСВЕДЕНИЯОКУРСЕ
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
Предпосылкидляпрохождениякурса
1.
- базовые навыки использования языков программирования;
2.
- опыт применения теории линейной алгебры на практике;
3.
- должен знать теорию вероятностей.
Результатыобучения
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