Министерство развития информационных технологий и коммуникаций республики узбекистан

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	Компьютерные технологии и информатика
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:	[e-mail]
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