Министерство развития информационных технологий и коммуникаций республики узбекистан

Jami

60

Форма обучения: Практика (П)
П1	Введение в машинное обучение и его основные понятия, алгоритмы.	2
П2	Виды машинного обучения. Общие этапы процесса машинного обучения.	2
П3	Использование инструментов в машинном обучении.Работа в среде программирования Matlab / Python.	2
П4	Задачи линейной регрессии одной переменной и многих переменных и их программирование	2
П5	Концепция логистической регрессии и их применение в машинном обучении.	2
П6	Линейная алгебра для машинного обучения. Программирование задач линейной алгебры.	2
П7	Алгоритмы классификации и их программирование в машинном обучении..	2
П8	Изучение и программирование алгоритмов обучения без учителя в машинном обучении.	2
П9	Современные программные средства для искусственных нейронных сетей	2
П10	Искусственные нейронные сети. Создание простых нейронных сетей. Алгоритмы прямого и обратного распределения нейронных сетей.	2
П11	Регулирование нейронных сетей.	2
П12	Нейронные сети на основе глубокого обучения.Архитекторы нейронных сетей (CNN), рекуррентные нейронные сети, автокодеры и другие алгоритмы на основе глубокого обучения и их возможности.	2
П13	Применение нейронных сетей на основе глублинного обучения для практических задач, таких как распознавание речевых сигналов, классификация объектов на изображениях.	2
П14	Введение в машинное обучение и его основные понятия, алгоритмы.	2

П15	Виды машинного обучения. Общие этапы процесса машинного обучения.	2
Jami		30

Самостоятельная работа (СР)		Часы	Форма отчета
СР 1	Задания к лекциям 2-9: Используя специальные библиотеки языка программирования Python, постройте регрессионную модель, которая прогнозирует цену и класс (бизнес, эконом) на основе большого количества характеристик, характеризующих дом, и оцените точность модели.	18	Самостоят ельная работа
СР 2	Задания к лекциям 9-15: В случае цветка ириса модель классификации и кластеризации преподается с использованием логистической регрессии, KNN, K-средних и многоуровневых нейронных сетей, а также оценки точности модели	18	Презентац ия
СР 3	Задания к лекциям 16-20: Подготовьте полный проект рукописной системы распознавания арабских цифр на основе многоуровневых нейронных сетей с использованием библиотек Tenserflow и Keras и сформируйте подходящую модель выбора учебника и обучения распознаванию для реализации на языке программирования Python.	20	Самостоят ельная работа
СР 4	21-25 - Задания к лекции: Разработка программы аудита человека по голосу с использованием библиотек Sklearn и Keras на основе алгоритмов машинного обучения (на примере узбекского языка). Сформулируйте результаты, сопоставимые с существующими программами.	22	Самостоят ельная работа
СР 5	Задания к лекциям 26-30: Разработайте пользовательскую программу аудита изображений лиц с использованием библиотек Tensorflow и Keras на основе алгоритмов машинного обучения. Сформулируйте результаты, сопоставимые с существующими программами.	22	Презентац ия
Всего:			90

Самостоятельная работа - это индивидуальная работа студента в виде реферата по заданию, заданному в отчете, самостоятельная работа и презентация..

Стратегия обучения

Развитие курса выглядит следующим образом: во время лекции студент приобретает необходимые теоретические знания курса. Раз в семестр проводится промежуточный экзамен. Каждому студенту будет предоставлена самостоятельная работа (задание, проектная работа) по темам лекции. Практические занятия будут включать в себя задания,
которые укрепят и применит темы, затронутые в лекции, а также домашние задания в конце семинара. Каждое задание направлено на развитие у студентов практических навыков по изучаемым темам.