Бакалавриат
2019/2020
Машинное обучение
Лучший по критерию «Новизна полученных знаний»
Статус:
Курс обязательный (Прикладная математика и информатика)
Направление:
01.03.02. Прикладная математика и информатика
Когда читается:
4-й курс, 2 модуль
Формат изучения:
без онлайн-курса
Преподаватели:
Яшунин Дмитрий Александрович
Язык:
русский
Кредиты:
3
Контактные часы:
32
Программа дисциплины
Аннотация
Дисциплина направлена на теоретическое и практическое изучение основ машинного обучения. Машинное обучение – это подраздел искусственного интеллекта, актуальная и динамично развивающаяся дисциплина, тесно связанная с различными разделами математики и компьютерных наук. Машинное обучение решает проблемы, связанные с разработкой и применением алгоритмов, способных выполнять такие сложные задачи, как распознавание образов, автоматическая обработка текстов и др. Важной особенностью алгоритмов машинного обучения является то, что они не требуют подробных инструкций по выполнению задач, но способны сами "обучаться" на примерах решения аналогичных задач человеком.
Цель освоения дисциплины
- Целью освоения дисциплины «Машинное обучение» является получение высшего профессионально профилированного (на уровне бакалавра) образования, позволяющего выпускнику успешно работать в избранной сфере деятельности, обладать универсальными и предметно-специализированными компетенциями, способствующими его социальной мобильности и устойчивости на рынке труда.
Планируемые результаты обучения
- Знает постановки основных задач машинного обучения;
- Знает свойства линейных преобразований и операций над матрицами;
- Знает понятие и свойства случайной величины, свойства её характеристик
- Знает базовые архитектуры нейронных сетей для их решения;
- Знает программные инструменты и библиотеки их реализующие.
- Умеет тренировать нейронные сети для решения прикладных задач в различных предметных областях;
- Применяет программные продукты для решения задач
- Использует инструменты машинного обучения для анализа данных
- Владеет навыками работы программирования на python и работы в консоли
Содержание учебной дисциплины
- Тема 1. Простейшие методы машинного обученияПриложения задач машинного обучения. Задача классификации. Метод k-ближайших соседей. Подбор параметров модели по кросс-валидации. Линейный классификатор.
- Тема 2. Функция ошибки. Регуляризация. Оптимизация.Логистическая функция потерь. Квадратичная, экспоненциальная и кусочно-линейная функция потерь.
- Тема 3. Метод обратного распространения ошибки. Нейронные сети.Стохастический градиентный спуск. Простейший персептрон. Функции активации
- Тема 4. Обучение нейронных сетей. Нормализационные методыОбучение нейронных сетей. Нормализационные методы.
- Тема 5. Архитектуры сверточных нейронных сетейПонятие свёртки. Пулинг. Полно связанный слой.
- Тема 6. Библиотеки для тренировки и запуска нейронных сетей.Библиотеки “Keras”, “TenzorFlow”
Промежуточная аттестация
- Промежуточная аттестация (2 модуль)0.5 * Самостоятельная работа (лабораторные работы) + 0.5 * Экзамен
Список литературы
Рекомендуемая основная литература
- Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. – Springer, 2009. – 745 pp.
Рекомендуемая дополнительная литература
- Коэльо Л.П., Ричарт В. - Построение систем машинного обучения на языке Python - Издательство "ДМК Пресс" - 2016 - 302с. - ISBN: 978-5-97060-330-7 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/82818
- Новиков Ф. А. - СИМВОЛИЧЕСКИЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ: МАТЕМАТИЧЕСКИЕ ОСНОВЫ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ. Учебное пособие для академического бакалавриата - М.:Издательство Юрайт - 2019 - 278с. - ISBN: 978-5-534-00734-3 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/simvolicheskiy-iskusstvennyy-intellekt-matematicheskie-osnovy-predstavleniya-znaniy-434065