Інфопакет

Технології штучного інтелекту

ОК 6

Обов’язкова дисципліна для ОП

Другий

2022/2023

2 Семестр

6

Студент повинен знати: принципи побудови штучного інтелекту на основі інтелектуальних агентів, парадигми та основні задачі машинного навчання, математичну модель штучного нейрона, основні функції активації нейронів, принципи роботи і навчання багатошарового персептрона і нейронної мережі згортки, методи регуляризації складності нейронних мереж, принципи роботи машини опорних векторів, метрики якості прогнозуючих моделей, методологія вибору найкращої моделі та підбору гіперпараметрів. Студент повинен вміти: вирішувати задачі бінарної і багатокласової класифікації за допомогою багатошарового персептрона і машини опорних векторів, проводити підбір гіперпараметрів моделей класифікації, будувати модель розпізнавання зображень на основі згорткової нейронної мережі, а також використовувати попередньо навчені моделі нейронних мереж сучасних архітектур з використанням методики перенесення навчання.

Очна форма

Навчальна дисципліна «Технології штучного інтелекту» базується на дисциплінах «Програмування», «Вища математика», «Теорія ймовірності та математична статистика», «Алгоритми і методи обчислень», «Аналіз даних мовою Python», «Дискретна математика».

У курсі «Технології штучного інтелекту» розглядаються основні підходи, що використовуються для побудови систем штучного інтелекту, типи інтелектуальних агентів, парадигми машинного навчання і основні задачі, що розв’язуються методами машинного навчання, математична модель штучного нейрона, представлення нейронних мереж за допомогою графів, сучасні архітектури нейронних мереж, логістична регресія, одношаровий і багатошаровий персептрони, алгоритми навчання штучних нейронних мереж, узагальнююча здібність і метрики якості прогнозуючої моделі машинного навчання, регуляризація складності нейронних мереж, машини опорних векторів, методологія підбору гіперпараметрів, глибоке навчання і нейронні мережі згортки.

1. S.Russell, P.Norvig. Artificial Intelligence: A Modern Approach. 4th Edition, 2020. – 1136 pages. 2. I. Goodfellow, Y. Bengio and A. Courville. Deep Learning. MIT Press, 2016. – 800 pages. 3. A. Gulli, S. Pal. Deep Learning with Keras. Packt Publishing, 2017. – 318 pages. 4. D. Sarkar, R. Bali, T. Sharma. Practical Machine Learning with Python: A Problem-Solver's Guide to Building Real-World Intelligent Systems. 1st Edition. Apress. 2017. – 555 pages. 5. A. C. Müller, S. Guido. Introduction to Machine Learning with Python: A Guide for Data Scientists. O'Reilly Media, 2016. – 398 pages.

Лекції, лабораторні роботи, самостійна робота

Семестрове оцінювання: Навчальний семестр має три змістовні модулі. Перші два змістовних модуля оцінюються після завершення лекційних тем №7 та №15 шляхом проведення електронних тестувань. Третій змістовний модуль оцінюється за результатами складання (захисту) 4 лабораторних робіт. Підсумкове оцінювання (у формі іспиту): форма іспиту – письмова. Екзаменаційний білет складається з 3 питань. Всього за іспит можна отримати від 0 до 40 балів. Умовою досягнення позитивної оцінки за дисципліну є складання (захист) всіх 4 лабораторних робіт і отримання не менш ніж 60 балів підсумкової оцінки. Умови допуску до іспиту: умовою допуску до іспиту є отримання студентом сумарно не менше, ніж критично-розрахунковий мінімум за семестр, рівний 20 балів.

Українська