Моделі і методи машинного навчання

Освітня програма: «Прикладна лінгвістика (редакторсько-перекладацька та експертна діяльність)»

Структурний підрозділ: Навчально-науковий інститут філології

Назва дисципліни
Моделі і методи машинного навчання
Код дисципліни
ДВС.1.04
Тип модуля
Вибіркова дисципліна для ОП
Цикл вищої освіти
Другий
Рік навчання
2023/2024
Семестр / Триместр
3 Семестр
Кількість кредитів ЕСТS
3
Результати навчання
ПРН 3. Застосовувати сучасні методики і технології, зокрема інформаційні, для успішного й ефективного здійснення професійної діяльності та забезпечення якості дослідження у галузі прикладної лінгвістики. ПРН 21.1. Професійно застосовувати в автоматичному обробленні природної мови знання основних методів та принципів добування даних (Data Mining), інтелектуального аналізу текстових даних (Text Mining), організації та типів штучних нейронних мереж, типів задач машинного навчання. ПРН 22.1. Знати і системно застосовувати методи аналізу та моделювання прикладної (лінгвістичної) галузі, визначати інформаційні потреби і збір вихідних даних для проєктування програмного забезпечення. ПРН 25.1. ПРН 27.1 Повний перелік результатів навчання за освітньою програмою подано у пункті "Профіль програми"
Форма навчання
Очна форма
Попередні умови та додаткові вимоги
1. Знати: основи з дисциплін “Програмування”, “Дискретна математика”, “Теорія імовірностей”, “Побудова та аналіз алгоритмів”. 2. Вміти застосовувати інформаційні технології та мови програмування для розв'язання прикладних задач та проведенні наукових досліджень. 3. Володіти елементарними навичками із складення та аналізу алгоритмів, та програмування на мовах Python / Java / C++ . 4. Володіти англійською мовою та англомовною термінологією в галузі.
Зміст навчальної дисципліни
Мета дисципліни – “ Моделі і методи машинного навчання” є отримання необхідних знань з сучасних інформаційних інтелектуальних технологій та навичок їх практичного застосування для досліджень та програмування процесів розв’язання складних задач обробки природномовних текстів.У результаті вивчення навчальної дисципліни студент повинен: знати основні моделі, методи та алгоритми, що використовуються для побудови систем машинного навчання. вміти розробляти системи машинного навчання з використанням сучасних технологій та мов програмування (спеціалізованих бібліотек для розробки моделей машинного навчання, обробки природної мови і т.д.).
Рекомендована та необхідна література
Заплановані освітні заходи та методи викладання
Лекції, практичні заняття, самостійна робота.
Методи та критерії оцінювання
Форми оцінювання студентів: - семестрове оцінювання: 1. Контрольна робота (тест) 1: РН 1.1., РН 1.2 — 7 балів/ 5балів. 2. Контрольна робота (тест) 2: РН1.3 - 8 балів/ 5 балів. 3. Лабораторна робота 1 (проект): РН1.1, РН 2.1, РН3.1 – 15 балів/ 10 балів. 4. Лабораторна робота 2 (проект): РН1.2, РН 2.1, РН3.1 – 15 балів/ 10 балів. 5. Лабораторна робота 3 (проект): РН1.3, РН 2.1, РН3.1 – 15 балів/ 10 балів. 6. Підсумкова контрольна робота: PH1.1, PH1.2, PH1.3, PH2.1; - 40 балів/20 балів Види завдань до підсумкової контрольної роботи: 8 тестових та 6 письмових завдань.Завершується дисципліна заліком. Підсумкова кількість балів з дисципліни (максимум 100 балів) визначається як сума балів за систематичну роботу впродовж семестру з урахуванням підсумкової контрольної роботи.
Мова викладання
Українська, англійська

Кафедри

Наступні кафедри задіяні у викладанні наведеної дисципліни

Математичної Інформатики
Факультет комп'ютерних наук та кібернетики