Глибоке навчання

Освітня програма: Математичні методи штучного інтелекту (м)

Структурний підрозділ: Факультет комп'ютерних наук та кібернетики

Назва дисципліни
Глибоке навчання
Код дисципліни
ННД.02
Тип модуля
Обов’язкова дисципліна для ОП
Цикл вищої освіти
Другий
Рік навчання
2021/2022
Семестр / Триместр
2 Семестр
Кількість кредитів ЕСТS
4
Результати навчання
РН 1.1 Знати постановку основних задач РН 1.2 Знати основні підходи до розв’язання задач РН 1.3 Знати основні поняття та методи машинного навчання \
Форма навчання
Дистанційне навчання
Попередні умови та додаткові вимоги
1. Знати: базові дисципліни - «Математичний аналіз», «Лінійна алгебра і геометрія», «Теорія ймовірностей і математична статистика», «Програмування», “Обчислювальна геомтрія та комп’ютерна графіка»,«Алгоритми і структури даних», «Машинне навчання». 2.Вміти: розробляти, аналізувати та застосовувати алгоритми та програмне забезпечення для розв’язання завдань та прикладних задач, використовуючи сучасні методи розробки програм.
Зміст навчальної дисципліни
Мета дисципліни «Глибоке навчання/ Deep Learning» - ознайомлення студентів з основами нейронних мереж, як однієї із основних галузей штучного інтелекту, та сучасними методами розв'язання задач машинного навчання, включаючи одержання семантичної і метричної інформації із даних. Підготувати студента до ефективного використання сучасних методів, таких як методи машинного навчання для створення систем штучного інтелекту у подальшій професійній діяльності; допомогти набути навичок практичної роботи iз сучасними програмними засобами для побудови інтелектуальних моделей.
Рекомендована та необхідна література
1. Ian Goodfellow. Deep Learning, MIT Press, 2017 2. Richard Szeliski. Computer Vision: Algorithms and Applications, Springer, 2010 5. Stephen Marsland. Machine Learning: An Algorithmic Perspective, 452 р., 2015. 6. Christopher M Bishop. Pattern recognition. Machine Learning, 128 p., 2006. 7. Ethem Alpaydin. Introduction To Machine Learning, 584 p., 2009. 8. Tom M. Mitchell. Machine Learning [http://www.cs.cmu.edu/~tom/mlbook.html] 9. Yaser S. Abu-Mostafa. Learning from data, 215 p., 2017 10. Alex Smola. Introduction to Machine Learning, 234 p., 2008.
Заплановані освітні заходи та методи викладання
Лекція,Лабораторна робота, самостійна робота
Методи та критерії оцінювання
- семестрове оцінювання: 1. Активна робота на лекції, усні відпові: PH1.1, PH1.2, PH1.3, PH1.4; 2. Виконання завдань, винесених на самостійну роботу: PH2.1, PH2.2, PH2.3; 3. Контрольна робота 1: PH1.1, PH1.2; 4. Контрольна робота 2: PH1.3; 5. Контрольна робота 3: PH1.4; - підсумкове оцінювання: екзамен. - максимальна кількість балів які можуть бути отримані студентом: 40 балів; - результати навчання які будуть оцінюватись: PH1.1, PH1.2, PH1.3, PH1.4; - форма проведення і види завдань: письмова.
Мова викладання
Українська мова

Кафедри

Наступні кафедри задіяні у викладанні наведеної дисципліни

Математичної Інформатики
Факультет комп'ютерних наук та кібернетики