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
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 3. Дэвид А. Форсайт, Жан Понс. Компьютерное зрение. Современный подход, 2004 4. Линда Шапиро, Джордж Стокман. Компьютерное зрение. Лаборатория знаний. 2013 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