 | Кафедра прикладної радіоелектроніки |
[TS-10] Алгоритми машинного навчання. Нейронні мережі оброблення сигналів
Робоча програма навчальної дисципліни (Силабус)
Реквізити навчальної дисципліни
| Рівень вищої освіти | Третій (освітньо-науковий) |
| Галузь знань | - |
| Спеціальність | |
| Освітня програма | |
| Статус дисципліни | Нормативна |
| Форма здобуття вищої освіти | Очна |
| Рік підготовки, семестр | 2 курс, весняний семестр |
| Обсяг дисципліни | 5 кред. (Лекц. 18 год, Практ. год, Лаб. год, СРС. год ) |
| Семестровий контроль/контрольні заходи | Екзамен |
| Розклад занять | https://rozklad.kpi.ua |
| Мова викладання | Українська |
| Інформація про керівника курсу / викладачів | Лекц.: Степанов М. М., |
| Розміщення курсу |
Програма навчальної дисципліни
1. Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання
Мета дисципліни — формування у студентів теоретичних знань та практичних навичок самостійної роботи із використання алгоритмів для машинного навчання при зборі та обробки даних від системи які входять до переліку інтернет речей.
Основне завдання вивчення дисципліни полягає в опануванні студентами необхідних знань і практичних навичок з машинного навчання як одним із сучасних провідних наукових напрямків штучного інтелекту, а також оволодіти технологією розв’язання широкого класу задач науки та техніки (зокрема, задач розпізнавання, пошуку рішень, комп’ютерного бачення, інтелектуального управління) за допомогою методів, підходів та алгоритмів машинного навчання.
2. Пререквізити та постреквізити дисципліни (місце в структурно-логічній схемі навчання за відповідною освітньою програмою)
1) успішне опанування дисциплін «Побудова систем інтернет речей», «Моделювання та оптимізація систем інтернет речей», «Теорія алгоритмів»;
2) знання теоретичних основ програмування, теорії алгоритмів, основні поняття та терміни, що стосуються ІТ технологій;
3) володіння елементарними навичками з теорії кодування, використання типів комп’ютерних обчислювальних систем, навичками користування системою моделювання процесів;
3. Зміст навчальної дисципліни
Тема 1. Задачі машинного навчання..
Тема 2. Основні концепції машинного навчання.
Тема 3. Основні етапи роботи системи машинного навчання.
Тема 4. Огляд базових понять машинного навчання. Оцінка якості.
Тема 5. Проектування ознак.
Тема 6. Стратегії та методи машинного навчання. Навчання з учителем, навчання без учителя.
Тема 7. Основні поняття штучних нейронних мереж.
Тема 8. Згорткові нейронні мережі (CNN).
Тема 9. Рекурентні нейронні мережі (RNN).
4. Навчальні матеріали та ресурси
- Stephen Marsland. Machine Learning: An Algorithmic Perspective, 452 р., 2015.
- Christopher M Bishop. Pattern recognition. Machine Learning, 128 p., 2016.
- Ethem Alpaydin. Introduction To Machine Learning, 584 p., 2019.
- Tom M. Mitchell. Machine Learning [http://www.cs.cmu.edu/~tom/mlbook.html]
- Yaser S. Abu-Mostafa. Learning from data, 215 p., 2017
- Alex Smola. Introduction to Machine Learning, 234 p., 2008.
- Люгер Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: Вильямс, 2015. – 864 с.
- Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning: Data Mining, Inference and Prediction, 764 p., 2008.
Навчальний контент
5. Методика опанування навчальної дисципліни (освітнього компонента)
Форми оцінювання: рівень досягнення всіх запланованих результатів навчання визначається за результатами захистів індивідуальних лабораторних робіт, виконання практичних робіт, написання модульних контрольних робіт та екзаменаційного оцінювання.
Питома вага результатів навчання у підсумковій оцінці за умови її опанування на належному рівні наступні:
- результати навчання – 1 (знання) – до 25%;
- результати навчання – 2 (вміння) – до 60%;
- результати навчання – 3 (комунікація) – до 15%.
6. Самостійна робота студента
Студент отримує допуск до іспиту за умови здачі та захисту всіх передбачених планом лабораторних та практичних робіт та отримання протягом семестру не менше 36 балів. Максимальна кількість балів – 60.
Політика та контроль
7. Політика навчальної дисципліни (освітнього компонента)
Семестрове оцінювання: 60 балів (60%)
Упродовж семестру на лекціях здобувачі освіти приймають участь у дискусіях та усних опитуваннях за результатами тем, що виносилися на самостійну підготовку. Кількість виступів обмежена до 3. Одна доповідь оцінюється до 1 балів, а доповнення 0.5-1 бал. Загальна кількість балів, що здобувач може обрати на лекціях 27 балів. Також, передбачено виконання 14 практичних робіт, що оцінюються від 1 до 4 балів за кожну (всього від 14 до 56 балів). Предмет закінчується іспитом.
8. Види контролю та рейтингова система оцінювання результатів навчання (РСО)
Підсумкове оцінювання у формі іспиту: складає 40 балів (40% від загального рейтингу дисципліни у 100 балів ).
Завдання з екзамену сформовані у вигляді білетів, що містить теоретичне завдання у вигляді комп’ютерного тесту та 1 практичного завдання. Вага теоретичного та практичного завдання максимум по 20 балів. Всього 40 балів максимум.
Оцінка за іспит не може бути меншою 24 балів для отримання позитивної оцінки за екзамен.
Підсумкова оцінка визначається шляхом підсумовування балів семестрової роботи та екзамену. Якщо у підсумку студент набрав менше 60 балів, йому ставиться оцінка «незадовільно».
Таблиця відповідності рейтингових балів оцінкам за університетською шкалою
| Кількість балів | Оцінка |
|---|---|
| 100-95 | Відмінно |
| 94-85 | Дуже добре |
| 84-75 | Добре |
| 74-65 | Задовільно |
| 64-60 | Достатньо |
| Менше 60 | Незадовільно |
| Не виконані умови допуску | Не допущено |
9. Додаткова інформація з дисципліни (освітнього компонента)
...Опис матеріально-технічного та інформаційного забезпечення дисципліни
Всі матеріали надаються слухачам в електронному вигляді: навчальний посібник, презентаційні матеріали, приклади практичних робіт та захищених дисертацій (їх авторефератів)
Робочу програму навчальної дисципліни (силабус):
Складено
Степанов М. М.;
Ухвалено кафедрою ПРЕ (протокол № від )
Погоджено методичною комісією факультету/ННІ (протокол № ______ від ______)