Методи та засоби комп'ютерного навчання
Спеціальність: Системне проектування
Код дисципліни: 7.122.03.O.002
Кількість кредитів: 5.00
Кафедра: Системи автоматизованого проектування
Лектор: Доцент кафедри САП, к.т.н., доц. Андрущак Назарій Анатолійович
Семестр: 1 семестр
Форма навчання: денна
Завдання: Вивчення навчальної дисципліни передбачає формування та розвиток у студентів компетентностей:
Загальні компетентності: аналітичне мислення; рішення нестандартних задач; застосування теоретичних навиків для вирішення прикладних задач.
Фахові компетентності: розробка алгоритмів комп’ютерного навчання під відповідне застосування; вміння програмувати на мові програмування Python.
Результати навчання: У результаті вивчення навчальної дисципліни здобувач освіти повинен бути здатним продемонструвати такі результати навчання:
1. реалізовувати та корегувати методи комп’ютерного навчання;
2. здійснювати перевірку статистичних гіпотез комп’ютерного навчання;
3. розв’язувати задачі відновлення регресії;
4. будувати дерева рішень та інтерпретувати результати їх функціонування для заданих моделей;
5. використовувати на практиці метод опорних векторів для комп’ютерного навчання;
6. проєктувати алгоритми пошукових систем;
7. аналізувати та розробляти алгоритми для розпізнавання образів з використанням методів комп’ютерного навчання;
8. оцінювати якість роботи алгоритмів комп’ютерного навчання.
У результаті вивчення навчальної дисципліни здобувач освіти повинен бути здатним продемонструвати такі програмні результати навчання:
ЗН1 - Здатність формулювати та вдосконалювати важливу дослідницьку задачу, для її вирішення збирати необхідну інформацію та формулювати висновки, які можна захищати в науковому контексті.
ЗН7 - Здатність працювати з експертними джерелами інформації для інтеграції даних і знань в області діяльності організації за допомогою методів набуття знань, подання знань, класифікації і компіляції знань.
УМ1 - Здатність застосовувати методи та засоби сучасних інформаційних технологій для розроблення систем автоматизованого проектування та їх компонентів в різних галузях.
УМ4 - Здатність використовувати знання методів підтримки прийняття рішень і вміння використовувати їх при автоматизованому проектуванні складних об’єктів та систем
АіВ3 - Здатність відповідально ставитись до виконуваної роботи, самостійно приймати рішення, досягати поставленої мети з дотриманням вимог професійної етики
Необхідні обов'язкові попередні та супутні навчальні дисципліни: Попередні навчальні дисципліни: Системне програмування, Методи і засоби комп’ютерних інформаційних технологій, Алгоритмізація та програмування.
Супутні і наступні навчальні дисципліни: Системи штучного інтелекту.
Короткий зміст навчальної програми: Навчальна дисципліна «Методи на засоби комп’ютерного навчання» розроблена для студентів кваліфікаційного рівня магістр Національного університету «Львівська політехніка». В основу навчальної дисципліни покладено засвоєння теоретичних основ методів та засобів, які використовуються в комп’ютерному навчанні, розвинути навики студентів для кращого розумінні основних ідей, що лежать в основі цих методів та засобів, навчити студентів роботі з програмним забезпеченням, яке реалізує алгоритми машинного навчання. Як основна мова програмування для реалізації алгоритмів комп’ютерного навчання використовується Python. В результаті вивчення дисципліни фахівець повинен знати основні методи та засоби комп’ютерного навчання, основи теорії комп’ютерного навчання, методи мінімізації середнього ризику щодо комп’ютерного навчання, особливості комп’ютерного навчання з/без вчителя, проводити оцінку якості комп’ютерного навчання, вирішувати прикладі задачі пов’язані із застосуванням алгоритмів комп’ютерного навчання.
Опис: Тема 1. Основи комп’ютерного навчання
Питання: Визначення та основні поняття. Основні завдання. Застосування і проблеми. Сценарії навчання. Правила вибору алгоритму. Етапи розробки програм комп’ютерного навчання. Програмне забезпечення для використання в комп’ютерному навчанні.
Тема 2. Метод класифікації k-найближчих сусідів
Питання: Принцип дії алгоритму k-найближчих сусідів. Зважене та незважене голосування. Приклад роботи алгоритму. Переваги та недоліки роботи алгоритму. Приклад класифікації. Перевірка класифікатора.
Тема 3. Дерева рішень
Питання: Представлення дерева рішення. Завдання для вирішення деревами рішень. Переваги та недоліки алгоритму. Області застосування. Ентропія. Приріст інформації. Приклад використання алгоритму побудови дерева. Проблеми з критерієм приросту інформації. Перенавчання алгоритму.
Тема 4. Лінійна регресія
Питання: Регресійний аналіз. Використання регресійного аналізу. Види регресії. Вибір регресійної моделі. Метод найменших квадратів. Приклад використання методу найменших квадратів.
Тема 5. Принцип регуляризації та задача регресії
Питання: Причинність, регресія, кореляція. Характеристика видів регресії. Кореляційні залежності. Застосування кореляційно-регресійного аналізу. Множинна регресія. Оцінка суттєвості зв’язку. Інтерполяція. Регуляризація. Апроксимація. Наближення функції.
Тема 6. Баєсівська теорія класифікації
Питання: Баєсівський підхід. Баєсівське машинне навчання. Теорія ймовірності. Комбінації. Перестановки. Теорема Баєса. Формула Баєса. Застосування теореми Баєса до машинного навчання.
Тема 7. Метод опорних векторів
Питання: Лінійний класифікатор. Метод множників Лагранжа. Застосування методу множників Лагранжа для методу опорних векторів. Практична реалізація методу опорних векторів.
Тема 8. Ядро
Метод опорних векторів. М’які та тверді межі. Види ядер. Вибір ядра. Задача зменшення розмірності. Приклад застосування МОВ для класифікації на Python.
Тема 9. Бустинг
Питання: Гіпотеза про бустинг. Ансамбль. Беггінг. Алгоритм бустингу. Адаптивний бустинг. Градієнтний бустинг. Алгоритм побудови градієнтного бустингу. Приклад реалізації градієнтного бустингу.
Тема 10. Випадковий ліс
Питання: Визначення випадкового лісу. Алгоритм побудови випадкового лісу. Переваги та недоліки алгоритму. Сфери використання випадкового лісу.
Тема 11. Метод кластеризації k-середніх
Питання: Алгоритм k-середніх. Побудова алгоритму кластеризації. Основні кроки алгоритму кластеризації. Переваги та недоліки алгоритму. Приклад використання алгоритму.
Тема 12. Нейронні мережі в комп’ютерному навчанні
Питання: Біологічний прототип. Штучний нейрон. Типи штучних нейронних мереж. Обґрунтованість застосування нейронних мереж. Опис компонентів та роботи нейронних мереж. Навчання штучних нейронних мереж. Алгоритми навчання. Персептрон.
Тема 13. Згорткові нейронні мережі
Питання: Застосування згорткових нейронних мереж. Поняття згортки для 1D та 2D масиву даних. Алгоритм визначення двомірної згортки. Реалізації алгоритму згортки.
Тема 14. Розпізнавання образів з використанням алгоритмів комп’ютерного навчання
Питання: Принцип скануючого вікна. Алгоритм Віоли-Джонс. Навчання класифікаторів. Застосовуваний в алгоритмі бустінгу і розробка AdaBoost. Розпізнавання 3D об’єктів. Алгоритми порівняння 2D та 3D об’єктів.
Тема 15. Пошукові системи та принцип їх дії
Питання: Основні визначення. Типи пошукових систем. Механізми пошукових алгоритмів. Переваги та недоліки алгоритмів пошуку.
Методи та критерії оцінювання: Оцінювання знань студентів з дисципліни «Методи на засоби комп’ютерного навчання» проводиться відповідно до робочого навчального плану у вигляді семестрового контролю, який проводиться в кінці семестру і включає в себе результати поточного контролю знань студентів, який оцінюється за виконання лабораторних робіт, та контрольного заходу – відповідь на відповідний білет на екзамені. Контрольний захід є обов’язковим видом контролю і проводиться в письмово-усній формі в кінці семестру.
Поточний контроль на лекційних заняттях проводиться з метою виявлення готовності студента до занять у таких формах:
• вибіркове усне опитування перед початком занять;
• оцінка активності студента у процесі занять, внесених пропозицій, оригінальних рішень, уточнень і визначень, доповнень попередніх відповідей і т. ін.
Контрольні запитання поділяються на:
а) тестові завдання – вибрати вірні відповіді;
б) проблемні – створення ситуацій проблемного характеру;
в) питання-репліки – виявити причинно-наслідкові зв’язки;
г) ситуаційні завдання – визначити відповідь згідно певної ситуації;
д) питання репродуктивного характеру – визначення практичного значення.
Критерії оцінювання результатів навчання: Методи діагностики знань
1. Письмовий екзамен.
2. Захист лабораторних робіт.
3. Представлення та захист проекту.
Критерії оцінювання
Разом за дисципліну – 100 балів, з них:
Лабораторні роботи (5 шт) – 25 балів
Розрахункова робота (1 шт) – 20 балів
Екзаменаційна робота (1 шт) – 55 балів
Порядок та критерії виставляння балів та оцінок: 100–88 балів – («відмінно») виставляється за високий рівень знань (допускаються деякі неточності) навчального матеріалу компонента, що міститься в основних і додаткових рекомендованих літературних джерелах, вміння аналізувати явища, які вивчаються, у їхньому взаємозв’язку і роз витку, чітко, лаконічно, логічно, послідовно відповідати на поставлені запитання, вміння застосовувати теоретичні положення під час розв’язання практичних задач; 87–71 бал – («добре») виставляється за загалом правильне розуміння навчального матеріалу компонента, включаючи розрахунки , аргументовані відповіді на поставлені запитання, які, однак, містять певні (неістотні) недоліки, за вміння застосовувати теоретичні положення під час розв’язання практичних задач; 70 – 50 балів – («задовільно») виставляється за слабкі знання навчального матеріалу компонента, неточні або мало аргументовані відповіді, з порушенням послідовності викладення, за слабке застосування теоретичних положень під час розв’язання практичних задач; 49–26 балів – («не атестований» з можливістю повторного складання семестрового контролю) виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння застосувати теоретичні положення під час розв’язання практичних задач; 25–00 балів – («незадовільно» з обов’язковим повторним вивченням) виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння орієнтуватися під час розв’язання практичних задач, незнання основних фундаментальних положень.
Рекомендована література: 1. Андрущак Н.А. Методи та засоби комп’ютерного навчання: конспект лекцій для студентів другого (магістерського) рівня вищої освіти Інституту комп’ютерних наук та інформаційних технологій. – Львів: Видавництво Національного університету «Львівська політехніка», 2018. – 224 с.
2. Андрущак Н.А. Методи та засоби комп’ютерного навчання: лабораторний практикум для студентів другого (магістерського) рівня вищої освіти Інституту комп’ютерних наук та інформаційних технологій. – Львів: Видавництво Національного університету «Львівська політехніка», 2018. – 125 с.
3. Васильєв О. Програмування мовою Python. – Навчальна книга – Богдан, 2019. – 504с.
4. Маттес Е. Пришвидшений курс Python. Практичний, проєктно-орієнтований вступ до програмування. – Львів: Видавництво Старого Лева, 2021 – 600с.
5. Провост Ф., Фоусер Т. Data Science для бізнесу. Як збирати, аналізувати і використовувати дані. – Наш формат, 2019. – 400с.
6. Mitchell T. Machine learning / T. Mitchell. – McGraw Hill, 1997.
7. Hastie T. The elements of statistical learning / T. Hastie, R. Tibshirani, J. Friedman. – Springer, 2001.
8. Ripley B. D. Pattern recognition and neural networks / B. D. Ripley. – Cambridge University Press, 1996.
9. Bishop C. M. Pattern recognition and machine learning / C. M. Bishop. – Springer, 2006.
10. Duda R. O. Pattern classification / R. O. Duda, P. E. Hart, D. G. Stork. – New York : JohnWiley and Sons, 2001.
Уніфікований додаток: Національний університет «Львівська політехніка» забезпечує реалізацію права осіб з інвалідністю на здобуття вищої освіти. Інклюзивні освітні послуги надає Служба доступності до можливостей навчання «Без обмежень», метою діяльності якої є забезпечення постійного індивідуального супроводу навчального процесу студентів з інвалідністю та хронічними захворюваннями. Важливим інструментом імплементації інклюзивної освітньої політики в Університеті є Програма підвищення кваліфікації науково-педагогічних працівників та навчально-допоміжного персоналу у сфері соціальної інклюзії та інклюзивної освіти. Звертатися за адресою:
вул. Карпінського, 2/4, І-й н.к., кімн. 112
E-mail: nolimits@lpnu.ua
Websites: https://lpnu.ua/nolimits https://lpnu.ua/integration
Академічна доброчесність: Політика щодо академічної доброчесності учасників освітнього процесу формується на основі дотримання принципів академічної доброчесності з урахуванням норм «Положення про академічну доброчесність у Національному університеті «Львівська політехніка» (затверджене вченою радою університету від 20.06.2017 р., протокол № 35).