Проєктування систем глибинного навчання

Спеціальність: Системи штучного інтелекту
Код дисципліни: 7.122.04.O.004
Кількість кредитів: 5.00
Кафедра: Системи штучного інтелекту
Лектор: Пелешко Д.Д.
Семестр: 1 семестр
Форма навчання: денна
Мета вивчення дисципліни: Мета викладання даної навчальної дисципліни є формування у студентів компетентностей з проектування систем глибинного навчання для аналізу і обробки потоків даних.
Завдання: Вивчення навчальної дисципліни передбачає формування у здобувачів освіти компетентностей: загальні компетентності (ЗК): ЗК1. Уміння спілкуватися другою мовою; ЗК2. Здатність навчатися; ЗК3. Уміння спілкуватися усно та в письмовій формі першою мовою; ЗК4. Здатність здійснювати пошук та аналізувати інформацію з різних джерел; ЗК5. Уміння ідентифікувати, формулювати та розв’язувати задачі; ЗК6. Уміння застосовувати знання в практичних ситуаціях; ЗК7. Уміння приймати обґрунтовані рішення; ЗК8. Уміння проводити дослідження на відповідному рівні; ЗК9. Уміння працювати в команді; ЗК10. Знання та розуміння предметної області та розуміння фаху; ЗК12. Уміння думати абстрактно, аналізувати та синтезувати; ЗК13. Уміння розробляти та керувати проектами; ЗК14. Уміння працювати самостійно. фахові компетентності спеціальності (ФК): ФК1. Здатність гнучкого способу мислення, який дає можливість зрозуміти й розв’язати проблеми та задачі, зберігаючи при цьому критичне відношення до усталених наукових концепцій; ФК2. Здатність використовувати поглиблені теоретичні та фундаментальні знання в галузі штучного інтелекту для розроблення складних систем; ФК3. Здатність формулювати, аналізувати та синтезувати рішення наукових проблем на абстрактному рівні шляхом їхньої декомпозиції на складові, які можна дослідити окремо в їх більш та менш важливих аспектах; ФК4. Здатність будувати відповідні моделі складних систем, досліджувати їх для побудови проектів інформаційних систем; ФК5. Здатність розробляти і впроваджувати моделі інформаційних систем засобами комп’ютерного моделювання; ФК7. Здатність провести усну презентацію та написати зрозумілу статтю за результатами проведених досліджень, а також щодо сучасних концепцій у системах штучного інтелекту та методів опрацювання природної мови; ФК9. Здатність формулювати (роблячи презентації, або представляючи звіти) нові гіпотези та наукові задачі в області штучного інтелекту та опрацювання природної мови, вибирати належні напрями і відповідні методи для їхнього розв’язування; фахові компетентності спеціалізації (ФКС): Для лінії систем штучного інтелекту ФК2.3. Здатність бути лідером розроблення та виконання проекту інтелектуальної інформаційної системи;
Результати навчання: 1. Сформувати датасети з сирих даних для навчання глибоких систем. 2. Сформулювати етапи розробки системи з глибоким навчанням. 3. Розробити архітектуру системи глибокого навчання. 4. Обрати і реалізувати алгоритм навчання для системи глибокого навчання. 5. Застосовувати фреймворки для реалізації систем з глибоким навчанням. 6. Аналізувати отримані результати. 7. Обирати тип системи з глибоким навчання відповідно до задачі, що вирішується. 8. Візуалізувати результати роботи системи з глибоким навчанням.
Необхідні обов'язкові попередні та супутні навчальні дисципліни: Попередні навчальні дисципліни Системи штучного інтелекту Машинне навчання Чисельні методи Супутні і наступні навчальні дисципліни Методи аналізу Великих даних Машинне навчання Моделювання та оптимізація для глибинного навчання
Короткий зміст навчальної програми: Навчальна дисципліна Проектування систем глибинного навчання є складовою циклу професійної підготовки фахівців другого освітньо-кваліфікаційного рівня “магістр”. Пропонований навчальний курс забезпечить студентам здобуття поглиблених теоретичних та практичних знань, умінь та розуміння, що відносяться до областей Data Science, Computer Vision, Deep Learning, що дасть їм можливість розв’язувати різноманітні задачі аналізу даних за допомогою систем глибокого навчання, та розроблення систем прийняття рішень на базі таких систем для виконання наукових проектів, бізнес-проектів у різних галузях.
Опис: Вступ. Основні поняття. Основні математичні операції Глибокі мережі прямого розповсюдження. Регуляризація в глибокому навчанні Оптимізація в навчанні глибоких моделей Глибокі конволюційні нейронні мережі Рекурентні та рекурсивні глибокі нейронні мережі Автоенкодери і їх навчання. Ботлнек. Машина Больцмана Конволюційні автоенкодери GAN
Методи та критерії оцінювання: 1. Виконання лабораторних робіт та їх захист. 2. Написання контрольних робіт. 3. Написання розрахунково-графічної роботи 4. Екзамен.
Критерії оцінювання результатів навчання: Лабораторна робота, Розрахунково-графічна робота - 40 балів Екзамен, Усна компонента - 60 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. Николенко С., Кадурин А., Архангельская Е.. Глубокое обучение. Погружение в мир нейронных сетей. – Питер, 2019. - 480 с. 2. Гудфеллоу Я, Бенджио Й., Курвилль А. Глубокое обучение. ДМК, 2018, 653 с. 3. Goodfellow, I., Bengio, Y., Courville, A. Deep Learning. MIT Press, 2016. 4. Charu C. Aggarwal Neural Networks and Deep Learning. Springer International Publishing. 2018.
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).