Учебный план: 09.04.03, 2022, (2.0), Прикладная информатика

• Цели и задачи дисциплины

• Целью изучения данной дисциплины является освоение студентами с базовыми понятиями машинного обучения и нейронными сетями, с основными алгоритмами машинного обучения, особенностями их применения, принципами и методами обработки больших объемов данных.
  Задачи курса:
  изучить основные методы машинного обучения;
  изучить существующие программные библиотеки машинного обучения.
  научиться самостоятельно реализовывать методы машинного обучения в виде программ.
  научиться применять методы машинного обучения для решения прикладных задач.
  изучить основные принципы организации информационных процессов в нейронных сетях,
  формирование логического мышления;
  формирование навыков разработки и реализации программных моделей нейронных сетей.
  

• Краткое содержание дисциплины

• Основные понятия нейронных сетей. Структура нейрона. Структура нейронной сети. Обучения нейронной сети с помощью алгоритма обратного распространения ошибки. Обзор задач, решаемых алгоритмами машинного обучения. Классификация алгоритмов.  Частичная задача обучения. Классификация алгоритмов обучения. Задача аппроксимации функции в стандартной постановке. Сеть из одного нейрона. Слоистые архитектуры. Персептрон Розенблатта. Радиальная нейронная сеть. Полносверточные сети, критерий согласия Колмогорова-Смирнова; преобразование пространства промежуточных карт признаков; разнообразие функций активации.  Градиентные методы обучения нейронных сетей. Методы первого порядка. Эвристические методы обучения. Методы второго порядка. Обратное распространение ошибки, наискорейший спуск, правило момента, аналитическое обучение нейронных сетей.  Работа нейронной сети в процессе эксплуатации. Применение нейронных сетей в биометрических системах.  Сложные системы (GPT2/3, сервисы по распознаванию объектов). Сервисы и предварительно настроенные нейронные сети. Обучающая выборка. Тестирующая выборка. Подготовка данных. Агрегация данных.  Основные методы машинного обучения: Важность задачи по отбору признаков для модели искусственного интеллекта. Методы отбора признаков: прямые и итерационные. Синтез новых признаков. Понятие об ансамбле алгоритмов. Виды ансамблей для задач классификации и регрессии. Градиентный бустинг.

• Компетенции обучающегося, формируемые в результате освоения дисциплины
• ПК-5 Способен использовать передовые методы оценки качества, надежности и информационной безопасности ИС в процессе эксплуатации прикладных ИС.
• ПК-12 Способен использовать и развивать методы научных исследований и инструментария в области проектирования и управления информационными системами в прикладных областях.