Course description «Машинное обучение и нейросетевой анализ данных в Python»
Сегодня применение машинного обучения и искусственного интеллекта может существенно повысить эффективность процессов принятия решения. Для этого надо знать модели принятия решения, основанные на данных.
Данный курс состоит из трех модулей и содержит необходимую теорию и практику по изучению основных моделей машинного обучения и нейросетевых вычислений, реализации нейросетей и анализа данных. Рассматриваются различные аспекты эффективного решения задачи классификации изображений, факторного нейросетевого анализа. Подробно рассматриваются архитектуры сверточных сетей и особенности их обучения и применения. Вся теория и практика построена вокруг системы кейсов – практико-ориентированных заданий: распознавание попыток подбора паролей аккаунтов в системе онлайн-платежей, изображений рукописного текста, анализа результатов обучения на онлайн-курсах. В курсе используется только свободно распространяемое ПО.
Авторы курса более 5 лет используют данный курс в Волгатехе для чтения студентам 2-го курса магистратуры направлений «информационно-вычислительные системы» и «программная инженерия». Курс будет полезен студентам всех направлений, ориентирующимся на применение современных технологий компьютерной обработки данных.
Тема 1. Основные понятия машинного обучения. Подход к управлению, основанный на данных или что такое машинное обучение.
Тема 2. Решение задач регрессионного анализа данных.
Тема 3. Решение задач классификации.
Тема 4. Решение задач снижения размерности и кластеризации.
Тема 5. Модель многослойной нейросети
Тема 6. Обучение многослойной нейросети.
Тема 7. Классификация данных. Анализ изображений.
Тема 8. Сверточные сети. Анализ изображений.
Тема 9. Нейросетевой факторный анализ. Автоэнкодинговые сети.
Требуется:
- знание Python на уровне использования базовых конструкций и простого графического анализа функций (см. курс Программирование в Python и методы вычислений);
- хорошее знание основ матричной и векторной алгебры (см. курсы Линейная алгебра и геометрия. Часть 1. Алгебра Матриц, Линейная алгебра и геометрия. Часть 2: векторная алгебра);
- Понимать и уметь решать основные задачи машинного обучения на основе современных пакетов программ.
- Понимать как устроены современные нейросетевые инструменты решения разнообразных задач машинного обучения.
- Строить нейросетевые классификаторы для анализа изображений и данных произвольного вида.
- Выполнять линейный и нелинейный нейросетевой факторный анализ.
ОПК-2 Способен использовать современные информационные технологии и программные средства, в том числе отечественного производства при решении задач профессиональной деятельности (09.03.01, 09.03.02, 09.03.03)
ПКР-4 - Готовность к использованию методов и инструментальных средств исследования объектов профессиональной деятельности (09.03.04)
ОПК-2 Способен самостоятельно проводить экспериментальные исследования и использовать основные приемы обработки и представления полученных данных (11.03.02)
ОПК-2 Способен применять современные методы исследования, представлять и аргументировано защищать результаты выполненной работы (11.04.01)
ПК-2 способность разрабатывать программное обеспечение, необходимое для обработки информации и управления в мехатронных и робототехнических системах, а также для их проектирования (15.03.06);
09.03.01 Информатика и вычислительная техника
09.03.02 Информационные системы и технологии
09.03.03 Прикладная информатика
09.03.04 Программная инженерия
11.03.02 Инфокоммуникационные технологии и системы связи
11.04.01 Радиотехника
15.03.06 Мехатроника и робототехника
27.03.04 Управление в технических системах
09.06.01 Информатика и вычислительная техника