Цель изучения дисциплины | сформировать теоретические знания по основам машинного обучения для построения формальных математических моделей и интерпретации результатов моделирования; выработать умения по практическому применению методов машинного обучения для построения формальных математических моделей и интерпретации результатов моделирования при решении прикладных задач в различных прикладных областях; выработать умения и навыки использования различных программных инструментов анализа баз данных и систем машинного обучения. |
---|---|
Место дисциплины в учебном плане | Б1.В.ДВ.02.03 |
Формируемые компетенции | ПК-3 | Знания, умения и навыки, получаемые в результате освоения дисциплины |
Знать:
возможности, условия применимости и свойства наиболее распространенных методов машинного обучения при построении, проверке качества и эксплуатации формальных математических моделей; наиболее значимые отечественные и зарубежные журналы в области машинного обучения; электронные ресурсы, связанные с машинным обучением, анализом данных, извлечением знаний из баз данных; основные положения теории обучения по прецедентам; методы предварительной обработки данных (переформатирования, устранения выбросов, заполнения пропусков, шкалирования, агрегации); методы анализа многомерных данных; методы снижения размерности данных и отбора информативных признаков; методы кластеризации; методы классификации; методы регрессионного анализа; иноязычную терминологию в области машинного обучения; международные стандарты в области машинного обучения; Уметь:
производить поиск и отбор публикаций по машинному обучению в различных источниках; анализировать, обобщать и формировать сравнительные обзоры функциональных возможностей и технологических характеристик программных инструментов машинного обучения; планировать исследование, основывающееся на анализе прецедентов и направленное на предсказательное моделирование; применять методы машинного обучения при решении задач построения формальных математических моделей в различных прикладных областях; использовать различные программные системы для построения и эксплуатации моделей машинного обучения; использовать формальные математические модели для имитационного моделирования в режиме "что-если"; анализировать многомерные данные и преодолевать вычислительные проблемы связанные с высокой размерностью данных; пользоваться иноязычной литературой и электронными ресурсами в области машинного обучения; Иметь навыки и (или) опыт деятельности (владеть):
навыками построения и проверки качества формальных математических моделей; навыками интерпретации формальных математических моделей в терминах прикладной области с целью получения новых нетривиальных знаний и выводов; навыками использования высокоуровневых программных стердств для предварительной обработки исходных данных ; навыками использования высокоуровневых программных средств для решения типичных задач машинного обучения: кластеризации, классификации, регрессии; |
Содержание дисциплины | Введение в машинное обучение. Основные методы машинного обучения. |
Виды учебной работы | Лекции, практические, самостоятельная работа. |
Используемые информационные, инструментальные и программные средства |
Scilab
R STUDIO Python c расширениями PIL, Py OpenGL Microsoft Office Microsoft Windows 7-Zip AcrobatReader Сайт библиотеки АлтГУ: www.lib.asu.ru;
Электронно-библиотечная система издательства "Лань": www.e.lanbook.com; Электронно-библиотечная система "Университетская библиотека online": www.biblioclub.ru; Свободная энциклопедия "Википедия": http://ru.wikipedia.org; Единый образовательный портал http://portal.edu.asu.ru Электронная база данных ZBMATH: https://zbmath.org/ |
Форма промежуточной аттестации | Зачет. |