| 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.О.05 |
| Формируемые компетенции | ПК-2 | Знания, умения и навыки, получаемые в результате освоения дисциплины |
Знать:
Возможности, методологию и концептуальные ограничения использования технологий машинного обучения для изучения различных природных объектов и явлений путем построения формальных математических моделей; О прикладных областях и постановках прикладных задач, в которых применяются методы машинного обучения; Основные современные математические и алгоритмические инструменты машинного обучения; Уметь:
Планировать исследование, основывающееся на анализе прецедентов и направленное на предсказательное моделирование; Самостоятельно получать и углублять знания и формировать представление о состоянии методов машинного обучения и их роли в современной науке и экономике, пользуясь учебно-методической, справочной литературой, электронными ресурсами, научными журналами другими источниками информации; Воспринимать и осмысливать информацию; уточнять границы использования знаний; применять полученные знания для решения комплексных задач творческого характера, задач повышенной сложности, изучая литературу и электронные ресурсы, в том числе, на иностранных языках; подводить итоги работы; выполнять самоконтроль; закреплять и расширять знания; Иметь навыки и (или) опыт деятельности (владеть):
Методологическими приемами «черного» математического моделирования; Навыками самостоятельного решения задач; Навыками выбора подходящих методов решения стандартных задач; |
| Содержание дисциплины | Введение в машинное обучене. Основные методы машинного обучения. |
| Виды учебной работы | Лекции, практические, самостоятельная работа. |
| Используемые информационные, инструментальные и программные средства |
Среда разработки Visual Studio 2010 и выше (приобретенные по программе «MSDN Academic Alliance»);
TensorFlow - открытая программная библиотека для машинного обучения ; Theano - библиотека численного вычисления в Python; Keras - библиотека по глубинному обучению на Python; MS Office - офисный пакет приложений; OS MS Windows; Microsoft Office 2010 (Office 2010 Professional, № 4065231 от 08.12.2010), (бессрочно); Microsoft Windows 7 (Windows 7 Professional, № 61834699 от 22.04.2013), (бессрочно); Chrome (http://www.chromium.org/chromium-os/licenses), (бессрочно); 7-Zip (http://www.7-zip.org/license.txt), (бессрочно); AcrobatReader (http://wwwimages.adobe.com/content/dam/Adobe/en/legal/servicetou/Acrobat_com_Additional_TOU-en_US-20140618_1200.pdf), (бессрочно); ASTRA LINUX SPECIAL EDITION (https://astralinux.ru/products/astra-linux-special-edition/), (бессрочно); LibreOffice (https://ru.libreoffice.org/), (бессрочно); Веб-браузер Chromium (https://www.chromium.org/Home/), (бессрочно); Антивирус Касперский (https://www.kaspersky.ru/), (до 23 июня 2024); Архиватор Ark (https://apps.kde.org/ark/), (бессрочно); Okular (https://okular.kde.org/ru/download/), (бессрочно); Редактор изображений Gimp (https://www.gimp.org/), (бессрочно) ИСправочная правовая система "КонсультантПлюс";
Информационно-правовая система "Законодательство России"; Федеральная государственная информационная система "Национальная электронная бибилиотека". |
| Форма промежуточной аттестации | Зачет. |