Моделі глибинного машинного навчання (англійською мовою) (прикладна математика, 1.9)
Тип: На вибір студента
Кафедра: обчислювальної математики
Навчальний план
| Семестр | Кредити | Звітність |
| 9 | 6 | Залік |
Лекції
| Семестр | К-сть годин | Лектор | Група(и) |
| 9 | 32 | доцент Музичук Ю. А. | ПМп-52м |
Лабораторні
| Семестр | К-сть годин | Група | Викладач(і) |
| 9 | 32 | ПМп-52м | доцент Музичук Ю. А. |
Опис курсу
Курс “Моделі глибинного машинного навчання” охоплює такі розділи: Основи машинного навчання, Згорткові нейронні мережі для задач комп’ютерного зору та Моделювання послідовностей в рекурентних нейронних мережах. При розгляді цих тем основна увага зосереджується на встановленні необхідного математичного апарату для розв’язування сучасних задач машинного навчання, дослідженні архітектур нейронних мереж для відповідних практичних задач та використанні сучасних бібліотек та засобів для програмування цих алгоритмів. Викладення матеріалу здійснюється за допомогою сучасних термінів та понять з галузі інформаційних технологій.
Метою курсу є ґрунтовне ознайомлення студентів із сучасними задачами машинного навчання та алгоритмами і технологіями для їхнього розв’язування.
Завданням вивчення навчальної дисципліни є формування у студентів теоретичних знань в області машинного навчання; здобуття студентами практичних навичок для розв’язування прикладних задач за допомогою моделей глибоких нейронних мереж.
Рекомендована література
Основна література
1. Goodfellow I. Deep Learning / Ian Goodfellow, Yoshua Bengio, Aaron Courville. – MIT Press, 2016. – WWW: http://www.deeplearningbook.org
2. Howard J. Deep Learning for coders with Fastai and PyTorch: AI applications without a PhD / Jeremy Howard, Sylvain Gugger. – O’Reilly Media, 2020. – WWW: https://github.com/fastai/fastbook
3. Zhang A. Dive into Deep Learning / A.Zhang, Zachary C. Lipton, Mu Li, Alexander J. Smola. – arXiv preprint arXiv:2106.11342, 2021. ¬– WWW: https://arxiv.org/abs/2106.11342
4. Buduma N. Fundamentals of Deep Learning. Designing Next-Generation Machine Intelligence Algorithms. 2nd Edition / Nithin Buduma, Nikhil Buduma, Joe Papa. – O’Reilly, 2022. – 388 p.
5. Patterson J. Deep Learning: A Practitioner’s Approach / Josh Patterson, Adam Gibson. ¬– O’Reilly, 2017. – 352 p.
6. Burns S. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn and Tensorflow / Samuel Burns. – 2019. – 176 p.
7. Papa J. PyTorch Pocket Reference: Building and Deploying Deep Learning Models / Joe Papa. – O’Reilly, 2021. – 307 p.
8. Falk K. Practical Recommender Systems / Kim Falk. – Manning, 2019. – 432 p.
Додаткова література
9. Ye A. Modern Deep Learning Design and Application Development / Andre Ye. – Apress, 2022. – 451p.
10. Foster D. Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play / David Foster. – O’Reilly, 2019. – 330 p.
11. Hope T. Learning TensorFlow: A Guide to Building Deep Learning Systems / Tom Hope, Yehezkel Resheff, Itay Lieder. – O’Reilly, 2017. – 242 p.
12. Harrison P. Deep Learning with Text / Patrick Harrison, Matthew Honnibal. – O’Reilly, 2020. – 250 p.
13. Watson C. A Systematic Literature Review on the Use of Deep Learning in Software Engineering Research / Cody Watson, Nathan Cooper, David Nader Palacio, Kevin Moran, Denys Poshyvanyk. – arXic preprint arXiv:2009.06520v2, 2021. – WWW: https://arxiv.org/pdf/2009.06520.pdf
14. Theobald O. Machine Learning: Make Your Own Recommender System / Oliver Theobald. – Scatterplot Press, 2018. – 129 p.