Academics > Машинне навчання. Частина 2 (ом)

Машинне навчання. Частина 2 (ом)

Тип: Нормативний

Кафедра: computational mathematics

Навчальний план

СеместрКредитиЗвітність
83Іспит

Лекції

СеместрК-сть годинЛекторГрупа(и)
816доцент Yu. A. Muzychuk

Лабораторні

СеместрК-сть годинГрупаВикладач(і)
832PMp-41доцент Yu. A. Muzychuk, Ya. S. Harasym
PMp-42доцент Yu. A. Muzychuk, Ya. S. Harasym
ПМп-43доцент Yu. A. Muzychuk, Ya. S. Harasym

Опис курсу

Курс «Машинне навчання. Частина 2» розвиває знання, здобуті в Частині 1, та поглиблює розуміння машинного навчання крізь призму теорії оптимізації та сучасних архітектур нейронних мереж. Курс починається з розгляду навчання як задачі оптимізації та охоплює побудову нейронних мереж, техніки навчання та регуляризації. Наступні теми присвячені зниженню розмірності, ймовірнісному моделюванню, оцінці густини, виявленню аномалій та навчанню представлень. Курс завершується введенням у самонавчання та мостом до сучасних глибоких архітектур.

Лабораторні заняття акцентують на практичній реалізації в Python — від реалізацій на NumPy до фреймворку PyTorch. Студенти будують і тренують моделі з нуля, аналізують їх поведінку та розвивають практичну інтуїцію щодо діагностики та покращення моделей.

Рекомендована література

Основна література

  1. Goodfellow I. Deep Learning / Ian Goodfellow, Yoshua Bengio, Aaron Courville. – MIT Press, 2016. – WWW: http://www.deeplearningbook.org.
  2. Witten I. Data Mining: Practical Machine Learning Tools and Techniques / Ian Witten, Eibe Frank, Mark A. Hall. – Morgan Kaufmann, 2016. – 654p.
  3. Flach P. Machine Learning: The Art and Science of Algorithms that Make Sense of Data / Peter Flach. – Cambridge University Press, 2012. – 409p.
  4. Raschka S. Python Machine Learning / Sebastian Raschka. – Packt Publishing, 2015. – 454p.
  5. Géron A. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Techniques and Tools to Build Learning Machines / Aurélien Géron. – O’Reilly Media, 2018. – 566p.

Додаткова література

  1. Patterson J. Deep Learning: A Practitioner’s Approach / Josh Patterson, Adam Gibson. ­– O’Reilly, 2017. – 352 p.
  2. Burns S. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn and Tensorflow / Samuel Burns. – 2019. – 176 p.
  3. Papa J. PyTorch Pocket Reference: Building and Deploying Deep Learning Models / Joe Papa. – O’Reilly, 2021. – 307 p.
  4. Hope T. Learning TensorFlow: A Guide to Building Deep Learning Systems / Tom Hope, Yehezkel Resheff, Itay Lieder. – O’Reilly, 2017. – 242 p.
  5. Foster D. Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play / David Foster. – O’Reilly, 2019. – 330 p.
  6. Harrison P. Deep Learning with Text / Patrick Harrison, Matthew Honnibal. – O’Reilly, 2020. – 250 p.

Силабус: 2026р.

Завантажити силабус