Машинное обучение

Fənnin təsviri

Дисциплина «Машинное обучение» изучает основные принципы, методы и алгоритмы построения интеллектуальных систем, способных обучаться на основе данных и принимать решения без явного программирования каждого отдельного правила. В рамках курса рассматриваются основные подходы к машинному обучению, включая обучение с учителем, обучение без учителя и обучение с подкреплением, а также методы классификации, регрессии, кластеризации и снижения размерности данных. Изучаются подготовка и предварительная обработка данных, выбор признаков, обучение и оценка моделей, методы предотвращения переобучения и критерии оценки качества. Особое внимание уделяется практическому применению алгоритмов машинного обучения для анализа данных, обнаружения закономерностей и решения прикладных задач в различных областях, включая информационную и кибербезопасность.

Fənn təlim nəticələri

1. 1

   CLO 1: Объясняет основные понятия, методы и виды машинного обучения.

2. 2

   CLO 2: Применяет методы подготовки, очистки, нормализации данных и отбора признаков для машинного обучения.

3. 3

   CLO 3: Применяет методы линейной регрессии, деревьев решений, SVM, KNN и кластеризации к наборам данных.

4. 4

   CLO 4: Анализирует и сравнивает результаты моделей машинного обучения на основе критериев оценки их качества.

5. 5

   CLO 5: Оценивает возможности применения искусственных нейронных сетей, глубокого обучения, CNN, NLP, генеративного искусственного интеллекта и интеллектуальных агентов.

6. 6

   CLO 6: Obyekt-yönümlü proqramlaşdırmanın əsas prinsiplərini – sinif, obyekt, irsiyyət, polimorfizm və abstraksiyanı – Java proqramlarında tətbiq edir.