Машинное обучениеSillabus

Fənn kodu

İFS-2244y-RU

Kredit

6

Tələbənin iş yükü

120

Semestr

Payız semestri

Akademik il

4

Fənnin tipi

Seçmə

Təhsil forması

Əyani

Tədris dili

Azərbaycan

Auditoriyadaxili saatlar

a) 30 часов — лекции b) 15 часов — семинары c) 15 часов — лабораторные работы

Auditoriyadan kənar saatlar

a) 60 часов — самостоятельная работа b) 60 часов — проектная работа или консультационные часы и т. д.

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.

• mühazirə
• seminar
• laboratoriya işi

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.

1. 1.
   Машинное обучение: основные понятияMühazirə
2. 2.
   Подготовка данных и инженерия признаковMühazirə
3. 3.
   Линейная регрессияMühazirə
4. 4.
   Решающие деревьяMühazirə
5. 5.
   Метод опорных векторов (SVM)Mühazirə
6. 6.
   KNN и методы на основе примеровMühazirə
7. 7.
   Оценка и оптимизация моделейMühazirə
8. 8.
   Методы кластеризацииMühazirə
9. 9.
   Искусственные нейронные сетиMühazirə
10. 10.
    Глубокое обучение и CNNMühazirə
11. 11.
    Обработка естественного языка (NLP)Mühazirə
12. 12.
    Генеративный искусственный интеллектMühazirə
13. 13.
    Агенты искусственного интеллектаMühazirə
14. 14.
    Этические вопросы и социальные последствияMühazirə
15. 15.
    Итоговое обсуждение курса.Mühazirə

1. Sorhun E. Python ile Makine Öğrenmesi. 2021.
2. İsmayılova N. Süni intellekt: maşın öyrənmə üsulları. Bakı: Book Print, 2023. 118 s.
3. Halder S. Hands-On Machine Learning for Cybersecurity. 2018.
4. Жерон О. Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем. 2-е изд. М.; СПб.: Диалектика, 2020. 1039 с.