Машинное обучениеSyllabus

Subject code

İFS-2244y-RU

Credits

6

Student workload

120

Semester

Autumn semester

Academic year

4

Subject type

Elective

Form of education

Full-time

Language of instruction

Azerbaijani

In-class hours

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

Out-of-class hours

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.

• lecture
• seminar
• laboratory work

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 понятияLecture
2. 2.
   Подготовка данных и инженерия признаковLecture
3. 3.
   Линейная регрессияLecture
4. 4.
   Решающие деревьяLecture
5. 5.
   Метод опорных векторов (svm)Lecture
6. 6.
   Knn и методы на основе примеровLecture
7. 7.
   Оценка и оптимизация моделейLecture
8. 8.
   Методы кластеризацииLecture
9. 9.
   Искусственные нейронные сетиLecture
10. 10.
    Глубокое обучение и CNNLecture
11. 11.
    Обработка естественного языка (nlp)Lecture
12. 12.
    Генеративный искусственный интеллектLecture
13. 13.
    Агенты искусственного интеллектаLecture
14. 14.
    Этические вопросы и социальные последствияLecture
15. 15.
    Итоговое обсуждение курса.Lecture

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.