11б клас ИУЧ (СПП)

Машинно обучение + Учебна практика – МО

ИУЧ (СПП) · Цяла година: БЛОК 1 ч. теория + 1 ч. учебна практика. По твоето годишно разпределение.

72

учебни часа

72

урока

8

раздела

0/0

завършени модула

НЗ Нови знанияУ УпражнениеПР ПреговорК ПроверкаП Проект

Първи срок

Въведение в МО

  1. седм. 1 НЗ Теория

    Предмет и цели на машинното обучение

  2. седм. 1 У Уч. практика

    Предмет и цели на машинното обучение. Практически примери

  3. седм. 2 НЗ Теория

    Основни типове машинно обучение

  4. седм. 2 У Уч. практика

    Избор на атрибути – печалба на информация

  5. седм. 3 НЗ Теория

    Самообучаващи се интелигентни агенти

  6. седм. 3 У Уч. практика

    Опасности при прилагането на машинно обучение. Видове отклонения при избор на проби. Етика и изкуствен интелект

Понятия и правила

  1. седм. 4 НЗ Теория

    Научаване на понятия – построяване на класификационно дърво (дърво на решенията)

ИЗД и подготовка на данните

  1. седм. 4 У Уч. практика

    Основни понятия в извличането на закономерности от данни (ИЗД)

Понятия и правила

  1. седм. 5 НЗ Теория

    Избор на атрибути – печалба на информация

ИЗД и подготовка на данните

  1. седм. 5 У Уч. практика

    Модел на процеса на ИЗД. Типове задачи за ИЗД

Понятия и правила

  1. седм. 6 НЗ Теория

    Научаване на множество от правила чрез последователно покриване

ИЗД и подготовка на данните

  1. седм. 6 У Уч. практика

    Основни типове от данни от гледна точка на машинното обучение. Примери. Множество от данни

  2. седм. 7 НЗ Теория

    Основни понятия в извличането на закономерности от данни (ИЗД)

  3. седм. 7 У Уч. практика

    Метрики и мерки за близост – дефиниции, видове, приложение

  4. седм. 8 НЗ Теория

    Модел на процеса на ИЗД. Типове задачи за ИЗД

  5. седм. 8 У Уч. практика

    Основни стъпки в процеса на извличане на знания. Стандарти за процеси за извличане на знания от данни – CRISP-DM и ASUM-DM

  6. седм. 9 НЗ Теория

    Разбиране на данни. Предварителна обработка (подготовка) на данните

  7. седм. 9 У Уч. практика

    Предварителна обработка на данните част 1. Липсващи данни, шумни данни, излишни данни, несъгласувани данни – характеристики, видове, начини за отстраняване

  8. седм. 10 НЗ Теория

    Разбиране на данни и предварителна обработка (продължение)

  9. седм. 10 У Уч. практика

    Предварителна обработка на данните част 2. Интеграция и трансформация на данните. Техники за намаляване на размерността и разнообразието

  10. седм. 11 НЗ Теория

    Намаляване на обема на данните

  11. седм. 11 У Уч. практика

    Практическо приложение на техники за интеграция, трансформация и редукция на данни

  12. седм. 12 НЗ Теория

    Намаляване на обема на данните (разширение и упражнение)

  13. седм. 12 У Уч. практика

    Практическа работа по почистване и подготовка на реално множество от данни

  14. седм. 13 ПР Теория

    Обобщение и преговор на първите три раздела от теорията

  15. седм. 13 ПР Уч. практика

    Практическо обобщение на етапите по подготовка на данните (CRISP-DM / ASUM-DM)

МО без учител

  1. седм. 14 НЗ Теория

    Същност на машинното обучение без учител

  2. седм. 14 У Уч. практика

    Същност на машинното обучение без учител – въвеждащи задачи

  3. седм. 15 НЗ Теория

    Извличане на асоциативни правила. Метод Apriori

  4. седм. 15 У Уч. практика

    Откриване на асоциативни правила. Основни понятия и метод Apriori

  5. седм. 16 НЗ Теория

    Клъстеризация. Основни типове методи за клъстеризация

  6. седм. 16 У Уч. практика

    Решаване на практични задачи за извличане на асоциативни правила

  7. седм. 17 НЗ Теория

    Клъстеризация чрез разделяне. Метод k-средни (k-means)

  8. седм. 17 У Уч. практика

    Клъстеризация чрез разделяне. Прилагане на метод k-средни (k-means)

  9. седм. 18 НЗ Теория

    Методи за йерархична клъстеризация

  10. седм. 18 У Уч. практика

    Прилагане на методи за йерархична клъстеризация

Втори срок

МО без учител

  1. седм. 19 ПР Теория

    Обобщение на методите за обучение без учител

  2. седм. 19 У Уч. практика

    Методи за оценка на откритите клъстери

МО с учител – класификация

  1. седм. 20 НЗ Теория

    Класификационни методи. Алгоритъм на k-най-близки съседи

  2. седм. 20 У Уч. практика

    Класификационни методи. Практическо приложение на алгоритъм на k-най- близки съседи

  3. седм. 21 НЗ Теория

    Бейсов класификатор. Наивен Бейсов класификатор

  4. седм. 21 У Уч. практика

    Приложение на Бейсов и Наивен Бейсов класификатор

  5. седм. 22 НЗ Теория

    Бейсов класификатор (разширение и вероятности)

  6. седм. 22 У Уч. практика

    Практически упражнения с наивни Бейсови класификатори върху текстови или таблични данни

  7. седм. 23 НЗ Теория

    Предсказване чрез класификационни и регресионни дървета

  8. седм. 23 У Уч. практика

    Предсказване чрез класификационни и регресионни дървета. Основни стъпки при построяването на модела

  9. седм. 24 НЗ Теория

    Дървета на решенията – изграждане и анализ

  10. седм. 24 У Уч. практика

    Практически примери за изграждане и разчитане на дървета на решенията

  11. седм. 25 НЗ Теория

    Класификация на текстове

  12. седм. 25 У Уч. практика

    Класификация на текстове – практическа задача

  13. седм. 26 НЗ Теория

    Класификация на текстове (допълнителни концепции)

  14. седм. 26 У Уч. практика

    Обработка и класификация на текстови масиви

Бейсови мрежи

  1. седм. 27 НЗ Теория

    Бейсови мрежи. Вероятностен извод

  2. седм. 27 У Уч. практика

    Бейсови мрежи – изграждане и вероятностен извод

  3. седм. 28 НЗ Теория

    Научаване на Бейсови мрежи

  4. седм. 28 У Уч. практика

    Практически задачи по научаване и прилагане на Бейсови мрежи

Регресионни методи

  1. седм. 29 НЗ Теория

    Регресионни методи. Линейна регресия

  2. седм. 29 У Уч. практика

    Регресионни методи. Практическо приложение на Линейна регресия

  3. седм. 30 НЗ Теория

    Регресионни методи. Логистична регресия

  4. седм. 30 У Уч. практика

    Регресионни методи. Практическо приложение на Логистична регресия

  5. седм. 31 ПР Теория

    Обобщен преговор на машинното обучение с учител

  6. седм. 31 У Уч. практика

    Комплексни упражнения за класификация и регресия

Оценка на модели и извличане от текст

  1. седм. 32 НЗ Теория

    Подготовка за оценяване на модели и резултати

  2. седм. 32 У Уч. практика

    Оценка на резултатите – основни понятия. Методи за постигане на стабилност и сравнение

  3. седм. 33 ПР Теория

    Обобщение на теоретичните модели

  4. седм. 33 У Уч. практика

    Методи за визуализация на резултатите и моделите

  5. седм. 34 ПР Теория

    Преговор на основните концепции за изкуствен интелект и машинно обучение

  6. седм. 34 У Уч. практика

    Характеристика и основни методи на извличане на знания от текст

  7. седм. 35 НЗ Теория

    Етика и правни норми при използването на изкуствен интелект

  8. седм. 35 У Уч. практика

    Основни стъпки в процеса на извличане на знания от текст (практическо изпълнение)

  9. седм. 36 ПР Теория

    Заключителен преговор и обобщение на материала

  10. седм. 36 П Уч. практика

    Заключителен практически проект, представяне и анализ на получените резултати

Материали от часовете

Задачи, тестове и уроци, давани по този предмет — 5.

Учебен наръчник — теория, примери, задачи и тестове по предметите от учебния план.

Натисни Ctrl K или / отвсякъде, за да търсиш.