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
Първи срок
Въведение в МО
- седм. 1 НЗ Теория
Предмет и цели на машинното обучение
- седм. 1 У Уч. практика
Предмет и цели на машинното обучение. Практически примери
- седм. 2 НЗ Теория
Основни типове машинно обучение
- седм. 2 У Уч. практика
Избор на атрибути – печалба на информация
- седм. 3 НЗ Теория
Самообучаващи се интелигентни агенти
- седм. 3 У Уч. практика
Опасности при прилагането на машинно обучение. Видове отклонения при избор на проби. Етика и изкуствен интелект
Понятия и правила
- седм. 4 НЗ Теория
Научаване на понятия – построяване на класификационно дърво (дърво на решенията)
ИЗД и подготовка на данните
- седм. 4 У Уч. практика
Основни понятия в извличането на закономерности от данни (ИЗД)
Понятия и правила
- седм. 5 НЗ Теория
Избор на атрибути – печалба на информация
ИЗД и подготовка на данните
- седм. 5 У Уч. практика
Модел на процеса на ИЗД. Типове задачи за ИЗД
Понятия и правила
- седм. 6 НЗ Теория
Научаване на множество от правила чрез последователно покриване
ИЗД и подготовка на данните
- седм. 6 У Уч. практика
Основни типове от данни от гледна точка на машинното обучение. Примери. Множество от данни
- седм. 7 НЗ Теория
Основни понятия в извличането на закономерности от данни (ИЗД)
- седм. 7 У Уч. практика
Метрики и мерки за близост – дефиниции, видове, приложение
- седм. 8 НЗ Теория
Модел на процеса на ИЗД. Типове задачи за ИЗД
- 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
- седм. 9 НЗ Теория
Разбиране на данни. Предварителна обработка (подготовка) на данните
- седм. 9 У Уч. практика
Предварителна обработка на данните част 1. Липсващи данни, шумни данни, излишни данни, несъгласувани данни – характеристики, видове, начини за отстраняване
- седм. 10 НЗ Теория
Разбиране на данни и предварителна обработка (продължение)
- седм. 10 У Уч. практика
Предварителна обработка на данните част 2. Интеграция и трансформация на данните. Техники за намаляване на размерността и разнообразието
- седм. 11 НЗ Теория
Намаляване на обема на данните
- седм. 11 У Уч. практика
Практическо приложение на техники за интеграция, трансформация и редукция на данни
- седм. 12 НЗ Теория
Намаляване на обема на данните (разширение и упражнение)
- седм. 12 У Уч. практика
Практическа работа по почистване и подготовка на реално множество от данни
- седм. 13 ПР Теория
Обобщение и преговор на първите три раздела от теорията
- седм. 13 ПР Уч. практика
Практическо обобщение на етапите по подготовка на данните (CRISP-DM / ASUM-DM)
МО без учител
- седм. 14 НЗ Теория
Същност на машинното обучение без учител
- седм. 14 У Уч. практика
Същност на машинното обучение без учител – въвеждащи задачи
- седм. 15 НЗ Теория
Извличане на асоциативни правила. Метод Apriori
- седм. 15 У Уч. практика
Откриване на асоциативни правила. Основни понятия и метод Apriori
- седм. 16 НЗ Теория
Клъстеризация. Основни типове методи за клъстеризация
- седм. 16 У Уч. практика
Решаване на практични задачи за извличане на асоциативни правила
- седм. 17 НЗ Теория
Клъстеризация чрез разделяне. Метод k-средни (k-means)
- седм. 17 У Уч. практика
Клъстеризация чрез разделяне. Прилагане на метод k-средни (k-means)
- седм. 18 НЗ Теория
Методи за йерархична клъстеризация
- седм. 18 У Уч. практика
Прилагане на методи за йерархична клъстеризация
Втори срок
МО без учител
- седм. 19 ПР Теория
Обобщение на методите за обучение без учител
- седм. 19 У Уч. практика
Методи за оценка на откритите клъстери
МО с учител – класификация
- седм. 20 НЗ Теория
Класификационни методи. Алгоритъм на k-най-близки съседи
- седм. 20 У Уч. практика
Класификационни методи. Практическо приложение на алгоритъм на k-най- близки съседи
- седм. 21 НЗ Теория
Бейсов класификатор. Наивен Бейсов класификатор
- седм. 21 У Уч. практика
Приложение на Бейсов и Наивен Бейсов класификатор
- седм. 22 НЗ Теория
Бейсов класификатор (разширение и вероятности)
- седм. 22 У Уч. практика
Практически упражнения с наивни Бейсови класификатори върху текстови или таблични данни
- седм. 23 НЗ Теория
Предсказване чрез класификационни и регресионни дървета
- седм. 23 У Уч. практика
Предсказване чрез класификационни и регресионни дървета. Основни стъпки при построяването на модела
- седм. 24 НЗ Теория
Дървета на решенията – изграждане и анализ
- седм. 24 У Уч. практика
Практически примери за изграждане и разчитане на дървета на решенията
- седм. 25 НЗ Теория
Класификация на текстове
- седм. 25 У Уч. практика
Класификация на текстове – практическа задача
- седм. 26 НЗ Теория
Класификация на текстове (допълнителни концепции)
- седм. 26 У Уч. практика
Обработка и класификация на текстови масиви
Бейсови мрежи
- седм. 27 НЗ Теория
Бейсови мрежи. Вероятностен извод
- седм. 27 У Уч. практика
Бейсови мрежи – изграждане и вероятностен извод
- седм. 28 НЗ Теория
Научаване на Бейсови мрежи
- седм. 28 У Уч. практика
Практически задачи по научаване и прилагане на Бейсови мрежи
Регресионни методи
- седм. 29 НЗ Теория
Регресионни методи. Линейна регресия
- седм. 29 У Уч. практика
Регресионни методи. Практическо приложение на Линейна регресия
- седм. 30 НЗ Теория
Регресионни методи. Логистична регресия
- седм. 30 У Уч. практика
Регресионни методи. Практическо приложение на Логистична регресия
- седм. 31 ПР Теория
Обобщен преговор на машинното обучение с учител
- седм. 31 У Уч. практика
Комплексни упражнения за класификация и регресия
Оценка на модели и извличане от текст
- седм. 32 НЗ Теория
Подготовка за оценяване на модели и резултати
- седм. 32 У Уч. практика
Оценка на резултатите – основни понятия. Методи за постигане на стабилност и сравнение
- седм. 33 ПР Теория
Обобщение на теоретичните модели
- седм. 33 У Уч. практика
Методи за визуализация на резултатите и моделите
- седм. 34 ПР Теория
Преговор на основните концепции за изкуствен интелект и машинно обучение
- седм. 34 У Уч. практика
Характеристика и основни методи на извличане на знания от текст
- седм. 35 НЗ Теория
Етика и правни норми при използването на изкуствен интелект
- седм. 35 У Уч. практика
Основни стъпки в процеса на извличане на знания от текст (практическо изпълнение)
- седм. 36 ПР Теория
Заключителен преговор и обобщение на материала
- 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.