4339
.pdfМИНОБРНАУКИ РОССИИ Федеральное государственное бюджетное образовательное учреждение высшего образования
«Нижегородский государственный архитектурно-строительный университет»
Д. И. Кислицын
МАШИННОЕ ОБУЧЕНИЕ И АНАЛИЗ ДАННЫХ
Учебно-методическое пособие
по подготовке к лекционным занятиям (включая рекомендации по организации самостоятельной работы) для обучающихся по дисциплине
«Машинное обучение и анализ данных» по направлению подготовки 09.04.02 Информационные системы и технологии
Нижний Новгород
2022
МИНОБРНАУКИ РОССИИ Федеральное государственное бюджетное образовательное учреждение высшего образования
«Нижегородский государственный архитектурно-строительный университет»
Д. И. Кислицын
МАШИННОЕ ОБУЧЕНИЕ И АНАЛИЗ ДАННЫХ
Учебно-методическое пособие
по подготовке к лекционным занятиям (включая рекомендации по организации самостоятельной работы) для обучающихся по дисциплине
«Машинное обучение и анализ данных» по направлению подготовки 09.04.02 Информационные системы и технологии
Нижний Новгород ННГАСУ
2022
1
УДК 681.3 (075)
Кислицын Д. И. Машинное обучение и анализ данных: учебно-методическое пособие / Д. И. Кислицын; Нижегородский государственный архитектурностроительный университет. – Нижний Новгород: ННГАСУ, 2022. – 7 с. - Текст: электронный.
Даются тематика лекционных |
занятий, их краткое содержание, а также |
методические рекомендации по |
самостоятельной работе обучающихся по |
дисциплине «Машинное обучение и анализ данных». Указывается необходимая литература и источники, разъясняется последовательность их изучения, выделяются наиболее сложные вопросы и даются рекомендации по их изучению.
Предназначено для обучающихся в ННГАСУ по дисциплине «Машинное обучение
ианализ данных» по направлению подготовки 09.04.02 Информационные системы
итехнологии.
Д. И. Кислицын, 2022ННГАСУ, 2022.
2
Учебно-методическое пособие по подготовке к лекционным занятиям (включая рекомендации по организации самостоятельной работы) по дисциплине «Машинное обучение и анализ данных» предназначены для студентов, обучающихся по направлению 09.04.02 Информационные системы и технологии, и содержат программу для проведения лекционных занятий, а также методические рекомендации по самостоятельной работе.
Цель учебно-методического пособия: помочь студентам при изучении учебной программы с использованием рекомендуемой учебно-методической литературы при формировании необходимых компетенций дисциплины «Машинное обучение и анализ данных».
Целями освоения дисциплины «Машинное обучение и анализ данных» являются достижение планируемых результатов обучения, соответствующих установленным в ОПОП индикаторам достижения компетенций.
Главной целью лекционных занятий является привитие студентам интереса к изучаемому материалу, формирование мотивации к последующему самостоятельному анализу рассматриваемой проблематики. Студентам раскрываются наиболее сложные вопросы и теоретические положения, показывается их практическая значимость, даются рекомендации по углубленному самостоятельному изучению теории и практики.
Материал пропущенных лекций студент восстанавливает самостоятельно и по всем непонятным положениям и вопросам обращается за разъяснением к преподавателю.
Самостоятельная работа направлена на развитие компетенций дисциплины: ПК-2 (ПК-4и). Способен адаптировать и применять методы и алгоритмы машинного обучения для решения прикладных задач в различных предметных
областях.
Виды и формы самостоятельной работы студентов по дисциплине: подготовка к учебным занятиям; подготовка к промежуточной аттестации
Содержание разделов дисциплины «Машинное обучение и анализ данных» представлено в таблице 1.
3
Таблица 1 Содержание разделов дисциплины
|
|
|
Аудиторные |
работа |
|
||||
|
|
|
занятия (в |
|
|||||
|
|
|
|
|
|||||
|
|
|
|
часах) |
|
|
Перечень |
||
п/п№ |
|
|
|
|
|
|
|
Самостоятельная |
|
|
|
Лекции |
|
Лабораторные |
|
Практические, семинарские |
|||
Наименование раздела учебной |
Всего |
|
|
компетенций, |
|||||
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
формируемых в |
||
|
дисциплины |
часов |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
процессе освоения |
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
раздела |
|
|
|
|
|
|
|
|
|
|
1 |
Математические основы машинного |
|
8 |
|
10 |
|
|
30 |
ПК-2 (ПК-4и) |
обучения |
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
2 |
Модели классификаторов |
|
4 |
|
10 |
|
|
32 |
ПК-2 (ПК-4и) |
|
|
|
|
|
|
|
|
|
|
3 |
Нейронные сети |
|
4 |
|
12 |
|
|
34 |
ПК-2 (ПК-4и) |
|
|
|
|
|
|
|
|
|
|
|
ИТОГО |
144 |
16 |
|
32 |
|
|
96 |
|
|
|
|
|
|
|
|
|
|
|
На консультациях в течение семестра студенты могут обсуждать с преподавателем различные вопросы тематике дисциплины.
В течение курса со студентами проводятся индивидуальные и групповые консультации по общетеоретическим вопросам, возникающим при самостоятельной работе студентов при подготовке к занятиям.
Перед экзаменом студентам выдаётся список примерных вопросов, по которым можно понять, на что нужно сделать упор при подготовке к экзамену. После получения перечня вопросов рекомендуется:
1)внимательно прочитать материал курса;
2)постараться разобраться с непонятными, в частности, новыми терминами, используя рекомендованную литературу;
3)выписать вопросы для подробного обсуждения с преподавателем на консультации.
Перечень примерных вопросов, выносимых на экзамен:
1.Основы функционального анализа: метрические и нормированные пространства.
2.Линейная алгебра в машинном обучении.
3.Теорема Кронекера-Капелли
4.Теория вероятностей и математическая статистика базовые инструменты анализа данных.
5.Основы анализа и численные методы оптимизации в задачах машинного обучения.
6.Функции многих переменных и понятие градиента.
7.Введение в предмет машинного обучения.
8.Основные законы распределения случайных величин.
9.Линейные модели и метрические методы.
4
10.Решающие деревья.
11.Основные недостатки решающих деревьев.
12.Основная идея бустинга. Бустинг на примере задачи регрессии.
13.Случайный лес и градиентный бустинг.
14.Идея наивного Байесовского классификатора.
15.Другие методы машинного обучения: Байесовские классификаторы и метод опорных векторов.
16.Нейронные сети – универсальные классификаторы.
17.Функции активации и другие особенности построения топологии искусственной нейронной сети
18.Сверточные ИНС – глубокое обучение.
19.Настройка моделей машинного обучения с размеченными данными.
20.Проблема исключающего или - XOR.
21.Основные методы кластеризации
22.Обучение без учителя: кластеризация.
23.Иерархическая кластеризация (таксономия).
24.Дендограммы и свойства монотонности.
25.Свойства сжатия, растяжения и редуктивности
26.Примеры решения задач кластеризации с использованием агломеративной кластеризации.
Показатели оценки по зачёту представлены в таблице 2.
Таблица 2 Описание шкал оценивания
Показатели |
|
|
|
|
|
|
|
оценивания |
Баллы |
Оценка |
Критерий оценки |
||||
компетенций |
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Результаты освоения |
4,5 - 5,0 |
«отлично» |
ставится |
|
обучающемуся, |
||
дисциплины |
|
|
показавшему |
|
|
|
глубокие |
соответствует |
|
|
систематизированные |
|
знания |
||
требованиям ФГОС |
|
|
учебного материала, |
владеющему |
|||
|
|
|
творческим |
анализом |
фактов, |
||
|
|
|
умеющему обобщать информацию, |
||||
|
|
|
аргументировано |
и |
практически |
||
|
|
|
без ошибок ответившему на все |
||||
|
|
|
вопросы. |
|
|
|
|
Результаты освоения |
3,5 - 4,4 |
«хорошо» |
ставится |
|
обучающемуся, |
||
дисциплины |
|
|
продемонстрировавшему |
|
|||
соответствует |
|
|
достаточно |
полное |
знание |
||
требованиям ФГОС |
|
|
учебного |
|
|
материала, |
|
|
|
|
допустившему негрубые ошибки и |
||||
|
|
|
недочеты. |
|
|
|
|
Результаты освоения |
2,5 - 3,4 |
«удовлетворительно» |
ставится |
|
обучающемуся, |
||
дисциплины |
|
|
показавшему |
|
|
минимально |
|
соответствует |
|
|
необходимый |
уровень |
знаний |
||
требованиям ФГОС |
|
|
учебного материала, |
владеющего |
|||
|
|
|
навыками логического мышления |
||||
|
|
|
и |
|
допустившего |
||
|
|
|
непринципиальные |
ошибки при |
|||
|
|
5 |
|
|
|
|
|
|
|
|
|
ответе на вопросы. |
|
|
|
|
|
|
|
||
Результаты освоения |
0,0 - 2,4 |
«неудовлетворительно» |
ставится |
обучающемуся, |
||
дисциплины |
НЕ |
|
|
продемонстрировавшему |
||
соответствует |
|
|
|
существенные |
пробелы |
в знании |
требованиям ФГОС |
|
|
основного учебного |
материала, |
||
|
|
|
|
допустившему |
принципиальные |
|
|
|
|
|
ошибки при изложении материала. |
Перечень учебной литературы, необходимой для освоения дисциплины.
1.Барский А. Б.. Введение в нейронные сети : Учебное пособие. / Барский А. Б. ; А. Б. Барский. – Москва, Саратов : Интернет-Университет Информационных Технологий (ИНТУИТ), Ай Пи Ар Медиа, 2020. – 357 с. – URL: URL: http://www.iprbookshop.ru/89426.html. – ISBN ISBN 978-5-4497-0309-5.
2.Барский Аркадий Бенционович. Нейронные сети: распознавание, управление, принятие решений / Барский Аркадий Бенционович ; Москва : Финансы и статистика, 2004. – 175 с. – ISBN ISBN 5-279-02757-Х.
3.Вакуленко, С. А.. Нейронные сети : учебное пособие. / Вакуленко, С. А., Жихарева, А. А. ; С. А. Вакуленко, А. А. Жихарева. – Санкт-Петербург : СанктПетербургский государственный университет промышленных технологий и дизайна, 2019. – 110 с. – URL: URL: http://www.iprbookshop.ru/102447.html. – ISBN ISBN 2227-8397.
4.Вентцель Елена Сергеевна. Теория вероятностей : учеб. для втузов. / Вентцель Елена Сергеевна ; Москва : Наука, 1969. – 576 с.
5.Павлова, А. И.. Искусственные нейронные сети : учебное пособие. / Павлова, А. И. ; А. И. Павлова. – Москва : Ай Пи Ар Медиа, 2021. – 190 с. – URL: URL: http://www.iprbookshop.ru/108228.html. – ISBN ISBN 978-5-4497-1165-6.
6.Станкевич Лев Александрович. Интеллектуальные системы и технологии : учебник и практикум для вузов : учебник и практикум для студентов высших учебных заведений, обучающихся по инженерно-техническим направлениям. / Станкевич Лев Александрович ; Москва : Юрайт, 2020. – 398 с. – ISBN ISBN 978- 5-534-02126-4.
7.Станкевич Лев Александрович. Интеллектуальные системы и технологии : учебник и практикум для вузов : учебник и практикум для студентов высших учебных заведений, обучающихся по инженерно-техническим направлениям. / Станкевич Лев Александрович ; Москва : Юрайт, 2021. – 398 с. – ISBN ISBN 978- 5-534-02126-4.
6
Кислицын Дмитрий Игоревич
МАШИННОЕ ОБУЧЕНИЕ И АНАЛИЗ ДАННЫХ
Учебно-методическое пособие
по подготовке к лекционным занятиям (включая рекомендации по организации самостоятельной работы) для обучающихся по дисциплине
«Машинное обучение и анализ данных» по направлению подготовки 09.04.02 Информационные системы и технологии
Федеральное государственное бюджетное образовательное учреждение высшего образования «Нижегородский государственный архитектурно-строительный университет»
603950, Нижний Новгород, ул. Ильинская, 65. http://www.nngasu.ru, srec@nngasu.ru
7