DSCM011 Прогнозиране чрез анализ на данни - II част. Невронни мрежи

Анотация:

Mоделите на изкуствени невронни мрежи се появяват през 80-90-те години, но светът на машинното обучение се променя през 2005-2006 г. след успешния опит на група канадски изследователи, под ръководството на Джефри Хинтън, за обучение на дълбоки невронни мрежи. Един от първите гръмки успехи на дълбоките мрежи идва в разпознаването на речта. Чрез невронни мрежи могат да се приближават произволни функции, а с дълбоките мрежи това приближение става по-ефективно. Другата важна причина за увеличеното приложение на невронните мрежи е многократното усилване на мощностите на изчислителните машини. След качественият пробив започват да се развиват и нови методи за обучение на невронните мрежи, такива като конволюционните и рекурсивните невронни мрежи. Почти всички от големите световни софтуерни фирми вече създадоха свои изследователски центрове в областта на машинното обучение.

В настоящият курс се дават основни знания и умения по актуални теми от света на невронните мрежи.

прочети още
Извличане на знания и технологии за големи данни

Преподавател(и):

доц. Стоян Мишев  д-р
 Петър Христов  д-р
 Лъчезар Петров  

Описание на курса:

Компетенции:

1) знаят:

Класификацията на методите за машинно ообучение;

Основните алгоритми за МО;

Предимствата и недостатъците на методите за МО;

Как да изберат подходящ метод за машинно самообучение при решаването на конкретна задача;

Насоките в съвременните методи за МО;

2) могат:

Да приложат методите класификация на текст и обекти, разпознаване на изображения, клъстеризация, идентификация с помощта на дървета за вземане на решения и опорни вектори;

Да се ориентират в различните алгоритми, библиотеки и програмни пакети за МО;

Да търсят и намират ефективни решения на проблеми, изискващи МО.


Предварителни изисквания:
Да са преминали курса DSCM001 Прогнозиране чрез анализ на данни - I

Форми на провеждане:
Редовен

Учебни форми:
Лекция

Език, на който се води курса:
Български

Теми, които се разглеждат в курса:

Литература по темите:

Deng L., Yu D. Deep Learning: Methods and Applications // Foundations and Trends in Signal Processing, 2014, vol. 7, no. 3–4. — P. 197–387.

Goodfellow I., Bengio Y., Courville A. Deep Learning, MIT Press, 2016, http://www.deeplearningbook.org.