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.
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.