4, 5 д Машинно обучение и разпознаване - избираема
Анотация
Дисциплината „Машинно обучение и разпознаване” запознава студентите с методите и средствата за проектиране на алгоритми за машинно обучение от различен тип, използването на модели и структури в различни сфери на икономиката и задачи, свързани с изкуствен интелект.
Съдържанието на курса е естествено продължение на обучението на студентите от бакалавърска степен на специалностите „Компютърни системи и технологии” и „Софтуерни и Интернет технологии“ и дава ново средство за решаване на редица инженерни задачи в областта на разпознаването на образи, категоризиране на обекти, прогнозиране и оптимизация и представлява удобен инструмент за дипломно проектиране.
Специално внимание е отделено на самостоятелното разработване на изчислителни структури за машинно обучение, а също се демонстрират и симулатори с приложения в областта на изкуствения интелект, свързани с предсказване, класификация и разпознаване на образи. В упражненията се разработват приложения в областта на класификацията, прогнозирането и оценяването на данни, при проблеми свързани с категоризация и оптимизация в реалния живот.
Съдържание
Тема 1. Въведение в подходите и методите за машинно обучение. Необходимост от използване. Класификация. Особености при проектиране.
Тема 2. Метод на най-малки квадрати. Метод на Нютон. Апроксимиране на функции и повърхнини.
Тема 3. Прогнозиране на времеви редове. Характеристики на времеви редове и прогнозируемост. Трансформиране на данните и предварителни обработки.
Тема 4. Мултифакторно моделиране. Видове фактори. Алгоритми за генериране на формули за зависимости между факторите. Регуларизация.
Тема 5. Оптимизация. Методи и алгоритми за оптимизация. Реализация на обучението като оптимизационен процес.
Тема 6. Целенасочено обучение. Архитектури и методи за обучение на структури с еднопосочна обработка на данните. Видове активационни функции.
Тема 7. Фази на обучение и генериране на данни. Критерии за край на обучението. Определяне на точността на работа на модела.
Тема 8. Определяне на теглата с градиентния метод на Уидроу - Хоф. Делта правило. Генерализирано делта правило.
Тема 9. Алгоритъм на обратното разпространение на грешката. Модификации на основния алгоритъм. Инерционен момент. Преодоляване на гладки области в повърхнината на грешката.
Тема 10.Математически основи на невронни мрежи с радиално-базирани функции (RBF) в скрития слой. Обучаване на невронна мрежа с RBF.
Тема 11.Клъстеризация на обучаващи данни. Методи за клъстеризация. Критерии за качество на клъстеризацията.
Тема 12.Рекурентни невронни мрежи. Архитектури и принципи на работа.
Тема 13.Самообучение. Състезателно обучение. Самоогранизиращи се карти на признаците.
Тема 14.Редуциране на информацията със самообучаващи се структури. Откриване на подобни поведения в големи масиви от данни.
Тема 15.Методи за реализация на компютърно зрение и обработка и разпознаване на изображения.