Анотация

---

Дисциплината “Въведение в машинното обучение“ е насочена към теоретични и практически знания на студентите за основните концепции, методи и алгоритми в машинното обучение, използвани за анализ на данни и оценка на тяхната ефективност с цел извличане на знания. Студентите придобиват умения за създаване на модели чрез машинно обучение с учител и без учител. В процеса на обучение се реализират задачи от различни сфери, като се създават модели за регресия, класификация и клъстеризация.
Дисциплината се базира на предхождащите дисциплини: “Математика“, „Базово програмиране 2“, „Алгоритми и структура на данни“, „Обектно-ориентирано програмиране“, “Основи на изкуствения интелект“.

Съдържание

---

• Въведение в Машинното обучение. Определения, основни понятия, видове обучение. Примери.
• Регресионни методи - въведение, класификация. Линейна регресия с една променлива и с множество променливи. Регуляризация и оценка на моделите.
• Логаритмична регресия. Оценка на модели.
• Класификационни методи. Задача за класификация. Разделяне на данните на обучаващо и тестово множество. Метрики за оценка на класификационни модели. Концепции за неточни модели (underfitting) и претрениране (overfitting) в машинното обучение.
• Бейесови методи за класификация. Вероятностна формулировка на задачата за класификация. Основни понятия и вероятностни модели.
• Класификация по метод на опорните вектори. Същност, основни понятия, функции на ядрото.
• Концепция за Дървовидни структури. Видове алгоритми. Дърво на решения и Случайна гора.
• Ансамблови алгоритми в машинното обучение - Baging и Boosting.
• Невронна мрежа. Архитектура на невронна мрежа. Алгоритми за реализация на модели - Backpropagation и Multi layer perceptrons (MLPs).
• Класификация на данни чрез алгоритъм К най-близък съсед. Функции за изчисляване на разстояние между две точки. Създаване на класификационни модели.
• Машинно обучение без учител. Клъстеризация. Основни методи за откриване на клъстери. Алгоритъм K-Means. Йерархична клъстеризация.