Методи та моделі машинного навчання


Для вивчення у 2026-2027 навчальному році

Всього годин: 150

Дисципліна «Методи та моделі машинного навчання»  забезпечує поглиблене вивчення теоретичних основ і сучасних практичних підходів до аналізу даних та створення інтелектуальних систем. Курс охоплює широкий спектр парадигм машинного навчання: від класичних алгоритмів  до передових архітектур глибинного навчання. Студенти опановують повний цикл роботи з даними: попереднє опрацювання, інженерію ознак, навчання моделей, валідацію та оцінку якості з використанням відповідних метрик . Значний акцент зроблено на критичному аналізі отриманих результатів, методах регуляризації для запобігання перенавчанню, а також на етичних аспектах застосування ML, зокрема питаннях упередженості даних, інтерпретованості моделей та відповідальності при прийнятті автоматизованих рішень . У підсумку магістри набувають компетентностей, необхідних для самостійної розробки інноваційних ML-продуктів, проведення наукових досліджень та критичного оцінювання придатності різних моделей для вирішення прикладних задач у реальних проектах.

Мета курсу

поглиблене вивчення теоретичних основ та набуття практичних навичок застосування сучасних методів і моделей машинного навчання для розробки інтелектуальних систем аналізу даних, формування у магістрів здатності до самостійного дослідження, критичного оцінювання та вдосконалення алгоритмів машинного навчання відповідно до специфіки прикладних задач у сфері комп'ютерних наук.

Програмні результати навчання

У результаті вивчення дисципліни магістри з комп'ютерних наук набудуть здатності аналізувати та обирати оптимальні методи машинного навчання відповідно до специфіки вхідних даних та поставленої задачі; здійснювати повний цикл попередньої обробки даних, включаючи очищення, трансформацію, інженерію ознак та роботу з незбалансованими вибірками; реалізовувати моделі машинного навчання з використанням сучасних бібліотек та фреймворків; проводити оцінку якості моделей із застосуванням відповідних метрик та методів валідації; застосовувати методи регуляризації та оптимізації для підвищення узагальнювальної здатності моделей; аналізувати інтерпретованість отриманих результатів та враховувати етичні аспекти застосування ML-рішень, включаючи виявлення упередженості даних та забезпечення прозорості автоматизованих систем.

Автори курсу

Бондарчук Андрій Петрович

Підрозділ

Кафедра комп'ютерних наук,
Факультет інформаційних технологій і математики

Викладачі

Бондарчук Андрій Петрович

Призначення

(Магістр)

2.F3.00.01 Моделювання інформаційних процесів у комп'ютерних системах

Період навчання

2-й рік

Розподіл

Курс / рік навчання V VI
Семестр 9 10 11 12
Розподіл кредитів (5) 0 0 5 0

Кількість учасників

Одиниця Студенти Групи Підгрупи
Мінімальна кількість 12 1 0
Максимальна кількість 25 1 0