Machine Learning & Data Science
Сипаттама: Курс студенттерге машиналық оқытудың негіздері бойынша теориялық білім мен практикалық дағдыларды қалыптастыруға, машиналық оқыту құралдары, модельдері мен әдістерін меңгеруге, сондай-ақ деректерді зерттеуші (data scientist) және математикалық модельдерді, әдістерді және деректерді талдау алгоритмдерін әзірлеуші болуға мүмкіндік береді. Студенттер заманауи деректерді талдау құралдарымен жұмыс істеу, машиналық оқыту модельдерін құру және оқыту, деректерді зерттеушілік талдау жүргізу және практикалық тапсырмаларды шешу үшін алгоритмдерді қолдану дағдылары мен қабілеттерін алады.
Кредиттер саны: 6
Пререквизиты:
- Ақпараттық-коммуникациялық технологиялар
Пәннің еңбек сыйымдылығы:
| Жұмыс түрлері | сағат |
|---|---|
| Дәрістер | 30 |
| Практикалық жұмыстар | |
| Зертханалық жұмыстар | 30 |
| СӨЖО | 30 |
| СӨЖ | 90 |
| Қорытынды бақылау нысаны | емтихан |
| Қорытынды бақылауды жүргізу нысаны |
Компонент: Таңдау бойынша компонент
Цикл: Кәсіптік пәндер
Мақсат
- студенттердің машиналық оқыту негіздері бойынша теориялық білімдері мен практикалық дағдыларын қалыптастыру, машиналық оқытудың құралдарын, үлгілері мен әдістерін меңгеру, сонымен қатар мәліметтерді зерттеуші (деректерді зерттеуші) және математикалық модельдерді, әдістерді әзірлеуші дағдыларын меңгеру. және деректерді талдау алгоритмдері
Міндет
- машиналық оқытудың негізгі алгоритмдерін үйрену
- сызықтық регрессияны бағдарламалық қамтамасыз ету арқылы тәжірибе жүргізуде тәжірибелік дағдыларды меңгеру
- логистикалық регрессияны бағдарламалық қамтамасыз етуді жүзеге асырумен тәжірибе жүргізуде тәжірибелік дағдыларды меңгеру
- нейрондық желіні бағдарламалық қамтамасыз етуді жүзеге асырумен эксперименттер жүргізуде практикалық дағдыларды меңгеру
- шешімдер ағашын бағдарламалық қамтамасыз етуді жүзеге асырумен эксперименттер жүргізуде практикалық дағдыларды меңгеру
- әлсіз жіктеуіштер ретінде шешім ағаштары бар каскадты бағдарламалық қамтамасыз етумен тәжірибе жүргізуде тәжірибелік дағдыларды меңгеру.
Оқыту нәтижесі: білу және түсіну
- машиналық оқыту алгоритмдері арқылы шешілетін есептердің кластарын түсіну
- машиналық оқыту алгоритмдерін білу
- машиналық оқытудың негізгі құралдары
Оқыту нәтижесі: білім мен ұғымды қолдану
- машиналық оқыту алгоритмдерін тәжірибеде қолдану
- белгілі бір мәселені шешу үшін машиналық оқытудың сол немесе басқа алгоритмін пайдалануды негіздеу
- машиналық оқыту алгоритмдерін бағдарламалық түрде енгізу
- алгоритмнің оқу нәтижелерін талдау, алгоритмнің дәлдігін арттыру жолдарын ұсыну
Оқыту нәтижесі: талқылай білуді қалыптастыру
- әртүрлі практикалық есептерге машиналық оқыту алгоритмдерін қолдану туралы пайымдауларды қалыптастыру
Оқыту нәтижесі: коммуникативтік қабілеттіліктер
- оқушылардың коммуникативтік қабілеттерін дамыту және жетілдіру
- практикалық шешімдер қабылдау процесін қолдау үшін саясаттану әдістерін пайдалана отырып, саясат саласындағы құбылыстар мен процестерді қолданбалы талдау бойынша конструктивті диалогқа қатысу дағдыларын дамыту
- өзінің ғылыми және кәсіби қызметінің нәтижелерін көпшілік алдында сауатты және негізді түрде көрсете алады, соның ішінде. заманауи АКТ құралдарын қолдану.
Оқыту нәтижесі: Оқу дағдылары немесе сабаққа қабілеттілігі
- Тиісті ғылыми зерттеулер бойынша қорытындыларды қалыптастыру үшін қажетті заманауи ғылыми зерттеулердің деректерін жинау, өңдеу және түсіндіру мүмкіндігі
- Жаңа ғылыми принциптер мен зерттеу әдістерін меңгеру қабілеті
Негізгі әдебиет
- Андреас, Мюллер Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными / Мюллер Андреас. - М.: Альфа-книга, 2017. - 487 c.
- Себастьян, Рашка Python и машинное обучение / Рашка Себастьян. - М.: ДМК Пресс, 2017. - 614 c.
- Дэви Силен, Арно Мейсман, Мохамед Али, Основы Data Science и Big Data. Python и наука о данных. — СПб.: Питер, 2017. — 336 с
- Юре Лесковец, Ананд Раджараман, Джеффри Д. Ульман, Анализ больших наборов данных. — М.: ДМК Пресс, 2016. — 498 с.)
Қосымша әдебиеттер
- Плас, Джейк Вандер Python для сложных задач. Наука о данных и машинное обучение. Руководство / Плас Джейк Вандер. - М.: Питер, 2018. - 759 c.
- Макшанов А.В. Технологии интеллектуального анализа данных. — М.: Лань. 2019. 212 с.
- Рафалович В. Data mining, или интеллектуальный анализ данных для занятых. Практический курс / В. Рафалович. — М.: SmartBook, 2018. — 352 c.
