Kursa kods DatZ4012

Kredītpunkti 2

Mašīnmācīšanās pamati

Zinātnes nozareDatorzinātne un informātika

Kopējais stundu skaits kursā80

Lekciju stundu skaits8

Semināru un praktisko darbu stundu skaits24

Studenta patstāvīgā darba stundu skaits48

Kursa apstiprinājuma datums20.03.2019

Atbildīgā struktūrvienībaDatoru sistēmu katedra

Kursa izstrādātāji

author asoc. prof.

Vitālijs Komašilovs

Dr. sc. ing.

author asoc. prof.

Aleksejs Zacepins

Dr. sc. ing.

Priekšzināšanas

DatZ1010, Programmēšanas pamati II

DatZ3019, Algoritmi un struktūras

Mate1038, Matemātika III

Kursa anotācija

Kursa ietvaros studenti iepazīstas ar mašīnmācīšanās pamatiem un neironu tīkliem, pētot attēlu klasifikācijas un objektu atpazīšanas problēmas. Studenti iemācās darboties ar mašīnmācīšanās satvaru Tensorflow, praktiski veido jaunus mašīnmācīšanās modeļus, kā arī izmanto gatavus modeļus, apgūst darbu ar mākoņplatformu modeļu darbināšanai un apmācībai.
Praktisko nodarbību laikā studenti iemācās izveidot pilnvērtīgu programmu, kas ļauj identificēt attēlā nepieciešamos objektus.

Kursa rezultāti un to vērtēšana

1. Zināšanas par mašīnmācīšanās tehnoloģijām un neironu tīkliem – praktiskie darbi;
2. prasmes lietot mākoņplatformu mašīnmācīšanās uzdevumu risināšanai un risināt objektu klasifikācijas un atpazīšanas uzdevumus – praktiskie darbi;
3. kompetence patstāvīgi rast risinājumu konkrēta uzdevuma veikšanai, argumentēt savu viedokli un risināšanas pieeju – patstāvīgais darbs.

Kursa saturs(kalendārs)

1. Ievads mašīnmācīšanā. Ievads Python programmēšanas valodā. Ievads Jupyter tīmekļa vides lietošanā Python programmas izpildei. Ievads par mākoņplatformu Google Colaboratory, to Lietošanas iespējas un ierobežojumi, pamatdarbības, vienkāršas programmas izstrāde.
2. Ievads datu analīzes uzdevumos. Klasifikācijas uzdevumi un to risināšanas paņēmieni. Klasifikatora (modeļa) apmācības un novērtēšanas parametri.
3. Ievads neironu tīklos. Mākslīgie neironu tīkli, to klasifikācija un īpašības. Neironu aktivizācijas funkcijas. Mākslīgo neironu tīklu apmācības paņēmieni.
4. Konvolūciju mākslīgie neironu tīkli. To darbības principi un tipiskās arhitektūras. Neironu tīklu modeļu precizitātes uzlabošanas paņēmieni. Dažādu gatavu mašīnmācīšanās modeļu un datu kopu apskate un lietošanas iespējas.
5. Objektu detektēšanas modeļi un to pielietošanas sfēras. Objektu anotācijas problemātika. Anotāciju izveides rīki (piemēram labelImg). Automašīnu detektēšanas un izsekošanas uzdevums. Cilvēku detektēšanas un izsekošanas uzdevums.
6. Teksta un secību modeļi un to īpatnības. Rekurentie neironu tīkli (RNN). Ilga īstermiņa atmiņa (LSTM). Cilvēka valodas apstrādes metodes.
7. Vieslekcija no industrijas pārstāvja par mašīnmācīšanās sistēmas izstrādi un to reālo pielietojumu.
8. Studentu patstāvīgā darba prezentācija.

Prasības kredītpunktu iegūšanai

Jābūt izpildītiem un ieskaitītiem 3 praktiskajiem darbiem.
Jābūt sekmīgi aizstāvētam patstāvīgajam darbam.

Studējošo patstāvīgo darbu organizācijas un uzdevumu raksturojums

Kursa laikā studentiem jāizpilda un jāprezentē patstāvīgais darbs, kas iekļauj sevī mašīnmācīšanās modeļa izveidi vismaz 3 izvēlēto objektu atpazīšanai.
Studentam patstāvīgi jālasa literatūras avoti un jāstudē tiešsaistes pamācības zināšanu nostiprināšanai.

Studiju rezultātu vērtēšanas kritēriji

Ieskaite ar atzīmi.
Ieskaites atzīme ir akumulējošā atzīme, ko veido lekciju un praktisko darbu apmeklējums (1 punkts par katru nodarbību), praktisko darbu izpilde (15 punkti par katru praktisko uzdevumu) un patstāvīgā darba izpilde (35 punkti). Gala atzīme tiek aprēķināta pēc formulas 100 punkti = 10 balles matemātiski apaļojot.

Pamatliteratūra

1. Haykin S. S., et al. Neural networks and learning machines. Vol. 3. Upper Saddle River: Pearson, 2009.
2. Graupe D. Deep learning neural networks: design and case studies. World Scientific Publishing Company. New Jersey: World Scientific, 2016. 263 p.

Papildliteratūra

1. Alpaydin E. Machine learning: the new AI. Cambridge, MA: MIT Press, 2016.

Periodika un citi informācijas avoti

1. Colaboratory [tiešsaiste]. [skatīts 01.04.2019.] Pieejams: https://colab.research.google.com
2. The Jupyter Notebook [tiešsaiste]. [skatīts 01.04.2019.] Pieejams: http://jupyter.org/
3. TensorFlow [tiešsaiste]. [skatīts 01.04.2019.] Pieejams: https://www.tensorflow.org/

Piezīmes

ITF akadēmiskās izglītības bakalaura studiju programma „Datorvadība un datorzinātne”, profesionālas augstākās izglītības bakalaura programma „Informācijas tehnoloģijas ilgtspējīgai attīstībai”