Latviešu Krievu Angļu Vācu Franču
Statuss(Aktīvs) Izdruka Arhīvs(0) Studiju plāns Vecais plāns Kursu katalogs Vēsture

Kursa nosaukums Mašīnmācīšanās pamati
Kursa kods DatZ4012
Zinātnes nozare Datorzinātne un informātika
Kredītpunkti (ECTS) 3
Kopējais stundu skaits kursā 81
Lekciju stundu skaits 8
Semināru un praktisko darbu stundu skaits 24
Studenta patstāvīgā darba stundu skaits 49
Kursa apstiprinājuma datums 06/09/2022
Atbildīgā struktūrvienība Datoru sistēmu un datu zinātnes institūts
 
Kursa izstrādātājs(-i)
Dr. sc. ing., asoc. prof. Aleksejs Zacepins
Dr. sc. ing., asoc. prof. Vitālijs Komašilovs

Priekšzināšanas
DatZ1010, Programmēšanas pamati II
DatZ3019, Algoritmi un struktūras
Mate1038, Matemātika III
Kursa anotācija
Studiju kursa mērķis ir iepazīstināt studentus ar mašīnmācīšanās pamatiem un pieejamām mūsdienu tehnoloģijām mašīnmācīšanas jomā, pētot dažādus regresijas modeļus, attēlu klasifikācijas un objektu atpazīšanas problēmas, dabīgā teksta apstrādes pieejas un stimulētās mācīšanās pielietojumus. 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.
Kursa rezultāti un to vērtēšana
1.Pārzina dažādas mašīnmācīšanas tehnoloģijas un to pielietošanas nianses – praktiskie darbi
2.Prot lietot mākoņplatformu mašīnmācīšanās uzdevumu risināšanai, prot izstrādāt un darbināt mašīnmācīšanas modeļus – praktiskie darbi 3.Spēj patstāvīgi rast risinājumu objektu atpazīšanas uzdevuma veikšanai, argumentēt savu viedokli un risināšanas pieeju – patstāvīgais darbs un prezentācija
Kursa saturs(kalendārs)
Lekcijas:
1.Ievads mašīnmācīšanā. Mašīnmācīšanas galvenie virzieni. Datu sagatavošana un modeļu trenēšanas process. Ievads par mākoņplatformu Google Colaboratory, to lietošanas iespējas un ierobežojumi. Lineārie modeļi, to apmācības un novērtēšanas metodes. – 1h
2.Ievads neironu tīklos. Mākslīgie neironu tīkli, to klasifikācija un īpašības. Neironu aktivizācijas funkcijas. Mākslīgo neironu tīklu apmācības paņēmieni. – 1h
3.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. – 1h
4.Objektu detektēšanas modeļi un to pielietošanas sfēras. Objektu anotācijas problemātika. Automašīnu detektēšanas un izsekošanas uzdevums. Objektu detektēšanas modeļu arhitektūras. – 1h
5.Darbs ar secīgiem datiem. Modeļi secīgo datu apstrādei. Rekurentie neironu tīkli (RNN) un to apmācības specifika. Ilga īstermiņa atmiņa (LSTM). – 1h
6.Dabiskā valoda un tās apstrādes specifika. Teksta datu apstrāde un sagatavošana mašīnmācīšanai. Vārdlietojuma kartēšana. Tekstu klasifikācijas un ģenerēšanas modeļi. – 1h
7.Stimulētā mācīšanās. Aģents, vide un atgriezeniskā saite. Aģenta uzvedības modelēšana. Q-apmācības algoritms. Dziļā Q-apmācība un tās uzlabošanas paņēmieni. – 1h
8.Studentu patstāvīgo darbu prezentācijas un diskusija. – 1h

Praktiskie semināri:
1.Ievads Python un Colab vidē. Tensorflow pamati. Modeļu novērtēšanas un apmācības paņēmieni. Lineārās regresijas implementācija. Loģistiskās regresijas implementācija. Sintētiskās raksturiezīmes. – 6h
2.Neironu tīkli. Neironu un to savienojumu implementācija. Apmācības cikla implementācija. Neironu tīkla precizitātes novērtēšana. Konvolūciju neironu tīkli. Konvolūcijas slāņa implementācija. Konvolūciju slāņu darbības vizualizācija. – 6h
3.Dabiskās valodas apstrāde. Teksta datu kopas sagatavošana. Vārdlietojuma kartēšanas implementācija. Vārdu līdzības novērtēšanas modeļa implementācija un apmācība. Teksta ģenerēšanas modeļa implementācija un apmācība. – 6h 4.Stimulētā mācīšanās. Diskrētās vides piemērs. Q-apmācības implementācija un aģenta apmācība. Nepārtrauktās vides piemērs. Dziļās Q-apmācības implementācija un aģenta apmācība. – 6h
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.
Obligātā literatūra
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. Pieejams: https://colab.research.google.com
2.The Jupyter Notebook. Pieejams: http://jupyter.org/ 3.TensorFlow. Pieejams: https://www.tensorflow.org/
Piezīmes
ITF akadēmiskās izglītības bakalaura studiju programma „Datorvadība un datorzinātne”, profesionālas augstākās izglītības bakalaura programma „Informācijas tehnoloģijas ilgtspējīgai attīstībai”