Ви переглядаєте архівну версію офіційного сайту НУЛП (2005-2020р.р.). Актуальна версія: https://lpnu.ua
Методи та системи штучного інтелекту
Спеціальність: Комп'ютерні науки
Код дисципліни: 6.122.00.O.97
Кількість кредитів: 4
Кафедра: Автоматизовані системи управління
Лектор:
Семестр: 5 семестр
Форма навчання: заочна
Результати навчання:
Необхідні обов'язкові попередні та супутні навчальні дисципліни:
Короткий зміст навчальної програми:
Рекомендована література:
Методи і критерії оцінювання:
Методи та системи штучного інтелекту
Спеціальність: Комп'ютерні науки
Код дисципліни: 6.122.00.O.99
Кількість кредитів: 4
Кафедра: Системи автоматизованого проектування
Лектор:
Семестр: 5 семестр
Форма навчання: заочна
Результати навчання:
Необхідні обов'язкові попередні та супутні навчальні дисципліни:
Короткий зміст навчальної програми:
Рекомендована література:
Методи і критерії оцінювання:
Методи та системи штучного інтелекту
Спеціальність: Комп'ютерні науки
Код дисципліни: 6.122.00.O.100
Кількість кредитів: 4
Кафедра: Системи штучного інтелекту
Лектор: Засоба Є.
Семестр: 5 семестр
Форма навчання: заочна
Результати навчання:
знати:
? здатність продемонструвати поглиблені знання принаймні в одній з областей
інформаційних технологій;
? здатність продемонструвати знання та навики щодо проведення експериментів,
збору даних та моделювання у предметній області;
вміти:
- здатність створювати математичні моделі і алгоритми прийняття рішень за допомогою
алгоритмічного та програмного забезпечення, використовуючи машинне навчання,
штучні нейронні мережі, еволюційне моделювання, генетичні методи оптимізації,
фільтри
? здатність продемонструвати поглиблені знання принаймні в одній з областей
інформаційних технологій;
? здатність продемонструвати знання та навики щодо проведення експериментів,
збору даних та моделювання у предметній області;
вміти:
- здатність створювати математичні моделі і алгоритми прийняття рішень за допомогою
алгоритмічного та програмного забезпечення, використовуючи машинне навчання,
штучні нейронні мережі, еволюційне моделювання, генетичні методи оптимізації,
фільтри
Необхідні обов'язкові попередні та супутні навчальні дисципліни:
Дискретна математика
Короткий зміст навчальної програми:
Основні поняття інтелектуальних систем. Архітектура
інтелектуальних систем. Формальне означення інтелектуальних систем.
Функціональна модель інтелектуальних систем. Моделі подання знань
та механізми логічного виведення. Виявлення логічних закономірностей
в даних. Дерева прийняття рішень . Штучні нейронні мережі. Генетично-адаптивні алгоритми.
Моделювання нечіткостей в інтелектуальних системах. Ускладнене подання знань із врахуванням фактору
невизначеності . (Нечітка логіка. Нечіткі множини. Коефіцієнти
впевненості. Зважування тверджень. Байесівський підхід.)
Рекомендована література:
1. www.intuit.ru – Национальный открытый университет
2. Шитиков В.К., Мастицкий С.Э. (2017) Классификация, регрессия и другие алгоритмы
Data Mining с использованием R. 351 с. – Электронная книга, адрес доступа:
https://github.com/ranalytics/data-mining
3. http://itacademy.microsoftelearning.com/ - Інтерактивне навчання за програмою Microsoft IT
Academy.
2. Шитиков В.К., Мастицкий С.Э. (2017) Классификация, регрессия и другие алгоритмы
Data Mining с использованием R. 351 с. – Электронная книга, адрес доступа:
https://github.com/ranalytics/data-mining
3. http://itacademy.microsoftelearning.com/ - Інтерактивне навчання за програмою Microsoft IT
Academy.
Методи і критерії оцінювання:
40 - лабораторні роботи
10 - розрахункова робота
50 - екзамен
10 - розрахункова робота
50 - екзамен
Методи та системи штучного інтелекту (курсова робота)
Спеціальність: Комп'ютерні науки
Код дисципліни: 6.122.04.E.198
Кількість кредитів: 2
Кафедра: Системи штучного інтелекту
Лектор: Засоба Є.О.
Семестр: 5 семестр
Форма навчання: заочна
Результати навчання:
знати:
- здатність продемонструвати поглиблені знання принаймні в одній з областей
інформаційних технологій;
- здатність продемонструвати знання та навики щодо проведення експериментів,
збору даних та моделювання у предметній області;
вміти:
- здатність створювати математичні моделі і алгоритми прийняття рішень за допомогою алгоритмічного та програмного забезпечення, використовуючи машинне навчання, штучні нейронні мережі, еволюційне моделювання, генетичні методи оптимізації, фільтри
- здатність продемонструвати поглиблені знання принаймні в одній з областей
інформаційних технологій;
- здатність продемонструвати знання та навики щодо проведення експериментів,
збору даних та моделювання у предметній області;
вміти:
- здатність створювати математичні моделі і алгоритми прийняття рішень за допомогою алгоритмічного та програмного забезпечення, використовуючи машинне навчання, штучні нейронні мережі, еволюційне моделювання, генетичні методи оптимізації, фільтри
Необхідні обов'язкові попередні та супутні навчальні дисципліни:
1. Дискретна математика
2. Алгоритмізація та програмування
3 Чисельні методи
4 Теорія інформації
5 Теорія ймовірності та математична статистика
2. Алгоритмізація та програмування
3 Чисельні методи
4 Теорія інформації
5 Теорія ймовірності та математична статистика
Короткий зміст навчальної програми:
Основні поняття інтелектуальних систем. Архітектура
інтелектуальних систем. Формальне означення інтелектуальних систем.
Функціональна модель інтелектуальних систем. Моделі подання знань
та механізми логічного виведення. Виявлення логічних закономірностей
в даних. Дерева прийняття рішень . Штучні нейронні мережі. Генетично-адаптивні алгоритми.
Моделювання нечіткостей в інтелектуальних системах. Ускладнене подання знань із врахуванням фактору
невизначеності . (Нечітка логіка. Нечіткі множини. Коефіцієнти
впевненості. Зважування тверджень. Байесівський підхід.)
Рекомендована література:
1. www.intuit.ru – Национальный открытый университет
2. Шитиков В.К., Мастицкий С.Э. (2017) Классификация, регрессия и другие алгоритмы
Data Mining с использованием R. 351 с. – Электронная книга, адрес доступа:
https://github.com/ranalytics/data-mining
3. http://itacademy.microsoftelearning.com/ - Інтерактивне навчання за програмою Microsoft IT
Academy.
1. www.intuit.ru – Национальный открытый университет
2. Шитиков В.К., Мастицкий С.Э. (2017) Классификация, регрессия и другие алгоритмы
Data Mining с использованием R. 351 с. – Электронная книга, адрес доступа:
https://github.com/ranalytics/data-mining
3. http://itacademy.microsoftelearning.com/ - Інтерактивне навчання за програмою Microsoft IT
Academy.
Методи і критерії оцінювання:
лабораторні роботи - 40
розрахункова робота - 10
екзамен - 50
розрахункова робота - 10
екзамен - 50