• Принципи підготовки даних для задач машинного навчання;
• Моделі та методи машинного навчання;
• методи оцінки якості моделі.

• Теорія систем баз даних і знань
• Методи та засоби інженерії даних та знань

Постановка задачі машинного навчання. Об'єкти і ознаки. Типи шкал : бінарні, номінальні, порядкові, кількісні. Методи відбору ознак та методи підготовки даних. Типи задач: класифікація, регресія, прогнозування, кластеризація. Основні поняття: модель алгоритмів, метод навчання, функція втрат і функціонал якості, принцип мінімізації емпіричного ризику, ковзаючий контроль. Задачі класифікації: Баєсові алгоритми класифікації. Метричні методи класифікації: метод найближчих сусідів та його узагальнення, вікно Парзена та потенційні функції, відбір еталонів та оптимізація метрики. Лінійні методи класифікації: логістична регресія, метод опорних векторів, лінійний перцептрон. Задачі відновлення регресії: метод найменших квадратів, лінійна та нелінійна регресія, метод головних компонент. Нейронні мережі: структура багатошарової нейронної мережі,функції активації, повнота двошарових мереж в просторі булевих функцій, алгоритм зворотнього поширення помилок, методи оптимізації структури мережі. Задача кластеризації: типи кластерних структур, графові методи кластеризації - алгоритм виділення зв'язних компонент, алгоритм ФОРЕЛ, функціонали якості кластеризації, ієрархічна кластеризація, статистичні методи кластеризації - EM-алгоритм, метод k-середніх. Логічні методи класифікації: дерева рішень, алгоритм ID3, зважуване голосування. Композиція класифікаторів: бустінг, бегінг, суміші алгоритмів. Пошук асоціативних правил.

• Захарія Л.М. “Інформаційний пошук. Алгоритми класифікації текстових документів” методичні вказівки до дисципліни “Машинне навчання” Львів: Видавництво Національного університету “Львівська політехніка”, 2012. — 36 с.
• Воронцов К.В.. Курс лекций Математические методы обучения по прецедентам, МФТИ, 2004—2008. Електронний ресурс. Режим доступу: www.ccas.ru/voron/teaching.html
• Николенко С.И. Курс лекций по машинному обучению – слайды. Електронний ресурс. Режим доступу: http://logic.pdmi.ras.ru/~sergei/index.php?page=mlaptu09
• Дьяконов А.Г. Анализ данных, обучение по прецедентам, логические игры, системы WEKA, RapidMiner и MatLab. Учебное пособие. Електронний ресурс. Режим доступу: www.machinelearning.ru/wiki/images/7/7e/Dj2010up.pdf

• Поточний контроль (40%): письмові звіти з лабораторних робіт, розрахункова робота, усне опитування
• Підсумковий контроль (60%, іспит): тестування (60%).