У результаті вивчення навчальної дисципліни студент повинен бути здатним продемонструвати такі результати навчання:
знати: області застосування і основні прикладні аспекти машинного навчання; основні поняття та принципи роботи штучних нейронних мереж; постановку задачі та основні методи обробки природної мови; вміти: грамотно формулювати постановку задач, що виникають у практичній діяльності, для їх розв’язання за допомогою методів машинного навчання; проводити аналіз конкретної задачі для вибору найкращого методу машинного навчання для її розв'язку; проводити аналіз та синтез інформативних ознак; проводити аналіз роботи методів машинного навчання з виявленням їх сильних і слабких сторін

Дискретна математика
Математичний аналіз
Лінійна алгебра
Теорія ймовірності
Математична статистика

Розширене машинне навчання для обробки великих даних та обробки тексту - щоб побачити, як новітні інструменти, методи та алгоритми, що керують сучасним та прогнозним аналізом, можуть застосовуватися в різних галузях: які проблеми вони можуть / не можуть вирішити та які проблеми, можливо, виникнуть на практиці .

Stephen Marsland. Machine Learning). Лінійна: An Alg). Лінійнаorithmic Perspective, 452 р.,
2015.
Ethem Alpaydin. Introduction To Machine Learning). Лінійна, 584 p., 2009.
Tom M. Mitchell. Machine Learning). Лінійна
[http://www.cs.cmu.edu/~tom/mlbook.html]

Поточний контроль (ПК)
Лабораторні роботи 40 балів
Екзаменаційний контроль
Письмова компонента 60 балів
Усна компонента
Разом 100 балів