Машиналық оқыту және деректерді талдау

Сипаттама: Машиналық оқыту-деректер массивінде жасырын тәуелділіктерді іздеу әдістерін зерттейтін ғылым. Бұл әдістер ғылымның әр түрлі салаларында (физика, экономика, журналистика, әлеуметтік ғылымдар және т.б.), сондай-ақ көптеген индустриялық салаларда да белсенді қолданылады. Спамды анықтау, классикалық математикалық үлгілеу арқылы объектіні тану.

Кредиттер саны: 5

Пререквизиты:

• Деректер қорларын басқару жүйесі

Пәннің еңбек сыйымдылығы:

Жұмыс түрлері	сағат
Дәрістер	15
Практикалық жұмыстар
Зертханалық жұмыстар	30
СӨЖО	30
СӨЖ	75
Қорытынды бақылау нысаны	емтихан
Қорытынды бақылауды жүргізу нысаны

Компонент: Таңдау бойынша компонент

Цикл: Кәсіптік пәндер

Мақсат

• Курс студенттердің машиналық оқыту негіздері бойынша теориялық білімдері мен практикалық дағдыларын дамытуға, машиналық оқытудың құралдарын, модельдерін және әдістерін меңгеруге, сондай-ақ мәліметтерді зерттеуші (деректерді зерттеуші) және математикалық технологияларды әзірлеуші ​​дағдыларын меңгеруге бағытталған. деректерді талдаудың модельдері, әдістері және алгоритмдері.

Міндет

• Студенттердің машиналық оқыту негіздері бойынша теориялық білімдері мен практикалық дағдыларын қалыптастыру, машиналық оқытудың құралдарын, модельдерін және әдістерін меңгеру, сонымен қатар мәліметтерді зерттеуші (деректерді зерттеуші) және математикалық модельдерді, әдістерді және әзірлеуші ​​дағдыларын меңгеру. мәліметтерді талдау алгоритмдері

Оқыту нәтижесі: білу және түсіну

• машиналық оқытудың негізгі алгоритмдерін үйрену

Оқыту нәтижесі: білім мен ұғымды қолдану

• машиналық оқыту алгоритмдерін тәжірибеде қолдану

Оқыту нәтижесі: талқылай білуді қалыптастыру

• әртүрлі практикалық есептерге машиналық оқыту алгоритмдерін қолдану туралы пайымдауларды қалыптастыру

Оқыту нәтижесі: коммуникативтік қабілеттіліктер

• оқушылардың коммуникативтік қабілеттерін дамыту және жетілдіру

Оқыту нәтижесі: Оқу дағдылары немесе сабаққа қабілеттілігі

• Тиісті ғылыми зерттеулер бойынша қорытындыларды қалыптастыру үшін қажетті заманауи ғылыми зерттеулердің деректерін жинау, өңдеу және түсіндіру мүмкіндігі

Оқыту әдістері

лекциялар мен онлайн дәрістер, слайдтар мен басқа мультимедиялық құралдарды пайдалана отырып зертханалық сабақтар

Білім алушының білімін бағалау

Оқытушы ағымдағы бақылау жұмыстарының барлық түрлерін жүргізеді және академиялық кезеңде екі рет білім алушылардың ағымдағы үлгеріміне тиісті баға береді. Ағымдағы бақылау нәтижелері бойынша 1 және 2 рейтинг қалыптастырылады. Білім алушының оқу жетістіктері 100 балдық шкала бойынша бағаланады, Р1 және Р2 қорытынды бағасы ағымдағы үлгерім бағасынан орташа арифметикалық ретінде шығарылады. Академиялық кезеңде білім алушының жұмысын бағалауды пән бойынша тапсырмаларды тапсыру кестесіне сәйкес оқытушы жүзеге асырады. Бақылау жүйесі жазбаша және ауызша, топтық және жеке формаларды біріктіре алады.

Кезең	Тапсырма түрі	Өлшем
1  рейтинг	Зертханалық жұмыс №1	0-100
	Зертханалық жұмыс №2
	Зертханалық жұмыс №3
2  рейтинг	Зертханалық жұмыс №4	0-100
	Зертханалық жұмыс №5
	Зертханалық жұмыс №6
Қорытынды бақылау	емтихан	0-100

Жұмыс түрлері бойынша оқыту нәтижелерін бағалау саясаты

Тапсырма түрі	90-100	70-89	50-69	0-49
	Өте жақсы	Жақсы	Қанағаттанарлық	Қанағаттанарлықсыз

Бағалау нысаны

Пән бойынша білім алушының білімін қорытынды бағалау 100 баллдық жүйе бойынша жүзеге асырылады және:

• Емтиханда алынған нәтиженің 40%;
• Ағымдағы үлгерімнің 60% - ы.

Қорытынды бағаны есептеу формуласы:

И= 0,6	Р1+Р2	+0,4Э
	2

 

мұндағы, Р1, Р2-тиісінше бірінші, екінші рейтингті бағалаудың сандық эквиваленттері;

Э - емтихандағы бағаның сандық баламасы.

Қортынды әріптік бағасы және оның балдық сандық эквиваленті:

Төрт балдық жүйе бойынша цифрлық баламаға сәйкес келетін білім алушылардың оқу жетістіктерін бағалаудың әріптік жүйесі:

Әріптік жүйе бойынша бағалар	Балдардың сандық эквиваленті	Балдар (%-тік құрамы)	Дәстүрлі жүйе бойынша бағалар
A	4.0	95-100	Өте жақсы
A-	3.67	90-94
B+	3.33	85-89	Жақсы
B	3.0	80-84
B-	2.67	75-79
C+	2.33	70-74
C	2.0	65-69	Қанағаттанарлық
C-	1.67	60-64
D+	1.33	55-59
D	1.0	50-54
FX	0.5	25-49	Қанағаттанарлықсыз
F	0	0-24

Дәріс сабақтарының тақырыптары

• Машиналық оқыту және деректерді талдау пәні мен міндеттері
• Негізгі принциптері, міндеттері мен тәсілдері, ғылым мен өндірістің әртүрлі салаларында қолданылуы
• Машиналық оқыту алгоритмдерінің эволюциясының негізгі кезеңдері
• Метрикалық классификатордың жалпы көрінісі
• Алгоритм K ближайших соседей
• Бекітілген кластер саны бар кластерлеу алгоритмдері
• Иерархическая кластеризация
• Ережелер мен сапаны талдау (дәлдік, толықтық)
• Шешім ағаштарын құру алгоритмі
• Перцептрон және бөлуші гипержазықтық
• Логистикалық регрессия
• Нейрондық желілер және градиенттік кері таралу алгоритмі
• Сызықтық регрессия
• Дауыс
• Монте-Карло іздеу

Негізгі әдебиет

• Андреас, Мюллер Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными / Мюллер Андреас. - М.: Альфа-книга, 2017. - 487 c.
• Себастьян, Рашка Python и машинное обучение / Рашка Себастьян. - М.: ДМК Пресс, 2017. - 614 c.
• Дэви Силен, Арно Мейсман, Мохамед Али, Основы Data Science и Big Data. Python и наука о данных. — СПб.: Питер, 2017. — 336 с
• Юре Лесковец, Ананд Раджараман, Джеффри Д. Ульман, Анализ больших наборов данных. — М.: ДМК Пресс, 2016. — 498 с.

Қосымша әдебиеттер

• Плас, Джейк Вандер Python для сложных задач. Наука о данных и машинное обучение. Руководство / Плас Джейк Вандер. - М.: Питер, 2018. - 759 c.
• Макшанов А.В. Технологии интеллектуального анализа данных. — М.: Лань. 2019. 212 с.
• Рафалович В. Data mining, или интеллектуальный анализ данных для занятых. Практический курс / В. Рафалович. — М.: SmartBook, 2018. — 352 c.