Study program: 122 Computer science

Degree: Bachelor

Type of module: lectures, seminars

Lecturer: Prof., Dr.S. Iryna Perova

Language: English

Credit Points: 5 ECTS

Descrpition: 

Topics covered (lectures and practical work) Topic 1. Artificial intelligence, intelligent systems, machine learning. Basic concepts; Topic 2. Anaconda Navigator, Python, introduction, modules; Topic 3. Python programming (simple data structures, DataFrames); Topic 4. Data preprocessing (standardization, outlier detection, fill in gaps etc.) (+practical work); Topic 5. Feature selection. Feature extraction; Topic 6. Data visualization (PCA, TSNE) (+practical work); Topic 7. Exploratory data analysis (EDA) (+practical work); Topic 8. Clustering (k-means, DBSCAN, hierarchical clustering etc). Metrics for clustering assessment (+practical work); Topic 9. Classification tasks (KNN, SVM, Naïve Bayes) (+practical work); Topic 10. Classification tasks (decision trees, Random forest model etc.). Metrics for classification tasks assessment (+practical work). Topic 11. Regression analysis (linear regression, logistic regression). Metrics (+practical work). Topic 12. Practical examples of ML implementation.

Розглянута тематика (лекції та практичні роботи) Тема 1. Штучний інтелект, інтелектуальні системи, машинне навчання. Основні поняття; Тема 2. Anaconda Navigator, Python, вступ, модулі; Тема 3. Програмування на Python (прості структури даних, DataFrames); Тема 4. Попередня обробка даних (стандартизація, виявлення викидів, заповнення пропусків тощо) (+практична робота); Тема 5. Виділення ознак. Вилучення ознак; Тема 6. Візуалізація даних (PCA, TSNE) (+практична робота); Тема 7. Дослідницький аналіз даних (EDA) (+практична робота); Тема 8. Кластеризація (k-середні, DBSCAN, ієрархічна кластеризація тощо). Метрики для оцінювання кластеризації (+практична робота); Тема 9. Класифікаційні завдання (KNN, SVM, Naive Bayes) (+практична робота); Тема 10. Класифікаційні задачі (дерева рішень, модель випадкового лісу тощо). Метрики оцінювання класифікаційних завдань (+практична робота). Тема 11. Регресійний аналіз (лінійна регресія, логістична регресія). Метрика (+практична робота). Тема 12. Практичні приклади впровадження ML.