Курсовая работа «Применение библиотек машинного обучения в интеллектуальном анализе» по дисциплине: «Технологии баз данных»

Отмеченные достоинства:
В работе рассмотрена взаимосвязь между интеллектуальным анализом данных и машинным обучением. Проведен обзор средств машинного обучения языка Рython, дан краткий обзор основных библиотек. В практической части дано описание построения классифицирующей нейронной сети. Востребованность классификации объясняется относительно простыми алгоритмами и методами ее реализации, а также, высокой интерпретируемостью результатов
Отмеченные недостатки:
Имеются незначительные погрешности в оформлении работы. В работе нет ссылок на используемую литературу
(приводится оценка качества выполнения курсовой работы (проекта); оценка полноты разработки поставленных вопросов, теоретической и практической значимости курсовойработы (проекта))
Заключение: работа соответствует требованиям, предъявляемым к подобного рода работам и может быть допущена к защите
Оценка курсовой работы (проекта) «отлично»
Руководитель (Лугуева А.С.) « 17 » апреля 2023г.
Содержание

1. Машинное обучение 6
1.1 Введение в машинное обучение 6
Общие принципы машинного обучения 7
1.2 Взаимосвязь между интеллектуальным анализом данных и машинным обучением 8
1.3 Обзор средств машинного обучения языка python 10
Преимущества python 11
Лучшие библиотеки Python для машинного обучения и AI 11
1.4 Краткий обзор основных библиотек 16
Реализация персептрона на Python 18
Набор данных за два месяца 19
Список литературы 25

Введение
В предложенной курсовой работе рассматривается тема реализация алгоритмов классификации с помощью средств языка Python. В настоящее время данная тема очень актуальна, что подтверждается массой различных применений.
Объектом данной курсовой работы является совокупность знаний об построение исследуемых алгоритмов, и анализ прикладного программного обеспечения для применения на практике.
Предметом исследования выступает механизм реализации, классифицирующей модели средствами языка Python.
Целью работы является разбор самых лучших библиотек машинного мышления в языке Python, а также реализация некоторых алгоритмов классификации.
Задачей является изучение алгоритмов и их реализация.
Для изучения данной темы использовались такие методы как сравнительной анализ теоретического материала, метод аналогии при изучении машинного обучения, а также моделирование нейронной сети.
В курсовой работе предлагается реализация модели персептрона Розенблатта на языке Python и его построение.

1. Машинное обучение