Хичээлийн код ба нэр хөтөлбөр

Хичээлийн товч мэдээлэл

Хичээлийн код	KCS5101
Хичээлийн нэр	Хиймэл оюун 2
Багшийн овог нэр	Б.Далай-Очир
Анги	5-5
Улиралд хэдэн удаа	1-р улиралд долоо хоногт 2 удаа
Лекцийн тоо	32 удаа (64 цаг)
Хүрэх түвшин	1, 2, 3, 4, 5, 6
Хичээлийн товч агуулга	Хиймэл оюун ухааны дэвшилтэт ойлголт, алгоритм, хэрэглээг судлахад чиглэнэ. Оюутнууд машин сургалт, нейрон сүлжээ, өгөгдөл боловсруулах, загвар сургах болон үнэлэх аргачлалуудыг эзэмшиж, бодит асуудал дээр хэрэгжүүлэх чадвартай болно.
Суурь мэдлэг	Хиймэл оюун ба пайтон

Хичээлийн агуулга

Долоо хоногийн дугаар	Хичээлийн сэдэв	Агуулга
1	Artificial Intelligence Review	Хичээлийн зорилго, бүтэц болон хиймэл оюун ухааны суурь ойлголт, хэрэглээний жишээнүүдийг танилцуулна.
2	Neural Network Review	Машин сургалтын үндсэн төрлүүд (supervised, unsupervised, reinforcement) болон өгөгдлийн ойлголтыг судална.
3	Natural Language Processing Fundamentals	Regression алгоритмын үндэс, ялангуяа Linear Regression болон алдааны хэмжүүрүүдийг судална.
4	Text Preprocessing	Classification асуудал, Logistic Regression болон ангиллын загваруудыг хэрэгжүүлж сурна.
5	Distributed Word Representations	Decision Tree болон Random Forest алгоритмуудын зарчим, хэрэглээг судална.
6	Language Model Fundamentals	Машин сургалтын моделийг үнэлэх арга (accuracy, precision, recall, F1-score)-ыг ашиглаж сурна.
7	Text Generation Evaluation Methods	Feature engineering болон өгөгдөл боловсруулах (preprocessing) аргуудыг практикт хэрэглэнэ.
8	word2vec	Завсрын шалгалтаар өмнөх сэдвүүдийн онол болон практик мэдлэгийг үнэлнэ.
9	Speeding up word2vec	Neural Network-ийн үндсэн бүтэц, нейрон, activation function ойлголтыг судална.
10	Recurrent Neural Networks (RNN)	Deep Learning-ийн зарчим, backpropagation болон сургалтын параметрүүдийг ойлгож хэрэгжүүлнэ.
11	Gated RNN	Convolutional Neural Network (CNN)-ийн бүтэц болон зураг боловсруулах хэрэглээг судална.
12	Text Generation with RNN	Recurrent Neural Network (RNN) болон дараалсан өгөгдөл боловсруулах аргуудыг судална.
13	Syntax Analysis	Natural Language Processing (NLP)-ийн үндэс болон текст өгөгдөл боловсруулах аргуудыг хэрэглэнэ.
14	Text Mining	Хиймэл оюун ухааны бодит хэрэглээ болон ёс зүйн асуудлуудыг хэлэлцэнэ.
15	Project	Оюутнууд багийн төслийг боловсруулж, модел бүтээж туршина.
16	Reinforcement Learning Fundamentals	Төслийн хамгаалалт хийж, эцсийн үнэлгээ хийгдэнэ.
17

Хичээлийн зорилт

1	Байгалийн хэл боловсруулалтын үндэс, текстийн урьдчилан боловсруулалт, синтакс шинжилгээ болон текст олборлолтын үндсэн аргуудыг ойлгож хэрэгжүүлэх чадварыг эзэмших.
2	Үгийн тархмал дүрслэл, word2vec болон хэлний загварын үндсийг ашиглан текст өгөгдлийг тоон дүрслэлд хөрвүүлэх, үр дүнг үнэлэх чадварыг эзэмших.
3	RNN болон Gated RNN загварыг ашиглан дараалсан өгөгдөл боловсруулах, текст үүсгэх загвар байгуулах болон үнэлэх чадварыг эзэмших.
4	Reinforcement Learning-ийн суурь ойлголт, агент–орчин–шагналын харилцан үйлчлэлийг тайлбарлаж, жижиг хэмжээний төсөлд өмнөх мэдлэгүүдийг нэгтгэн хэрэгжүүлэх чадварыг эзэмших.

RUBRIC үнэлгээ

	Бүрэн эзэмшсэн түвшин (А,В)	Стандарт түвшин (C,D )	Зорилтыг биелүүлээгүй түвшин (F)
Зорилт 1	NLP-ийн үндсэн ойлголт, текстийн урьдчилан боловсруулалт, синтакс шинжилгээ, текст олборлолтын аргуудыг зөв сонгон бие даан хэрэгжүүлж, үр дүнг тайлбарлаж чаддаг.	Текст боловсруулах үндсэн алхмуудыг хэрэгжүүлж чаддаг боловч арга сонголт, тайлбар дутмаг.	NLP болон текстийн урьдчилан боловсруулалтын үндсэн ойлголт, хэрэгжилт хангалтгүй.
Зорилт 2	word2vec болон хэлний загварын үндсийг зөв ашиглаж, үгийн дүрслэл байгуулан үр дүнг үндэслэлтэй үнэлж чаддаг.	Үгийн дүрслэл болон хэлний загварын үндсэн туршилтыг хийж чаддаг боловч үнэлгээ, тайлбар дутмаг.	Үгийн тархмал дүрслэл, word2vec болон хэлний загвар ашиглах чадвар хангалтгүй.
Зорилт 3	RNN/Gated RNN загвар байгуулж, текст үүсгэх болон дараалсан өгөгдөл боловсруулах даалгаварт тохируулан сургаж, үр дүнг үнэлж чаддаг.	RNN төрлийн загвар байгуулж ажиллуулдаг боловч параметр тохируулга, үр дүнгийн шинжилгээ сул.	RNN төрлийн загварын бүтэц, сургалт болон хэрэглээний ойлголт хангалтгүй.
Зорилт 4	Reinforcement Learning-ийн үндсэн ойлголтыг зөв тайлбарлаж, агент–орчны харилцан үйлчлэлийг загварчилж, төслийн даалгаварт мэдлэгээ нэгтгэн хэрэгжүүлдэг.	RL-ийн үндсэн ойлголтыг тайлбарлаж, энгийн жишээ хэрэгжүүлдэг боловч төслийн нэгтгэл, тайлбар дутмаг.	Reinforcement Learning-ийн үндсэн ойлголт болон практик хэрэглээ хангалтгүй.

Үнэлгээний задаргаа

	Өөрийгөө илэрхийлэх	Идэвхи	Даалгавар	Явцын шалгалт	Улирлын шалгалт	Нийт
Нийлбэр үнэлгээ		10	30	30	30	100
Суурь чадвар		5	20	15	15	55
Мэргэшсэн чадвар		5	10	15	10	40
Салбар бүрийн өргөн мэдлэг		0	0	0	5	5

Сургалтын хөтөлбөрийн бодлогын зорилт	(1), (2), (3), (4)
Тэнхмийн сургалтын хөтөлбөрийн бодлогын зорилт	(1), (2), (3), (4)

Сурах бичиг	Andress C.Muller(著者), Sarah Guido(著者), 中田秀基(訳者), Pythonではじめる機械学習-scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎、株式会社オラーリー・ジャパン, 2018年
Санал болгох ном	①斎藤康毅,ゼロから作るDeep Learning – Pythonで学ぶディープラーニングの理論と実装,株式会社オーム
Хичээл явуулах хэлбэр	Хичээлийг семинар хэлбэрээр явуулна.
Хичээлийн холбоос	Хиймэл оюун 1
Оюутан бэлтгэх зүйл	Семинар тэмдэглэх дэвтэр, үзэг, харандаа, хичээлийн классрүүмлүү орж бие даалт болон хичээлийн материалыг үзэх.
Бие дааж сурах заавар	Хичээл дээр заасан агуулгыг давтан үзэж, заасан дасгал ажлыг давтах.
Оффисийн цаг	7:50-16:00
Бусад

Great stories have a personality. Consider telling a great story that provides personality. Writing a story with personality for potential clients will assist with making a relationship connection. This shows up in small quirks like word choices or phrases. Write from your point of view, not from someone else's experience.

Great stories are for everyone even when only written for just one person. If you try to write with a wide, general audience in mind, your story will sound fake and lack emotion. No one will be interested. Write for one person. If it’s genuine for the one, it’s genuine for the rest.