Font size
A-
A
A+
Site color
R
A
A
A
Skip to main content
Side panel
Home
Calendar
More
English (en)
Українська (uk)
English (en)
Français (fr)
You are currently using guest access
Log in
Home
Calendar
Expand all
Collapse all
Лабораторна робота № 9. Дослідження методів узагальнення: LDA, SVD (LSA), PCA, t-SNE та ансамблевих методів: Random Forest, XGBoost, LightGBM, CatBoost, AdaBoost
Факультет автоматизації і інформаційних технологій
Кафедри
Кафедра інформаційних технологій
Магістр
F3 (122) Комп'ютерні науки
ШІ та ГМ
📚 МОДУЛЬ 3. ПЕРЕДОВІ МЕТОДИ У MACHINE LEARNING ТА DEEP LEARNING
Лабораторна робота № 9. Дослідження методів узагальнення: LDA, SVD (LSA), PCA, t-SNE та ансамблевих методів: Random Forest, XGBoost, LightGBM, CatBoost, AdaBoost
Open course index
Completion requirements
Click
9lb_n.pdf
link to view the file.
Previous activity
Спеціалізовані методи Machine Learning. Узагальнення. Ансамблеві методи. Reinforcement Learning [📺 Презентація]
Jump to...
Jump to...
Робоча програма 2025-2026
Робоча програма 2024-2025
Силабус 2024-2025
Конспект лекцій
Перелік питань до контролю
Форум новин
Приклад екзаменаційного бланку
Методичні вказівки до виконання курсової роботи
Методичні вказівки до виконання лабораторних робіт
Вступ в курс лекцій "Штучний інтелект та гібридні мережі" [📺 Презентація]
Лабораторна робота № 1. Інтегрований аналіз даних в Data Science: практичне застосування та візуалізація
Лабораторна робота № 1 [Google Colab🔗]
Data Science та підготовка даних [📺 Презентація]
Лабораторна робота № 2. Аналіз та візуалізація великих наборів даних
Лабораторна робота № 2 [Google Colab🔗]
Перевірка secret key
Основи Machine Learning та Deep Learning [📺 Презентація]
Лабораторна робота № 3. Використання Label Studio для анотації, класифікація та детекція об’єктів на зображеннях з використанням ResNet та Yolo
Лабораторна робота № 3 [Google Colab🔗]
Архітектура та проєктування нейронних мереж [📺 Презентація]
Лабораторна робота № 4. Оптимізація нейронних мереж: дослідження функцій активації та стратегій оптимізації
Лабораторна робота № 4 [Google Colab🔗]
Оптимізація та налаштування моделей [📺 Презентація]
Лабораторна робота № 5. Дослідження методів регресії: Linear Regression, Polynomial Regression, Ridge Regression та Lasso Regression
Лабораторна робота № 5 [Google Colab🔗]
Навчання та валідація моделей [📺 Презентація]
Лабораторна робота № 6. Дослідження методів класифікації: K-NN, Naive Bayes, SVM, Decision Trees, Logistic Regression
Лабораторна робота № 6 [Google Colab🔗]
Machine Learning з вчителем. Регресія та класифікація [📺 Презентація]
Лабораторна робота № 7. Дослідження методів кластеризації: K-Means, DBSCAN, Mean-Shift, Agglomerative Clustering, Fuzzy C-Means
Лабораторна робота № 7 [Google Colab🔗]
Machine Learning без вчителя. Кластеризація та асоціація [📺 Презентація]
Лабораторна робота № 8. Дослідження алгоритмів асоціативних правил: Apriori, FP-Growth
Лабораторна робота № 8 [Google Colab🔗]
Спеціалізовані методи Machine Learning. Узагальнення. Ансамблеві методи. Reinforcement Learning [📺 Презентація]
Лабораторна робота № 9 [Google Colab🔗]
Просунутий Deep Learning. Побудова та застосування нейромереж [📺 Презентація]
Лабораторна робота № 10. Моделювання нейронної мережі. Розв’язання класичної задачі «Титанік»
Лабораторна робота № 10 [Google Colab🔗]
Просунутий Deep Learning. Побудова та застосування нейромереж [📺 Презентація]
Лабораторна робота № 11. Моделювання нейронної мережі. Класифікація текстів з використанням RNN
Лабораторна робота № 11 [Google Colab🔗]
Просунутий Deep Learning. Побудова та застосування нейромереж [📺 Презентація]
Лабораторна робота № 12. Побудова та оптимізація нейронних мереж для класифікації зображень
Лабораторна робота № 12 [Google Colab🔗]
Просунутий Deep Learning. Побудова та застосування нейромереж [📺 Презентація]
Лабораторна робота № 13. Використання генеративних змагальних нейронних мереж (GANs) для створення зображень
Лабораторна робота № 13 [Google Colab🔗]
Просунутий Deep Learning. Побудова та застосування нейромереж [📺 Презентація]
Лабораторна робота № 14. Практичне застосування reinforcement learning у симуляціях
Лабораторна робота № 14 [GitHub 👾]
Просунутий Deep Learning. Побудова та застосування нейромереж [📺 Презентація]
Лабораторна робота № 15. Дослідження та застосування мультимодальних моделей для аналізу та генерації візуально-текстового контенту
Лабораторна робота № 15 [Google Colab🔗]
Дослідження платформи Hugging Face
HuggingFace
Розробка автономного AI-агента з довготривалою пам'яттю на базі smolagents
AI-Agent smolagents [GitHub 👾]
Дослідження екосистеми llamahub та створення AI-агента на базі llamaindex
AI-Agent llamaindex [GitHub 👾]
Розробка та розширення функціональності AI-агента з використанням langchain та langgraph
AI-Agent langchain&langgraph [GitHub 👾]
Google Colab
Label Studio
Keras
Tensorflow
Huggingface
Pytorch
Kaggle
Бібліотека КНУБА
AI-For-Beginners (Course, Microsoft)
ML-For-Beginners (Course, Microsoft)
Awesome Machine Learning and AI Courses (Courses, Stanford, Berkeley, Columbia etc.)
AI Agents for Beginners (Course, Microsoft)
Datacamp (Courses)
HuggingFace (Courses)
Next activity
Лабораторна робота № 9 [Google Colab🔗]
