Відкрита лекція з машинного навчання на кафедрі економічної кібернетики

17 березня 2025 року відбулася згідно встановленого графіку відкрита лекція професора кафедри економічної кібернетики Володимира Миколайовича Кравченка. Відкрита лекція проходила в рамках вибіркової для магістрів всіх освітніх програм НУБіП України дисципліни “Машинне навчання” на тему “Класифікація. Дерева рішень”. Заняття пройшло в дистанційному форматі з використанням платформи відеоконференцій Google Meet.

 

 

Лектор розпочав із пояснення суті класифікації, яка полягає у розподілі об'єктів на дискретні класи на основі певних характеристик. Це фундаментальна задача в машинному навчанні, що знаходить застосування в різних галузях, таких як розпізнавання зображень, обробка природної мови та прогнозування. Особливу увагу було приділено таким метрикам оцінки якості класифікатора, як: позитивна точність (precision), повнота (recall), F1-міра (f1-score) та загальна точність (accuracy). Ці метрики є критично важливими для розуміння продуктивності класифікатора та вибору найкращого алгоритму для конкретної задачі.

 

 

Значну частину лекції було присвячено деревам рішень – потужному та зрозумілому методу класифікації. Лектор докладно пояснив сутність та особливості його застосування. Це – модель, яка створює послідовність правил для класифікації об'єктів. Кожне правило базується на значенні певного атрибуту, що дозволяє зробити перехід до наступного вузла дерева або безпосередньо до результату класифікації. Разом з тим, студенти ознайомились з процесом побудови дерева рішень, який включає такі ключові операції, як: обчислення ентропії або індексу Джині, вимірювання інформаційного виграшу, вибір найкращого атрибуту.

 

 

Важливою складовою лекції була інтерактивна взаємодія зі студентами. Лектор регулярно задавав питання аудиторії та детально розбирав отримані відповіді, що сприяло кращому засвоєнню матеріалу. Особливу цінність представляли практичні приклади застосування дерев рішень у реальних задачах класифікації в різних прикладних областях, які продемонстрували їх переваги і обмеження. Професор також поділився власним досвідом використання цього методу, що допомогло студентам краще зрозуміти практичну значимість вивченого матеріалу.