Вдосконалення знань з математики і здатність мислити як аналітик, вміння використовувати алгоритми машинного навчання для вирішення завдань з різних галузей. Вміння ставити гіпотези і робити висновки на основі даних, перетворювати необроблені дані в корисну інформацію.

Що буде вивчатися 

• Моделi нейроелементiв: Загальна характеристика та основнi принципи побудови нейромереж та їх класифікація. Властивостi штучних нейромереж. Навчання нейромереж. Одношарові мережі. Бiологiчнi нейрони та їх фiзичнi моделi. Математичнi моделi нейроелементiв.
• Нейронні мережі прямого поширення: Багатошарові мережі. Багатошаровий персептрон: модель i принципи побудови архiтектури. Алгоритм зворотного поширення помилки. Градiєнтнi алгоритми навчання багатошарових нейромереж.  Радіально-базисні мережі. Моделi та принципи синтезу архiтектури радiально-базисних нейромереж. Методи навчання радiально-базисних нейромереж.
• Повнозв’язні нейронні мережі: Мережі Хопфілда. Бiнарнi повнозв'язнi нейромережi Хопфiлда. Мережі Ельмана. Застосування НМ для асоціативного пошуку iнформацiї.
• Нейроннi мережi Кохонена: Карти Кохонена. Карти ознак самоорганiзацiїї Кохонена: нейронна мережа SOM. 

У результаті вивчення студент буде

знати:

• - нейромережні методи інтелектуальної обробки даних; методи обробки результатів нейромоделювання;
• - критерії оцінювання точності і адекватності нейромоделей; типи нейромоделей; елементи теорії штучних нейромереж;
• - розподільні обчислення на основі нейронних мереж;
• - моделi нейроелементiв та їхнi властивостi;
• - моделi та методи навчання штучних нейромереж;
• - сучаснi програмнi засоби для побудови нейромережевих моделей.

вміти:

• – володіти методами та технологіями організації та застосування даних у задачах штучного інтелекту;
• – застосовувати емпіричні методи та засоби інженерії програмних засобів для створення інтелектуальних cистем;
• – вирішувати задачі автоматизації підтримки прийняття рішень, розпізнавання образів, діагностики, класифікації та аналізу даних;
• – використовувати методи ідентифікації та класифікації інформації;
• – обґрунтовувати та аналiзувати вибiр конкретного типу моделi та методу навчання нейромережi для вирiшення вiдповiдних практичних задач.

Після вивчення засвоєння дисципліни студент зможе:

• – будувати моделі прийняття рішень на основі нейромереж ;
• – вирішувати задачі автоматизації підтримки прийняття рішень,  діагностики, класифікації та аналізу даних на основі нейромереж. 
• – використовувати нейроннi мережi та еволюцiйнi алгоритми для вирiшення практичних задач технiчної та бiомедичної дiагностики, прогнозування у економiцi, технiцi, соцiологiї.
•  – аналiзувати результати побудови та використання нейромережевих моделей й вирiшення оптимiзацiйних задач на основi еволюцiйних алгоритмів.