Цель изучения дисциплины | Теоретическое изучение и практическое усвоение наиболее эффективных алгоритмов Машинного обучения в рамках стандартов WorldSkills по компетенции "Машинное обучение и большие данные" |
---|---|
Место дисциплины в учебном плане | Б1.О.05 |
Формируемые компетенции | ПК-2 | Знания, умения и навыки, получаемые в результате освоения дисциплины |
Знать:
стандарты Ворлдскиллс и спецификацию стандартов Ворлдскиллс по компетенции; требования охраны труда и техники безопасности; тенденции и разработки в отрасли, включая новые технологии, методы, языки, условные обозначения и технические навыки; статистические методы обработки данных; регрессионный анализ; методы и алгоритмы машинного обучения; дискриминантный анализ; кластерный анализ; нейронные сети(топология); основы программирования на Python и R; основы работы с базами данных; BigData Visualization, LargeData Visualization, научную и информационную визуализацию; современные аппаратные средства и архитектуры для анализа и визуализации данных; важность тщательного документирования разработанных решений. Уметь:
соблюдать требования охраны труда и техники безопасности; планировать производственный график на каждый день в соответствии с доступным временем и принимать во внимание временные ограничения и крайние сроки; применять исследовательские технологии и навыки, чтобы иметь представление о самых последних отраслевых рекомендациях; использовать коммуникационные навыки при работе в команде для сотрудничества с другими специалистами для получения желаемых результатов, успешной работы над групповым решением проблем; использовать навыки управления проектами в расстановке приоритетов и графика выполнения задач, распределении ресурсов между задачами; использовать аналитические навыки для анализа и синтеза с ложной или неоднородной информации, определять тривиальные и нетривиальные зависимости данных; использовать современные программные продукты для построения математических моделей; использовать программное обеспечение для проектирования и моделирования; работать в операционной системе Linux; обрабатывать информацию и данные; выявлять аномалии в данных; масштабировать модели; строить деревья решений; производить компонентный анализ; применять математические методы в решении практических задач; разрабатывать алгоритмы машинного обучения и анализа данных; применять методы анализа данных и машинного обучения; выполнять распознавание изображений; реализовывать нейронные сети; реализовывать ботов; разрабатывать алгоритмы и математические модели; осуществлять оценку разработанных решений; представлять сложные структуры, а также объекты особого интереса, особые точки, аттракторы, сингулярности; выполнять верификацию и валидацию визуализации; интерпретировать результаты решения; интерпретировать большие данные и изображения; проявлять профессионализм в подготовке документации; разрабатывать документацию пользователей; работать с технической документацией на английском языке. Иметь навыки и (или) опыт деятельности (владеть):
владения языком программирования Python; инструментами datas science – jupyter notebook, jupyterlab, PyCharm; Python-фреймворками и библиотеками анализа данных, их визуализации и машинного обучения – Pandas, Numpy, Sklearn |
Содержание дисциплины | Подготовка данных к анализу. Алгоритмы и модели машинного обучения. Разработка прикладного решения. |
Виды учебной работы | Лекции, лабораторные, самостоятельная работа. |
Используемые информационные, инструментальные и программные средства |
Браузер (Google Chrome,
Яндекс.Браузер)Microsoft Office 2010 (Office 2010 Professional, № 4065231 от 08.12.2010), (бессрочно); Microsoft Windows 7 (Windows 7 Professional, № 61834699 от 22.04.2013), (бессрочно); Chrome (http://www.chromium.org/chromium-os/licenses), (бессрочно); 7-Zip (http://www.7-zip.org/license.txt), (бессрочно); AcrobatReader (http://wwwimages.adobe.com/content/dam/Adobe/en/legal/servicetou/Acrobat_com_Additional_TOU-en_US-20140618_1200.pdf), (бессрочно); ASTRA LINUX SPECIAL EDITION (https://astralinux.ru/products/astra-linux-special-edition/), (бессрочно); LibreOffice (https://ru.libreoffice.org/), (бессрочно); Веб-браузер Chromium (https://www.chromium.org/Home/), (бессрочно); Антивирус Касперский (https://www.kaspersky.ru/), (до 23 июня 2024); Архиватор Ark (https://apps.kde.org/ark/), (бессрочно); Okular (https://okular.kde.org/ru/download/), (бессрочно); Редактор изображений Gimp (https://www.gimp.org/), (бессрочно) Профессиональные базы данных, информационно-справочные системы
1. Цифровая библиотека научно-технических изданий Института инженеров по электротехнике и радиоэлектронике (Institute of Electrical and Electronic Engineers (IEEE)) на английском языке – http://www.ieee.org/ieeexplore 2. Oxford University Press – http://www.oxfordjournals.org/en/ 3. Архив препринтов с открытым доступом – https://arxiv.org/ Материалы для лиц с ОВЗ Весь контент ЭБС представлен в виде файлов специального формата для воспроизведения синтезатором речи, а также в тестовом виде, пригодном для прочтения с использованием экранной лупы и настройкой контрастности. Базы данных, информационно-справочные и поисковые системы 1. Academic Search Ultimate EBSCO publishing – http://search.ebscohost.com 2. eBook Collections Springer Nature – https://link.springer.com/ 3. Гугл Академия – https://scholar.google.ru/ 4. СПС КонсультантПлюс (инсталлированный ресурс АлтГУ или http://www.consultant.ru/). 5. Электронная база данных «Scopus» (http://www.scopus.com); 6. Электронная библиотечная система Алтайского государственного университета (http://elibrary.asu.ru/); 7. Электронный научный архив УрФУ – https://elar.urfu.ru/ 8. Зональная научная библиотека (УрФУ) – http://lib2.urfu.ru/ 9. Портал информационно-образовательных ресурсов УрФУ – study.urfu.ru 10. Электронно-библиотечная система «Лань» – e.lanbook.com 11. Университетская библиотека ONLINE – biblioclub.ru 12. Электронно-библиотечная система "Библиокомплектатор" (IPRbooks) – bibliocomplectator.ru/available 13. Электронные информационные ресурсы Российской государственной библиотеки – www.rsl.ru 14. Научная электронная библиотека – http://elibrary.ru/ 15. Научная электронная библиотека «КиберЛенинка» – https://cyberleninka.ru/ 16. Web of Science Core Collection – http://apps.webofknowledge.com/ |
Форма промежуточной аттестации | Зачет. |