Аннотация рабочей программы дисциплины
«Машинное обучение и большие данные»

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

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/