МИНОБРНАУКИ РОССИИ
федеральное государственное бюджетное образовательное учреждение высшего образования
«Алтайский государственный университет»

Искусственный интеллект

рабочая программа дисциплины
Закреплена за кафедройКафедра отечественной истории
Направление подготовки09.04.03. Прикладная информатика
ПрофильАнализ данных и разработка цифровых медиа
Форма обученияОчная
Общая трудоемкость3 ЗЕТ
Учебный план09_04_03_Прикладная информатика_АДРЦМ-2023
Часов по учебному плану 108
в том числе:
аудиторные занятия 32
самостоятельная работа 76
Виды контроля по семестрам
зачеты: 2

Распределение часов по семестрам

Курс (семестр) 1 (2) Итого
Недель 17
Вид занятий УПРПДУПРПД
Лекции 10 10 10 10
Практические 22 22 22 22
Сам. работа 76 76 76 76
Итого 108 108 108 108

Программу составил(и):
д.и.н., Профессор, Владимиров В.Н.;Сливный Д.И.

Рецензент(ы):
к.и.н., Доцент, Неженцева Н.В.

Рабочая программа дисциплины
Искусственный интеллект

разработана в соответствии с ФГОС:
Федеральный государственный образовательный стандарт высшего образования - магистратура по направлению подготовки 09.04.03 Прикладная информатика (приказ Минобрнауки России от 19.09.2017 г. № 916)

составлена на основании учебного плана:
09.04.03 Прикладная информатика
утвержденного учёным советом вуза от 26.06.2023 протокол № 4.

Рабочая программа одобрена на заседании кафедры
Кафедра отечественной истории

Протокол от 30.06.2023 г. № 9
Срок действия программы: 2023-2024 уч. г.

Заведующий кафедрой
Демчик Евгения Валентиновна


Визирование РПД для исполнения в очередном учебном году

Рабочая программа пересмотрена, обсуждена и одобрена для
исполнения в 2023-2024 учебном году на заседании кафедры

Кафедра отечественной истории

Протокол от 30.06.2023 г. № 9
Заведующий кафедрой Демчик Евгения Валентиновна


1. Цели освоения дисциплины

1.1.Целью освоения дисциплины «Искусственный интеллект» является ознакомление с базовыми принципами работы искусственного интеллекта.
Задачи курса:
- изучение основных этапов развития теории искусственного интеллекта;
- рассмотрение основных задач, решаемых системами искусственного интеллекта;
- изучение основ разработки моделей представления знаний при построении интеллектуальных систем;
- изучение особенностей разработки моделей предметных областей при построении интеллектуальных систем.

2. Место дисциплины в структуре ООП

Цикл (раздел) ООП: Б1.О.03

3. Компетенции обучающегося, формируемые в результате освоения дисциплины

ОПК-1Способен самостоятельно приобретать, развивать и применять математические, естественнонаучные, социально-экономические и профессиональные знания для решения нестандартных задач, в том числе в новой или незнакомой среде и в междисциплинарном контексте;
ОПК-1.1 Знает математические, естественнонаучные и социально-экономические методы для решения задач в профессиональной деятельности
ОПК-1.2 Умеет решать нестандартные профессиональные задачи с применением математических, естественнонаучных социально-экономических и профессиональных знаний
ОПК-1.3 Способен самостоятельно применять математические, естественнонаучные, социально-экономические и профессиональные знания для решения задач профессиональной деятельности в междисциплинарном контексте
ОПК-2Способен разрабатывать оригинальные алгоритмы и программные средства, в том числе с использованием современных интеллектуальных технологий, для решения профессиональных задач;
ОПК-2.1 Знает современные интеллектуальные технологии
ОПК-2.2 Умеет обосновывать выбор современных интеллектуальных технологий и программной среды при разработке оригинальных программных средств для решения профессиональных задач
ОПК-2.3 Владеет опытом разработки оригинальных алгоритмов и программных средств, в том числе с использованием современных интеллектуальных технологий, для решения профессиональных задач
ОПК-6Способен исследовать современные проблемы и методы прикладной информатики и развития информационного общества;
ОПК-6.1 Знает современные проблемы и методы прикладной информатики
ОПК-6.2 Умеет проводить анализ проблем развития информационного общества
УК-1Способен осуществлять критический анализ проблемных ситуаций на основе системного подхода, вырабатывать стратегию действий
УК-1.1 Знает методы и основные принципы критического анализа и оценки проблемных ситуаций на основе системного подхода
УК-1.2 Анализирует проблемную ситуацию как систему, выявляя ее составляющие и связи внутри; осуществляет поиск вариантов решения поставленной проблемной ситуации; определяет стратегию достижения поставленной цели
УК-1.3 Применяет навыки критического анализа проблемных ситуаций на основе системного подхода и определяет стратегию действий для достижения поставленной цели
В результате освоения дисциплины обучающийся должен
3.1.Знать:
3.1.1.– Современные методы анализа данных
– Современные методы принятия решений
3.2.Уметь:
3.2.1.– ориентироваться в подходах к созданию систем искусственного интеллекта, основанных на знании и семантических сетях;
–ориентироваться в алгоритмических основах интеллектуальных систем, а также проектировании сложных информационных систем с использованием искусственного интеллекта;
3.3.Иметь навыки и (или) опыт деятельности (владеть):
3.3.1.– навыки работы с системами искусственного интеллекта

4. Структура и содержание дисциплины

Код занятия Наименование разделов и тем Вид занятия Семестр Часов Компетенции Литература
Раздел 1. Искусственный интеллект
1.1. Введение в искусственный интеллект Лекции 2 2 ОПК-6.1, ОПК-6.2, ОПК-2.1, ОПК-2.2, ОПК-2.3, ОПК-1.1, ОПК-1.2, ОПК-1.3, УК-1.1, УК-1.2, УК-1.3 Л1.1, Л1.2
1.2. Введение в искусственный интеллект Практические 2 4 ОПК-6.1, ОПК-6.2, ОПК-2.1, ОПК-2.2, ОПК-2.3, ОПК-1.1, ОПК-1.2, ОПК-1.3, УК-1.1, УК-1.2, УК-1.3 Л1.1, Л1.2
1.3. Нейронные сети: основы работы с библиотекой Keras Лекции 2 2 ОПК-6.1, ОПК-6.2, ОПК-2.1, ОПК-2.2, ОПК-2.3, ОПК-1.1, ОПК-1.2, ОПК-1.3, УК-1.1, УК-1.2, УК-1.3 Л1.1, Л1.2
1.4. Нейронные сети: основы работы с библиотекой Keras Практические 2 4 ОПК-6.1, ОПК-6.2, ОПК-2.1, ОПК-2.2, ОПК-2.3, ОПК-1.1, ОПК-1.2, ОПК-1.3, УК-1.1, УК-1.2, УК-1.3 Л1.1, Л1.2
1.5. Нейронные сети: основы работы с библиотекой TensorFlow Лекции 2 2 ОПК-6.1, ОПК-6.2, ОПК-2.1, ОПК-2.2, ОПК-2.3, ОПК-1.1, ОПК-1.2, ОПК-1.3, УК-1.1, УК-1.2, УК-1.3 Л1.1, Л1.2
1.6. Нейронные сети: основы работы с библиотекой TensorFlow Практические 2 4 ОПК-6.1, ОПК-6.2, ОПК-2.1, ОПК-2.2, ОПК-2.3, ОПК-1.1, ОПК-1.2, ОПК-1.3, УК-1.1, УК-1.2, УК-1.3 Л1.1, Л1.2
1.7. CNN – Сверточные нейронные сети Лекции 2 2 ОПК-6.1, ОПК-6.2, ОПК-2.1, ОПК-2.2, ОПК-2.3, ОПК-1.1, ОПК-1.2, ОПК-1.3, УК-1.1, УК-1.2, УК-1.3 Л1.1, Л1.2
1.8. CNN – Сверточные нейронные сети Практические 2 4 ОПК-6.1, ОПК-6.2, ОПК-2.1, ОПК-2.2, ОПК-2.3, ОПК-1.1, ОПК-1.2, ОПК-1.3, УК-1.1, УК-1.2, УК-1.3 Л1.1, Л1.2
1.9. RNN – рекуррентные нейронные сети Лекции 2 2 ОПК-6.1, ОПК-6.2, ОПК-2.1, ОПК-2.2, ОПК-2.3, ОПК-1.1, ОПК-1.2, ОПК-1.3, УК-1.1, УК-1.2, УК-1.3 Л1.1, Л1.2
1.10. RNN – рекуррентные нейронные сети Практические 2 6 ОПК-6.1, ОПК-6.2, ОПК-2.1, ОПК-2.2, ОПК-2.3, ОПК-1.1, ОПК-1.2, ОПК-1.3, УК-1.1, УК-1.2, УК-1.3 Л1.1, Л1.2
1.11. Изучение литературы по курсу. Подготовка к зачету Сам. работа 2 76 ОПК-6.1, ОПК-6.2, ОПК-2.1, ОПК-2.2, ОПК-2.3, ОПК-1.1, ОПК-1.2, ОПК-1.3, УК-1.1, УК-1.2, УК-1.3 Л1.1, Л1.2

5. Фонд оценочных средств

5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины
ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ УК-1: Способен осуществлять критический анализ проблемных ситуаций на основе системного подхода, вырабатывать стратегию действий

ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА:
1. Какой подход в искусственном интеллекте используется для обработки и анализа текстовых данных?
A. Нейронные сети
B. Генетические алгоритмы
C. Символьное программирование
D. Вероятностные методы
Ответ: C. Символьное программирование

2. Какой метод машинного обучения используется для классификации данных в неявном виде?
A. Нейронные сети
B. Решающие деревья
C. Метод опорных векторов
D. Генетические алгоритмы
Ответ: C. Метод опорных векторов

3. В какой области искусственный интеллект может использоваться для автоматизации процессов медицинской диагностики?
A. Информационная безопасность
B. Техническое зрение
C. Речевые технологии
D. Биомедицина
Ответ: D. Биомедицина

4. Какая стратегия действий помогает в искусственном интеллекте в разработке решений на основе больших объемов данных?
A. Обратная связь
B. Прогнозирование
C. Системный анализ
D. Эвристика
Ответ: B. Прогнозирование

5. Какая проблема может возникнуть при использовании систем искусственного интеллекта, связанная с этическими аспектами?
A. Низкая точность моделей
B. Нарушение конфиденциальности данных
C. Недостаточное понимание принципов работы искусственного интеллекта
D. Отсутствие обратной связи
Ответ: B. Нарушение конфиденциальности данных

6. Какой метод машинного обучения может использоваться для определения образцов в данных без явного программирования правил?
A. Генетические алгоритмы
B. Нейронные сети
C. Решающие деревья
D. Вероятностные методы
Ответ: B. Нейронные сети

7. Какая стратегия действий помогает в анализе проблемных ситуаций в искусственном интеллекте, учитывая взаимосвязи между компонентами системы?
A. Прогнозирование
B. Обратная связь
C. Системный анализ
D. Эвристика
Ответ: C. Системный анализ

8. Какой метод машинного обучения использует статистическую модель, чтобы оценить вероятность классификации?
A. Нейронные сети
B. Генетические алгоритмы
C. Символьное программирование
D. Вероятностные методы
Ответ: D. Вероятностные методы

9. В какой области искусственный интеллект может применяться для автоматизации процессов обработки голосовой информации?
A. Робототехника
B. Медицина
C. Речевые технологии
D. Техническое зрение
Ответ: C. Речевые технологии

10. Какая проблема может возникнуть при разработке систем искусственного интеллекта, связанная с недостаточным пониманием принципов работы?
A. Низкая точность моделей
B. Нарушение конфиденциальности данных
C. Недостаточное понимание принципов работы искусственного интеллекта
D. Отсутствие обратной связи
Ответ: C. Недостаточное понимание принципов работы искусственного интеллекта

11. Каким методом искусственный интеллект может использоваться для распознавания образов и объектов на изображениях?
A. Нейронные сети
B. Генетические алгоритмы
C. Метод опорных векторов
D. Символьное программирование
Ответ: A. Нейронные сети

12. Какая стратегия действий помогает в искусственном интеллекте в определении целей и выборе наиболее эффективного пути для достижения этих целей?
A. Прогнозирование
B. Обратная связь
C. Системный анализ
D. Эвристика
Ответ: D. Эвристика

13. Какой метод машинного обучения использует эвристики и метаэвристики для поиска оптимальных решений в сложных задачах?
A. Нейронные сети
B. Генетические алгоритмы
C. Решающие деревья
D. Вероятностные методы
Ответ: B. Генетические алгоритмы

14. В какой области искусственный интеллект может использоваться для улучшения безопасности информации и обнаружения вредоносных программ?
A. Информационная безопасность
B. Медицина
C. Речевые технологии
D. Биомедицина
Ответ: A. Информационная безопасность

15. Какая проблема может возникнуть при использовании систем искусственного интеллекта, связанная с низкой точностью прогноза или классификации?
A. Низкая точность моделей
B. Нарушение конфиденциальности данных
C. Недостаточное понимание принципов работы искусственного интеллекта
D. Отсутствие обратной связи
Ответ: A. Низкая точность моделей

ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА:

1. Что такое искусственный интеллект?
Ответ: Искусственный интеллект - это область компьютерных наук, изучающая создание интеллектуальных систем и программ, способных смоделировать человеческий интеллект и выполнять задачи, требующие такого интеллекта.

2. Какие основные методы машинного обучения используются в искусственном интеллекте?
Ответ: Основные методы машинного обучения, используемые в искусственном интеллекте, включают нейронные сети, метод опорных векторов, решающие деревья и генетические алгоритмы.

3. Как системный подход помогает в анализе проблемных ситуаций в искусственном интеллекте?
Ответ: Системный подход в искусственном интеллекте позволяет рассмотреть проблему в контексте всей системы, учитывая взаимосвязи между ее компонентами. Это помогает выявить потенциальные проблемы и определить наилучшую стратегию действий.

4. Какие задачи можно решать с помощью искусственного интеллекта?
Ответ: Искусственный интеллект может использоваться для решения различных задач, таких как обработка естественного языка, компьютерное зрение, робототехника, автоматизация медицинской диагностики и другие.

5. Какие этические вопросы связаны с применением искусственного интеллекта?
Ответ: Применение искусственного интеллекта вызывает вопросы, связанные с конфиденциальностью данных, решением этических дилемм, прозрачностью принятия решений и ответственностью за возможные ошибки или вред, причиненный автоматическими системами.

6. Какой метод машинного обучения использует статистическую модель и оценивает вероятность классификации данных?
Ответ: Вероятностные методы, такие как наивный Байесовский классификатор, используют статистическую модель для оценки вероятности классификации данных.

7. Что такое нейронные сети и как они используются в искусственном интеллекте?
Ответ: Нейронные сети - это модели, имитирующие работу нейронов в головном мозге. Они используются в искусственном интеллекте для обработки данных и решения сложных задач, таких как распознавание образов или голосовое управление.

8. Какая роль играет обратная связь в искусственном интеллекте?
Ответ: Обратная связь позволяет системам искусственного интеллекта улучшать свои модели и прогнозы в процессе обучения или работы. Он помогает корректировать ошибки и улучшать результаты.

9. Что такое генетические алгоритмы и как они применяются в искусственном интеллекте?
Ответ: Генетические алгоритмы - это эволюционные алгоритмы, которые используют методы аналогичные эволюции в природе. Они применяются в искусственном интеллекте для решения оптимизационных задач и поиска наилучших решений в сложных проблемах.

10. Какой подход используется в искусственном интеллекте для обработки и анализа текстовых данных?
Ответ: Для обработки и анализа текстовых данных в искусственном интеллекте используется символьное программирование.

11. Какая проблема может возникнуть при использовании систем искусственного интеллекта, связанная с недостаточным пониманием принципов работы?
Ответ: Недостаточное понимание принципов работы искусственного интеллекта может привести к неправильному использованию, низкой уверенности в результатах или сложностям при интерпретации выводов системы.

12. Какая стратегия действий помогает в искусственном интеллекте в разработке решений на основе больших объемов данных?
Ответ: Прогнозирование - это стратегия действий, которая помогает в искусственном интеллекте использовать данные для создания моделей и прогнозирования будущих результатов.

13. Какая проблема может возникнуть при использовании систем искусственного интеллекта, связанная с низкой точностью моделей?
Ответ: Низкая точность моделей может возникнуть из-за недостаточного количества или качества данных, неправильного выбора алгоритмов или некорректной предобработки данных.

14. Какая стратегия действий помогает в анализе проблемных ситуаций в искусственном интеллекте, учитывая взаимосвязи между компонентами системы?
Ответ: Системный анализ - это стратегия действий, которая помогает в искусственном интеллекте анализировать проблемные ситуации, учитывая взаимосвязи между компонентами системы. Он позволяет рассмотреть проблему в контексте всей системы и определить влияние изменений на другие компоненты.

15. Какие принципы этического решения проблем можно применить в искусственном интеллекте?
Ответ: При решении этических проблем в искусственном интеллекте можно применить принципы справедливости, приватности данных, прозрачности принятия решений и ответственности за возможные ошибки или вред, причиненный автоматическими системами.

16. Что такое обучение с подкреплением и как оно применяется в искусственном интеллекте?
Ответ: Обучение с подкреплением - это метод машинного обучения, в котором агент взаимодействует с окружающей средой, получая положительные или отрицательные отклики на свои действия. Оно применяется в искусственном интеллекте для разработки адаптивных систем, способных самостоятельно обучаться и принимать решения на основе опыта.

17. Какое значение имеет объективность принятия решений в искусственном интеллекте?
Ответ: Объективность принятия решений в искусственном интеллекте важна для обеспечения справедливого и непредвзятого результата. Это помогает избежать дискриминации, искажений или несправедливого воздействия на людей или группы.

18. Как системы искусственного интеллекта могут повысить эффективность бизнес-процессов?
Ответ: Системы искусственного интеллекта могут повысить эффективность бизнес-процессов путем автоматизации рутинных задач, оптимизации ресурсов, прогнозирования спроса, улучшения качества принимаемых решений и обеспечения аналитической поддержки.

19. Какая роль играет прогнозирование в искусственном интеллекте?
Ответ: Прогнозирование играет важную роль в искусственном интеллекте, позволяя системам на основе исторических данных создавать прогнозы и моделировать будущие результаты. Это помогает принимать более осознанные и обоснованные решения.

20. Какие технические проблемы могут возникнуть при разработке систем искусственного интеллекта?
Ответ: При разработке систем искусственного интеллекта могут возникнуть технические проблемы, связанные с недостатком данных, сложностью обучения моделей, несовершенством алгоритмов, вычислительной сложностью или необходимостью больших вычислительных мощностей.

ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ОПК-1: Способен самостоятельно приобретать, развивать и применять математические, естественнонаучные, социально-экономические и профессиональные знания для решения нестандартных задач, в том числе в новой или незнакомой среде и в междисциплинарном контексте

ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА:

1. Какое из следующих понятий является основой искусственного интеллекта?
a) Большие данные (Big Data)
b) Квантовые вычисления (Quantum Computing)
c) Машинное обучение (Machine Learning)
d) Многопоточность (Multithreading)

Ответ: c) Машинное обучение (Machine Learning)

2. Какие методы машинного обучения позволяют решать задачи классификации?
a) Нейронные сети (Neural Networks)
b) Генетические алгоритмы (Genetic Algorithms)
c) Метод опорных векторов (Support Vector Machines)
d) Решающие деревья (Decision Trees)

Ответ: a) Нейронные сети (Neural Networks), c) Метод опорных векторов (Support Vector Machines), d) Решающие деревья (Decision Trees)

3. Что такое нейронная сеть?
a) Способ обработки естественного языка (Natural Language Processing)
b) Механизм оптимизации процессов (Process Optimization)
c) Модель, имитирующая работу нейронов в мозге
d) Алгоритм, использующий статистическую модель

Ответ: c) Модель, имитирующая работу нейронов в мозге

4. Какие задачи можно решать с помощью искусственного интеллекта?
a) Обработка и анализ естественного языка
b) Компьютерное зрение
c) Робототехника
d) Все вышеперечисленное

Ответ: d) Все вышеперечисленное

5. Какой метод машинного обучения используется для кластеризации данных?
a) Нейронные сети (Neural Networks)
b) Кластерный анализ (Cluster Analysis)
c) Генетические алгоритмы (Genetic Algorithms)
d) Метод опорных векторов (Support Vector Machines)

Ответ: b) Кластерный анализ (Cluster Analysis)

6. Что такое обучение с подкреплением?
a) Обучение на основание обратной связи
b) Обучение на основе примеров
c) Обучение с использованием рекуррентных нейронных сетей
d) Обучение на основе получаемых наград

Ответ: d) Обучение на основе получаемых наград

7. Какая функция используется для оценки ошибки в методе градиентного спуска?
a) Функция активации (Activation function)
b) Функция потерь (Loss function)
c) Функция сигмоиды (Sigmoid function)
d) Функция softmax

Ответ: b) Функция потерь (Loss function)

8. Какой метод машинного обучения применяется для обработки и анализа естественного языка?
a) Нейронные сети (Neural Networks)
b) Кластерный анализ (Cluster Analysis)
c) Метод опорных векторов (Support Vector Machines)
d) Рекуррентные нейронные сети (Recurrent Neural Networks)

Ответ: d) Рекуррентные нейронные сети (Recurrent Neural Networks)

9. Что такое переобучение (overfitting) в контексте машинного обучения?
a) Недообучение модели
b) Слишком высокая точность модели
c) Модель слишком хорошо запомнила обучающие данные и не обобщает на новые данные
d) Модель не справляется с обучением из-за ограниченных вычислительных ресурсов

Ответ: c) Модель слишком хорошо запомнила обучающие данные и не обобщает на новые данные

10. Какой метод машинного обучения используется для уменьшения размерности данных?
a) Кластерный анализ (Cluster Analysis)
b) Классификация
c) Метод главных компонент (Principal Component Analysis)
d) Решающие деревья (Decision Trees)

Ответ: c) Метод главных компонент (Principal Component Analysis)

11. Какой алгоритм используется для оптимизации весов нейронной сети в процессе обучения?
a) Алгоритм случайного поиска (Random Search)
b) Генетический алгоритм (Genetic Algorithm)
c) Алгоритм градиентного спуска (Gradient Descent)
d) Алгоритм случайного леса (Random Forest)

Ответ: c) Алгоритм градиентного спуска (Gradient Descent)

12. Какие преимущества имеет использование алгоритмов машинного обучения в сравнении с традиционными алгоритмами?
a) Можно решать более сложные задачи
b) Отсутствие необходимости вручную программировать правила
c) Можно обрабатывать большие объемы данных
d) Все вышеперечисленное

Ответ: d) Все вышеперечисленное

13. Какая техника используется для генерации новых примеров данных на основе существующих?
a) Усиление данных (Data Augmentation)
b) Уменьшение данных (Data Reduction)
c) Масштабирование данных (Data Scaling)
d) Взвешивание данных (Data Weighting)

Ответ: a) Усиление данных (Data Augmentation)

14. Что такое сверточная нейронная сеть?
a) Модель, состоящая из нескольких слоев нейронов, где каждый нейрон связан с каждым нейроном следующего слоя
b) Модель, в которой нейроны также имеют информацию о ранее пройденных примерах
c) Модель, специализированная на анализ и обработку изображений
d) Модель, использующая принципы эволюционного алгоритма для обучения

Ответ: c) Модель, специализированная на анализ и обработку изображений

15. Какая технология используется для обработки и анализа больших объемов данных, которая позволяет работать с данными, не помещающимися в оперативную память?
a) Машинное обучение (Machine Learning)
b) Облако (Cloud Computing)
c) Квантовые вычисления (Quantum Computing)
d) Базы данных NoSQL (NoSQL Databases)

Ответ: b) Облако (Cloud Computing)

ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА:

1. Что такое узкое искусственное интеллект и в каких областях оно применяется?
Ответ: Узкий искусственный интеллект - это система, способная решать узкую задачу или выполнять конкретную функцию, например, распознавание речи или классификация изображений.

2. Что такое обучение без учителя в контексте искусственного интеллекта?
Ответ: Обучение без учителя - это метод машинного обучения, при котором система самостоятельно находит паттерны и структуру в данных без предварительной разметки.

3. Что такое рекуррентные нейронные сети и как они используются в задачах обработки последовательностей?
Ответ: Рекуррентные нейронные сети - это тип нейронных сетей, способных обрабатывать и моделировать данные с последовательными зависимостями, такими как тексты или временные ряды.

4. В чем состоит разница между нейронными сетями прямого распространения и сверточными нейронными сетями?
Ответ: Нейронные сети прямого распространения применяются для задач обработки структурированных данных, в то время как сверточные нейронные сети используются для анализа изображений и распознавания образов.

5. Что такое алгоритмы генетического программирования и как они связаны с искусственным интеллектом?
Ответ: Алгоритмы генетического программирования используют эволюционные принципы для создания и улучшения программных структур, что имеет применение в разработке искусственного интеллекта.

6. Что такое семантический анализ и как он применяется в обработке естественного языка?
Ответ: Семантический анализ - это процесс понимания и интерпретации значения слов, фраз и предложений. В обработке естественного языка он используется для извлечения смысла из текстовых данных.

7. Какие принципы машинного обучения лежат в основе рекомендательных систем?
Ответ: Рекомендательные системы используют принципы коллаборативной фильтрации, контентной фильтрации и гибридных методов для предоставления персонализированных рекомендаций.

8. Какие проблемы могут возникнуть при использовании данных для обучения моделей машинного обучения?
Ответ: Некорректность, недостаточность и несбалансированность данных могут привести к неправильным прогнозам и низкому качеству моделей машинного обучения.

9. Что такое сверточные нейронные сети и как они применяются в анализе изображений?
Ответ: Сверточные нейронные сети - это тип нейронных сетей, которые обучаются распознавать различные признаки и шаблоны в изображениях, находясь в слоях сети.

10. Какие алгоритмы машинного обучения используются для кластеризации данных?
Ответ: K-средних, иерархическая кластеризация и DBSCAN являются распространенными алгоритмами машинного обучения, используемыми для кластеризации данных.

11. Что такое оптимизация и как она связана с искусственным интеллектом?
Ответ: Оптимизация - это процесс нахождения наилучшего решения или состояния с учетом заданных ограничений или целевых функций. В искусственном интеллекте оптимизация используется, например, для настройки параметров модели или решения оптимальных путей в задачах планирования.

12. Какие методы обработки естественного языка используются для анализа тональности текстов?
Ответ: Методы обработки естественного языка, такие как анализ сентимента или классификация текстов, используются для определения тональности (позитивной, негативной или нейтральной) текстовых данных.

13. Что такое алгоритмы усиления обучения и как они применяются в искусственном интеллекте?
Ответ: Алгоритмы усиления обучения - это методы машинного обучения, которые используют принцип подкрепления для обучения модели путем проб и ошибок и получения положительного или отрицательного подкрепления.

14. Какие методы машинного обучения применяются для анализа временных рядов?
Ответ: Методы машинного обучения, такие как рекуррентные нейронные сети, LSTM (long short-term memory) или ARIMA (авторегрессионная интегрированная скользящая средняя), используются для анализа и прогнозирования временных рядов.

15. Что такое генетические алгоритмы и как они применяются в оптимизации?
Ответ: Генетические алгоритмы - это эволюционные алгоритмы, вдохновленные принципами естественного отбора и генетики. Они применяются в оптимизации для нахождения оптимальных решений в сложных пространствах поиска.

16. Что такое последовательная архитектура нейронных сетей и как она применяется в обработке естественного языка?
Ответ: Последовательная архитектура нейронных сетей - это структура, в которой нейроны и слои сети соединены последовательно. В обработке естественного языка, последовательные модели, такие как рекуррентные нейронные сети, используются, чтобы учесть контекст и последовательность слов в тексте.

17. Какие алгоритмы рекомендательных систем применяются в интернет-магазинах?
Ответ: Алгоритмы рекомендательных систем, такие как Collaborative Filtering (коллаборативная фильтрация), Content-Based Filtering (контентная фильтрация) и Hybrid Recommender Systems (гибридные рекомендательные системы), используются в интернет-магазинах для предоставления персонализированных рекомендаций покупателям.

18. Что такое потоковые данные (streaming data) и как они обрабатываются в контексте искусственного интеллекта?
Ответ: Потоковые данные - это данные, которые поступают непрерывно и могут быть обработаны в режиме реального времени. В контексте искусственного интеллекта, потоковые данные могут быть обработаны с помощью алгоритмов машинного обучения и потокового анализа данных для получения актуальных результатов и принятия решений в режиме реального времени.

19. Какие методы машинного обучения используются для классификации текстовых данных?
Ответ: Используются методы, такие как Naive Bayes, Support Vector Machines (SVM), и методы на основе нейронных сетей, для классификации текстовых данных по категориям или темам.

20. Что такое генеративные модели и как они применяются в искусственном интеллекте?
Ответ: Генеративные модели - это модели, способные генерировать новые данные, которые имитируют входные данные. В искусственном интеллекте, генеративные модели, такие как генеративные состязательные сети (GAN), используются для создания новых изображений, текстов и других типов данных.

ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ОПК-2: Способен разрабатывать оригинальные алгоритмы и программные средства, в том числе с использованием современных интеллектуальных технологий, для решения профессиональных задач;

ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА:

1. Какой алгоритм машинного обучения используется для кластеризации данных?
a) Алгоритм регрессии
b) Алгоритм классификации
c) Алгоритм ассоциативного правила
d) Алгоритм кластеризации
Ответ: d) Алгоритм кластеризации

2. Какая архитектура нейронной сети используется для обработки последовательностей?
a) Сверточная нейронная сеть (CNN)
b) Рекуррентная нейронная сеть (RNN)
c) Многослойная персептронная сеть (MLP)
d) Генетический алгоритм
Ответ: b) Рекуррентная нейронная сеть (RNN)

3. Какой алгоритм обучения используется для предсказания числовых значений?
a) Алгоритм классификации
b) Алгоритм регрессии
c) Алгоритм кластеризации
d) Генетический алгоритм
Ответ: b) Алгоритм регрессии

4. Что такое функция активации в нейронной сети?
a) Функция, определяющая потери в процессе обучения
b) Функция, определяющая изначальные веса нейронов
c) Функция, определяющая скорость обучения
d) Функция, определяющая активацию нейрона
Ответ: d) Функция, определяющая активацию нейрона

5. Какой алгоритм используется для нахождения наилучших параметров модели?
a) Алгоритм кластеризации
b) Генетический алгоритм
c) Алгоритм регрессии
d) Алгоритм классификации
Ответ: b) Генетический алгоритм

6. Какая техника обработки естественного языка используется для извлечения информации из текстов?
a) Кластеризация
b) Классификация
c) Анализ сентимента
d) Информационное извлечение
Ответ: d) Информационное извлечение

7. Какой алгоритм обучения используется в обучении с подкреплением?
a) Q-обучение
b) Алгоритм Гаусса
c) Динамическое программирование
d) SVM (Метод опорных векторов)
Ответ: a) Q-обучение

8. Какой алгоритм машинного обучения используется для определения тональности текста?
a) K-средних
b) Алгоритм наивного Байеса
c) Скрытая марковская модель (СММ)
d) Алгоритм k-ближайших соседей (k-NN)
Ответ: b) Алгоритм наивного Байеса

9. Какая техника машинного обучения широко используется для обработки изображений?
a) Линейная регрессия
b) Сверточные нейронные сети (CNN)
c) Кластеризация
d) Рекуррентные нейронные сети (RNN)
Ответ: b) Сверточные нейронные сети (CNN)

10. Какая техника анализа временных рядов используется для прогнозирования будущих значений?
a) Регрессия
b) Кластеризация
c) ARIMA
d) MDP (Марковский процесс принятия решений)
Ответ: c) ARIMA

11. Какой алгоритм машинного обучения используется для поиска ассоциативных правил в больших объемах данных?
a) K-средних
b) K-ближайших соседей (k-NN)
c) Apriori
d) DBSCAN
Ответ: c) Apriori

12. Какая модель машинного обучения используется для решения задачи рекомендации?
a) K-средних
b) Сверточные нейронные сети (CNN)
c) Коллаборативная фильтрация
d) Q-обучение
Ответ: c) Коллаборативная фильтрация

13. Что означает термин "обучение без учителя" в контексте машинного обучения?
a) Обучение модели на основе заранее размеченных данных
b) Обучение модели без использования меток или целевых переменных
c) Обучение модели на основе набора правил и условий
d) Обучение модели в режиме реального времени
Ответ: b) Обучение модели без использования меток или целевых переменных

14. Какой алгоритм машинного обучения основан на математическом понятии байесовской вероятности?
a) К-средних
b) К-ближайших соседей (k-NN)
c) Наивный Байесовский
d) SVM (Метод опорных векторов)
Ответ: c) Наивный Байесовский

15. Какой метод машинного обучения является комбинацией обучения с подкреплением и обучения с учителем?
a) Q-обучение
b) Многослойный персептрон (MLP)
c) Градиентный спуск
d) Генетический алгоритм
Ответ: a) Q-обучение

ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА:

1. Вопрос: Какова основная цель искусственного интеллекта?
Ответ: Основная цель искусственного интеллекта - создание компьютерных систем, способных выполнять задачи, требующие интеллектуальных способностей человека.

2. Вопрос: Что такое Python и почему он популярен в области искусственного интеллекта?
Ответ: Python - это высокоуровневый язык программирования, который обладает простым и понятным синтаксисом, множеством библиотек и модулей, что делает его удобным для разработки искусственного интеллекта.

3. Вопрос: Что такое KERAS, и какую роль оно играет в разработке искусственного интеллекта?
Ответ: KERAS - это высокоуровневая библиотека нейронных сетей, написанная на Python, которая облегчает процесс разработки искусственного интеллекта и машинного обучения.

4. Вопрос: Что такое TensorFlow и как он связан с искусственным интеллектом?
Ответ: TensorFlow - это библиотека открытого исходного кода для разработки искусственного интеллекта, которая позволяет создавать и обучать нейронные сети.

5. Вопрос: Какие преимущества использования искусственного интеллекта в сравнении с традиционными методами решения задач?
Ответ: Искусственный интеллект обладает высокой обработкой информации, способностью к автоматизации сложных задач и принятию решений на основе данных.

6. Вопрос: Какие существуют методы искусственного интеллекта?
Ответ: Методы искусственного интеллекта включают в себя нейронные сети, генетические алгоритмы, экспертные системы, алгоритмы машинного обучения и т.д.

7. Вопрос: Какие есть ограничения искусственного интеллекта?
Ответ: Ограничения искусственного интеллекта включают в себя ограниченность знаний, потребность в больших вычислительных мощностях и высокую сложность в разработке.

8. Вопрос: Какова роль нейронных сетей в области искусственного интеллекта?
Ответ: Нейронные сети играют ключевую роль в искусственном интеллекте, моделируя работу нервной системы и способность обучаться на основе опыта.

9. Вопрос: Каковы основные шаги или процедуры, необходимые для разработки и обучения нейронной сети?
Ответ: Основные шаги для разработки и обучения нейронной сети включают в себя выбор архитектуры, подготовку данных, инициализацию весов, определение функции потерь и обновление весов на основе обратного распространения ошибки.

10. Вопрос: Какова роль обратного распространения ошибки в обучении нейронных сетей?
Ответ: Обратное распространение ошибки - это метод обучения нейронных сетей, который использует градиентный спуск для поиска оптимальных весов в сети.

11. Вопрос: Что такое функция активации в нейронных сетях, и почему она важна?
Ответ: Функция активации определяет выходной сигнал нейрона и позволяет нейронной сети делать нелинейные преобразования данных.

12. Вопрос: Каковы основные принципы работы алгоритмов глубокого обучения?
Ответ: Принципы работы алгоритмов глубокого обучения основаны на иерархической обработке информации и постепенном увеличении сложности признаков.

13. Вопрос: Что такое сверточные нейронные сети, и как они применяются в обработке изображений?
Ответ: Сверточные нейронные сети используются в обработке изображений для распознавания и классификации объектов путем применения фильтров к изображению.

14. Вопрос: Какие инструменты доступны для визуализации и анализа данных в искусственном интеллекте?
Ответ: Для визуализации и анализа данных в искусственном интеллекте используются инструменты, такие как графики, графы, диаграммы и т.д.

15. Вопрос: Каковы методы для решения проблемы переобучения в нейронных сетях?
Ответ: Методы для решения проблемы переобучения в нейронных сетях включают в себя валидацию данных, регуляризацию и оптимизацию гиперпараметров.

16. Вопрос: Что такое рекуррентные нейронные сети, и как они используются в обработке последовательностей?
Рекуррентные нейронные сети обрабатывают последовательности данных, сохраняя информацию из предыдущих шагов.

17. Каковы основные шаги или этапы построения модели искусственного интеллекта?
Ответ: Основные шаги построения модели искусственного интеллекта включают в себя определение задачи, сбор и предварительную обработку данных, выбор и обучение модели, оценку и оптимизацию.

18. Каковы принципы работы алгоритма генетического программирования?
Ответ: Генетическое программирование - это метод эволюционной оптимизации, который использует принципы наследственности и мутации для создания программных решений.

19. Что такое усиленное обучение, и как оно применяется в разработке искусственного интеллекта?
Ответ: Усиленное обучение - это подход, при котором агент обучается принимать решения в окружении, на основе награды или штрафа, полученного в результате своих действий.

20. Какие вызовы и проблемы возникают при разработке и применении искусственного интеллекта?
Ответ: В разработке и применении искусственного интеллекта возникают вызовы и проблемы, такие как этические вопросы, безопасность и непредсказуемость действий системы.

ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ОПК-6: Способен исследовать современные проблемы и методы прикладной информатики и развития информационного общества;

ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА:
1. Вопрос: Какое основное свойство отличает искусственный интеллект от традиционных информационных систем?
a) Способность к самостоятельному обучению
b) Высокая производительность
c) Минимальное использование вычислительных ресурсов
d) Отсутствие возможности работы с большим объемом данных
Ответ: a) Способность к самостоятельному обучению

2. Вопрос: Какой метод оценки качества работы искусственного интеллекта основан на сравнении результатов работы с экспертными ответами?
a) Кластерный анализ
b) Анализ временных рядов
c) Обучение с учителем
d) Обучение без учителя
Ответ: c) Обучение с учителем

3. Вопрос: Какая методология дает возможность исследовать и оценивать эффективность алгоритмов искусственного интеллекта на реальных данных?
a) Agile-методология
b) Waterfall-методология
c) DevOps-методология
d) Experimental-методология
Ответ: d) Experimental-методология

4. Вопрос: Какое оборудование является важным для эффективной работы нейронных сетей?
a) Видеокарты с высокой производительностью
b) Процессоры с большим количеством ядер
c) Быстрые накопители данных
d) Все перечисленное выше
Ответ: d) Все перечисленное выше

5. Вопрос: Что такое "глубокое обучение" (deep learning)?
a) Алгоритмы обучения, которые используют расширенную базу данных
b) Методы обучения, основанные на глубокой архитектуре нейронных сетей
c) Технологии, связанные с обработкой естественного языка
d) Программы, способные изучать свойства окружающей среды
Ответ: b) Методы обучения, основанные на глубокой архитектуре нейронных сетей

6. Вопрос: Какой метод машинного обучения позволяет классифицировать данные на основе большого количества примеров?
a) Логистическая регрессия (Logistic Regression)
b) Решающее дерево (Decision Tree)
c) Метод опорных векторов (Support Vector Machines)
d) Глубокое обучение (Deep Learning)
Ответ: d) Глубокое обучение (Deep Learning)

7. Вопрос: Какая техника искусственного интеллекта основана на обработке естественного языка?
a) Кластерный анализ
b) Рекомендательные системы
c) Генетические алгоритмы
d) Обработка текстов
Ответ: d) Обработка текстов

8. Вопрос: Какое понятие используется для описания способности искусственного интеллекта перенимать знания и опыт из одной задачи и применять их в других задачах?
a) Обучение с подкреплением
b) Трансферное обучение
c) Глубокое обучение
d) Обучение без учителя
Ответ: b) Трансферное обучение

9. Вопрос: Как называется технология, которая позволяет создать виртуального агента с некоторыми интеллектуальными способностями для общения с людьми?
a) Машинное обучение
b) Распознавание речи
c) Чат-бот
d) Алгоритм генетической оптимизации
Ответ: c) Чат-бот

10. Вопрос: Какая техника искусственного интеллекта основана на эмуляции биологической эволюции для оптимизации алгоритмов?
a) Генетические алгоритмы
b) Рекуррентные нейронные сети
c) Кластерный анализ
d) Обработка изображений
Ответ: a) Генетические алгоритмы

11. Вопрос: Какое понятие используется для описания способности искусственного интеллекта принимать решения, анализировать данные и обучаться на основе опыта?
a) Машинное обучение
b) Экспертная система
c) Обучение с подкреплением
d) Глубокое обучение
Ответ: c) Обучение с подкреплением

12. Вопрос: Какой метод обучения позволяет искусственному интеллекту извлечь закономерности и шаблоны из данных без указания целевого значения?
a) Кластерный анализ
b) Обучение с учителем
c) Обучение без учителя
d) Обучение с подкреплением
Ответ: c) Обучение без учителя

13. Вопрос: Какой алгоритм искусственного интеллекта используется для ранжирования и сортировки запросов в поисковых системах?
a) Генетический алгоритм
b) Алгоритм PageRank
c) Алгоритм k-ближайших соседей
d) Алгоритм эллипсоидов определения границ
Ответ: b) Алгоритм PageRank

14. Вопрос: Какая технология искусственного интеллекта используется для создания систем, способных общаться с людьми на естественном языке?
a) Распознавание речи
b) Обучение с подкреплением
c) Обработка естественного языка
d) Генетические алгоритмы
Ответ: c) Обработка естественного языка

15. Вопрос: Как называется метод, при котором сеть нейронов обучается на основе обратной связи и получает вознаграждение или штрафы за свои действия в окружающей среде?
a) Обучение с учителем
b) Обучение без учителя
c) Обучение с подкреплением
d) Глубокое обучение
Ответ: c) Обучение с подкреплением

ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА:

1. Вопрос: Какие принципы этики следует учитывать при разработке систем искусственного интеллекта?

Ответ: При разработке систем искусственного интеллекта следует учитывать принципы этики, такие как: защита приватности и конфиденциальности данных, предотвращение дискриминации и несправедливого обращения, прозрачность и объяснимость решений системы, безопасность и надежность, содействие общественной пользе и соблюдение правовых и нормативных требований.

2. Вопрос: В каких областях жизни применяется искусственный интеллект?

Ответ: Искусственный интеллект применяется в различных областях, включая медицину, финансы, транспорт, производство, робототехнику, образование и многие другие.

3. Вопрос: Какой метод машинного обучения основывается на распознавании образов?

Ответ: Метод машинного обучения, основанный на распознавании образов - это метод, который позволяет системе обучаться на основе большого количества примеров, чтобы в дальнейшем распознавать и классифицировать новые образы.

4. Вопрос: Что понимается под понятием "обучение с учителем"?

Ответ: Обучение с учителем - это метод машинного обучения, при котором модель обучается на основе размеченных данных. Она получает образцы данных с соответствующими правильными ответами и на основе этих данных стремится научиться предсказывать правильные ответы для новых данных.

5. Вопрос: Какова основная цель обучения без учителя?

Ответ: Основная цель обучения без учителя - позволить системе обнаруживать скрытые закономерности и структуры в данных без предоставления явных образцов с правильными ответами.

6. Вопрос: Что такое искусственные нейронные сети?

Ответ: Искусственные нейронные сети - это математические модели, которые имитируют работу нервной системы человека. Они состоят из нейронов, которые передают и обрабатывают информацию, и позволяют компьютерным системам "обучаться" на основе входных данных.

7. Вопрос: Как искусственный интеллект может быть использован в медицинских приложениях?

Ответ: Искусственный интеллект может быть использован в медицинских приложениях для автоматического анализа и интерпретации медицинских изображений (например, сканов и рентгеновских снимков), прогнозирования диагнозов и прогнозов лечения, оптимизации планов лечения, помощи в принятии решений врачам и многое другое.

8. Вопрос: Что такое обработка естественного языка?

Ответ: Обработка естественного языка (Natural Language Processing, NLP) - это область искусственного интеллекта, которая занимается разработкой методов и алгоритмов для взаимодействия компьютерных систем с естественным языком, используемым людьми. Она включает в себя задачи, такие как распознавание речи, синтез речи, машинный перевод, анализ тональности текста и другие.

9. Вопрос: Что такое экспертные системы?

Ответ: Экспертные системы - это компьютерные системы, которые используют знания и опыт экспертов в определенной предметной области для принятия решений или решения сложных задач. Они основаны на правилах и логике и предоставляют пользователю рекомендации и решения на основе заранее определенных правил.

10. Вопрос: Что такое оптимизация?

Ответ: Оптимизация - это процесс нахождения наилучшего решения или наилучшего значения целевой функции в задаче, учитывая ограничения и условия. В контексте искусственного интеллекта, оптимизация может использоваться для настройки параметров моделей машинного обучения или для решения оптимизационных задач в различных областях.

11. Вопрос: Что такое алгоритм генетического программирования?

Ответ: Алгоритм генетического программирования - это эволюционный алгоритм, который используется для создания и оптимизации программ или алгоритмов. Он основан на принципах естественного отбора и мутаций, и применяется в задачах, где требуется нахождение оптимальных решений в большом пространстве возможных программ.

12. Вопрос: Что такое робототехника?

Ответ: Робототехника - это область, объединяющая знания и методы из различных областей, таких как механика, электроника, программирование и искусственный интеллект, для разработки и создания роботов. Роботы могут быть использованы для автоматизации процессов, выполнения задач в опасных условиях, а также для помощи и улучшения качества жизни людей.

13. Вопрос: Что такое алгоритм обратного распространения ошибки?

Ответ: Алгоритм обратного распространения ошибки - это метод обучения нейронных сетей, который используется для настройки весов между нейронами. Он состоит из двух процессов: прямого распространения входных данных через сеть и вычисления ошибки, а затем обратного распространения ошибки, при котором веса корректируются для уменьшения ошибки предсказаний.

14. Вопрос: Что такое алгоритм случайного леса?

Ответ: Алгоритм случайного леса - это метод машинного обучения, который используется для задач классификации, регрессии и других. Он основан на создании множества деревьев решений и объединении их результатов. Каждое дерево строится на основе случайной подвыборки данных и случайной подвыборки признаков, что помогает уменьшить переобучение и повысить качество предсказаний.

15. Вопрос: Что такое алгоритм оптимизации роя частиц?

Ответ: Алгоритм оптимизации роя частиц (Particle Swarm Optimization, PSO) - это алгоритм оптимизации, который основан на модели поведения роя частиц. В этом алгоритме каждая частица представляет потенциальное решение, и они перемещаются в пространстве поиска, обмениваясь информацией о наилучших найденных решениях. Цель алгоритма - найти оптимальное решение с помощью итеративного процесса обновления положений частиц.

16. Вопрос: Что такое алгоритм генетического алгоритма?

Ответ: Алгоритм генетического алгоритма (Genetic Algorithm, GA) - это эволюционный алгоритм, который моделирует процесс естественного отбора и эволюции для решения оптимизационных задач. Он использует операции скрещивания, мутации и селекции, чтобы создать и изменять генетические значения в популяции и находить лучшие решения задачи.

17. Вопрос: Что такое алгоритм кластеризации?
Ответ: Алгоритм кластеризации - это метод машинного обучения, который используется для группировки объектов в наборе данных на основе их сходства. Цель алгоритма заключается в создании компактных и однородных кластеров, где объекты внутри кластера более похожи друг на друга, чем на объекты из других кластеров. Популярные алгоритмы кластеризации включают k-средних, иерархическую кластеризацию и алгоритм DBSCAN.

18. Вопрос: Что такое функция потерь в контексте машинного обучения?

Ответ: Функция потерь - это математическая функция, которая оценивает разницу между предсказанными значениями модели и фактическими значениями в тренировочных данных. Она служит для измерения ошибки модели и используется в процессе обучения для определения оптимальных значений параметров модели.

19. Вопрос: Что такое сверточные нейронные сети?

Ответ: Сверточные нейронные сети (Convolutional Neural Networks, CNN) - это тип нейронных сетей, которые специально разработаны для обработки и анализа данных, имеющих пространственную или временную структуру, таких как изображения или временные ряды. Они эффективно используют операции свертки и пулинга для извлечения признаков из входных данных и классификации.

20. Вопрос: Какие технологии используются для обработки больших объемов данных в искусственном интеллекте?

Ответ: Для обработки больших объемов данных в искусственном интеллекте используются различные технологии, включая распределенные вычисления, параллельные вычисления, алгоритмы сжатия данных и базы данных специального назначения. Также широко применяются техники оптимизации и ускорения вычислений, такие как использование графических процессоров (GPU) и специализированных аппаратных ускорителей.
5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.)
Не предусмотрено

5.3. Фонд оценочных средств для проведения промежуточной аттестации
Промежуточная аттестация заключается в проведении в конце 1,2,5,6 и 7 семестров зачета по всему изученному курсу в данный момент времени.
Тест размещен в разделе «Промежуточная аттестация по дисциплине» онлайн-курса на образовательном портале «Цифровой университет АлтГУ».
Количество заданий в контрольно-измерительном материале (тесте) для промежуточной аттестации, составляет 30 вопросов.
КРИТЕРИИ ОЦЕНИВАНИЯ: Каждое задание оценивается 1 баллом. Оценивание КИМ в целом:
«зачтено» – верно выполнено более 50 % заданий;
«незачтено» – верно выполнено 50 % и менее 50 % заданий.

6. Учебно-методическое и информационное обеспечение дисциплины

6.1. Рекомендуемая литература
6.1.1. Основная литература
Авторы Заглавие Издательство, год Эл. адрес
Л1.1 Ф. А. Новиков Символический искусственный интеллект: математические основы представления знаний: учеб. пособие для академического бакалавриата Издательство Юрайт, 2018 www.biblio-online.ru
Л1.2 Бессмертный И. А. Системы искусственного интеллекта: учебное пособие для среднего профессионального образования Юрайт, 2021 urait.ru
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет"
Название Эл. адрес
Э1 Издательство «Лань». Электронно-библиотечная система e.lanbook.com
Э2 Университетская библиотека online biblioclub.ru
Э3 Курс в Moodle "Искусственный интеллект" portal.edu.asu.ru
6.3. Перечень программного обеспечения
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)
6.4. Перечень информационных справочных систем
СПС КонсультантПлюс (инсталлированный ресурс АлтГУ или http://www.consultant.ru/).
Электронная база данных «Scopus» (http://www.scopus.com)
Электронная библиотечная система Алтайского государственного университета (http://elibrary.asu.ru/).
Научная электронная библиотека elibrary (http://elibrary.ru).

7. Материально-техническое обеспечение дисциплины

Аудитория Назначение Оборудование
107Л лаборатория информационных технологий - компьютерный класс - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации Учебная мебель на 18 посадочных мест; компьютеры: марка HP, модель ProOne 400 - 18 единиц; проектор: марка SMART, модель UF70 - 1 единица; интерактивная доска: марка SMART Board модель SMB680 - 1 единица
Помещение для самостоятельной работы помещение для самостоятельной работы обучающихся Компьютеры, ноутбуки с подключением к информационно-телекоммуникационной сети «Интернет», доступом в электронную информационно-образовательную среду АлтГУ
311М лаборатория информационных технологий - компьютерный класс - учебная аудитория для проведения занятий лекционного типа; занятий семинарского типа (лабораторных и(или) практических); групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации Учебная мебель на 20 посадочных мест; рабочее место преподавателя; доска магнитно-маркерная – 1 единица; компьютеры – 13 единиц: марка ASUS Intet Pentiumu - 1 единица; марка ACT - 1 единица; марка Арситек - 1 единица; марка in win – 1 единица; марка АСТ POWER, модель Р-511 – 1 единица; марка Aquarius модель Pro P30 946 – 3 единицы; марка КламаС Офис модель Intel Core i3-2100 – 1 единица; марка Aquaruius модель Elt E50 S54 – 2 единицы; марка АСТ POWER – 1 единица; марка Intel Core2 Duo – 1 единица; мониторы: марка Philips модель 190S6 – 2 единицы; марка Acer модель AL1917 – 4 единицы; марка Samsung 2ms – 1 единица, Samsung 943n - 1 единица, марка Acer модель V233h – 2 единицы; марка Sony – 1 единица; марка Samsung модель SyncMaster 943 – 2 единицы; сканер: EPSON GT 20000 B11B195021 – 1 единица; сканер: HP Scanjet automatic document feeder C771A – 1 единица; сканер: HP Scanjet 2400 – 2 единицы; сканер: HP Scanjet G4010 – 1 единица; лазерный ксерокс: Xerox Phaser 4500n – 1 единица; телевизор ЖК Samsung 46" LE46B530P7W; учебно-наглядные пособия и литература

8. Методические указания для обучающихся по освоению дисциплины

После прохождения курса студенты будут ориентироваться в подходах к созданию систем искусственного интеллекта: основанных на знании (knowledge-based), семантических сетях; ориентироваться в алгоритмических основах интеллектуальных систем, а также проектировании сложных информационных систем с использованием искусственного интеллекта.
В рамках курса происходит введение в искусственный интеллект. Рассматриваются сновные направления исследований в области искусственного интеллекта, нейросетевой подход к созданию интеллектуальных систем, инженерия знаний, понятие экспертной системы (ЭС). Студенты изучают базы знаний и рассматривают из как основную компоненту экспертной системы.
Изучается инженерия знаний и её технологии, классификация методов извлечения знаний. Рассматриваются примеры систем приобретения знаний, представление нечетких знаний, вывод в условиях неопределенности.
Важное место занимает рассмотрение основных средств представления знаний и организация вывода в ЭС Представление знаний продукциями. Вывод в продукционных системах. Представление знаний фреймами. Технологические аспекты организации логического вывода на сети фреймов. Представление знаний семантическими сетями. Вывод на основе семантических сетей. Представление знаний на языке исчисления предикатов первого порядка. Логический вывод на основе метода резолюций. Представление и использование метазнаний. Интеграция различных способов представления знаний. Разработка и реализация ЭС Методология построения ЭС. Технология проектирования и разработки ЭС. Классификация инструментальных средств создания ЭС. Оболочки ЭС. Классификация оболочек ЭС. Обзор современного рынка ЭС и оболочек ЭС. Проблемы и перспективы развития ЭС.
Курс завершается рассмотрением интеллектуальных информационных систем. Информационный поиск, релевантность, критерий смыслового соответствия, критерий выдачи. Понятие интеллектуальной информационной системы (ИИС). Отличительные особенности ИИС по сравнению с традиционными ИС. Основные компоненты ИИС. Классификация ИИС. Роль интеллектуальных информационных технологий в системах поддержки принятия решений. Современные технологии проектирования и реализации ИИС. Извлечение знаний из данных. Системы и средства Data Mining и Knowledge Discovery. Онтологии и онтологические системы