1. Цели освоения дисциплины
| 1.1. | Цель дисциплины Подготовка студентов к процессу разработки и применения интеллектуальных автоматизированных информационных систем путем изучения базовых моделей искусственного интеллекта (ИИ), методик автоматизации принятия решений и методов построения интеллектуальных информационных систем. 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; - рассмотрение теоретических и некоторых практических вопросов создания и эксплуатации экспертных систем; - изучение особенностей разработки моделей предметных областей при построении интеллектуальных систем; - выделение особенностей практического использования интеллектуальных информационных систем в области экономики. |
|---|
2. Место дисциплины в структуре ООП
| Цикл (раздел) ООП: Б1.В.01 |
3. Компетенции обучающегося, формируемые в результате освоения дисциплины
| ПК-3 | Способен разрабатывать и применять программное обеспечение для процессов ETL, построения баз данных, хранилищ данных и аналитических решений на основе машинного обучения и искусственного интеллекта |
| ПК-3.1 | Знает концепции баз данных, хранилищ данных, ETL, базовые технологии машинного обучения и искусственного интеллекта; готовые решения для ETL и анализа данных, интеллектуальные информационные системы |
| ПК-3.2 | Умеет разрабатывать базы данных, хранилища данных, приложения ETL; применять готовые решения для ETL, анализа данных, машинного обучения и искусственного интеллекта |
| ПК-3.3 | Владеет технологиями создания аналитических решений на основе машинного обучения и искусственного интеллекта |
| В результате освоения дисциплины обучающийся должен | |
| 3.1. | Знать: |
|---|---|
| 3.1.1. | основные задачи, решаемые системами искусственного интеллекта, основные модели представления знаний; основные языки создания систем искусственного интеллекта; способы представления знаний в системах искусственного интеллекта; основные методы машинного обучения |
| 3.2. | Уметь: |
| 3.2.1. | анализировать архитектуру ЭС с позиций инженера по знаниям и пользователя, создавать простые экспертные и интеллектуальные информационные системы; использовать язык логического программирования для решения задач; создавать системы искусственного интеллекта представленными средствами; использовать методы машинного обучения при создании интеллектуальных систем |
| 3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
| 3.3.1. | навыками работы с базами знаний; способностью оценивать возможность применения конкретной ЭС для решения задач заданного класса; способами представления знаний с помощью инструментальных средств; методами искусственного интеллекта для исследования и решения профессиональных задач; навыком применения языков искусственного интеллекта |
4. Структура и содержание дисциплины
| Код занятия | Наименование разделов и тем | Вид занятия | Курс | Часов | Компетенции | Литература |
|---|---|---|---|---|---|---|
| Раздел 1. Введение | ||||||
| 1.1. | Интеллектуальные системы (ИС), основные свойства, история развития. Виды интеллектуальных систем. | Лекции | 3 | 0,5 | ПК-3.1, ПК-3.2, ПК-3.3 | Л2.1, Л1.1, Л1.3, Л1.2 |
| 1.2. | Создание интеллектуальных систем. | Лабораторные | 3 | 1 | ПК-3.1, ПК-3.2, ПК-3.3 | Л2.1, Л1.2 |
| 1.3. | Классификация ИС, Составные части ИС, обработка знаний и вывод решений в ИС. Экспертные системы. | Лекции | 3 | 0,5 | ПК-3.1, ПК-3.2, ПК-3.3 | Л1.3, Л1.2 |
| 1.4. | Методы приобретения и пополнения знаний. Модели представления знаний. | Лекции | 3 | 1 | ПК-3.1, ПК-3.2, ПК-3.3 | Л1.2 |
| 1.5. | Создание интеллектуальных систем. | Лабораторные | 3 | 1 | ПК-3.1, ПК-3.2, ПК-3.3 | Л2.1, Л1.3, Л1.2 |
| 1.6. | Теория интеллектуальных системы (ИС), основные свойства. Виды интеллектуальных систем. | Сам. работа | 3 | 17 | ПК-3.1, ПК-3.2, ПК-3.3 | Л2.1, Л1.2 |
| Раздел 2. Модели представления знаний | ||||||
| 2.1. | Логическая модель представления знаний, доказательство методом резолюций. | Лекции | 3 | 0,5 | ПК-3.1, ПК-3.2, ПК-3.3 | Л2.1, Л1.2 |
| 2.2. | Продукционная модель, стратегии поиска, поиск в пространстве состояний, эвристические функции. | Лекции | 3 | 0,5 | ПК-3.1, ПК-3.2, ПК-3.3 | Л1.3, Л1.2 |
| 2.3. | Создание интеллектуальных систем. | Лабораторные | 3 | 2 | ПК-3.1, ПК-3.2, ПК-3.3 | Л1.2 |
| 2.4. | Создание интеллектуальных систем. | Сам. работа | 3 | 20 | ПК-3.1, ПК-3.2, ПК-3.3 | Л2.1, Л1.2 |
| Раздел 3. Теории сценариев и фреймов | ||||||
| 3.1. | Сценарии, фреймы, концептуальные зависимости и их роль в приобретении знаний. | Лекции | 3 | 0,5 | ПК-3.1, ПК-3.2, ПК-3.3 | Л1.2 |
| 3.2. | Логика немонотонных рассуждений, представление нечетких данных и знаний, символьное обучение. | Лекции | 3 | 0,5 | ПК-3.1, ПК-3.2, ПК-3.3 | Л2.1, Л1.2 |
| 3.3. | Создание интеллектуальных систем. | Лабораторные | 3 | 2 | ПК-3.1, ПК-3.2, ПК-3.3 | Л1.2 |
| 3.4. | Теория интеллектуальных системы (ИС), основные свойства. Виды интеллектуальных систем. | Сам. работа | 3 | 20 | ПК-3.1, ПК-3.2, ПК-3.3 | Л2.1, Л1.2 |
| Раздел 4. Нейронные сети | ||||||
| 4.1. | Нейроинформатика. | Лекции | 3 | 1 | ПК-3.1, ПК-3.2, ПК-3.3 | Л2.1, Л1.2 |
| 4.2. | Теория интеллектуальных системы (ИС), основные свойства. Виды интеллектуальных систем. | Сам. работа | 3 | 20 | ПК-3.1, ПК-3.2, ПК-3.3 | Л1.3, Л1.2 |
| 4.3. | Создание интеллектуальных систем. | Лабораторные | 3 | 2 | ПК-3.1, ПК-3.2, ПК-3.3 | Л1.2 |
| Раздел 5. Введение в машинное обучение | ||||||
| 5.1. | Основные понятия. Определение предмета машинного обучения. Примеры задач и областей приложения. Классификация задач машинного обучения. | Лекции | 3 | 0,5 | ПК-3.1, ПК-3.2, ПК-3.3 | Л1.1, Л1.3 |
| 5.2. | Знакомство с различными методами предобработки данных, описательными статистиками и основными способами визуализации данных, методами снижения размерности. Метод главных компонент. Важность нормировки данных. Предобработка данных. | Лабораторные | 3 | 2 | ПК-3.1, ПК-3.2, ПК-3.3 | Л1.1, Л1.3 |
| 5.3. | Выполнение индивидуальных заданий | Сам. работа | 3 | 20 | ПК-3.1, ПК-3.2, ПК-3.3 | Л1.1, Л1.3 |
| Раздел 6. Основные методы машинного обучения | ||||||
| 6.1. | Задачи обучения с учителем. Разделение данных на обучающие и тестовые. Нормировка данных. Определение переобученности модели. Критерии оценки качества полученных моделей. | Лекции | 3 | 0,5 | ПК-3.1, ПК-3.2, ПК-3.3 | Л1.1, Л1.3 |
| 6.2. | Деревья решений. Основные понятия. Общий алгоритм построения дерева решений. Классы решаемых задач: описание данных, классификация, регрессия. Постановка задачи регрессии. Линейный регрессионный анализ. | Лабораторные | 3 | 1 | ПК-3.1, ПК-3.2, ПК-3.3 | Л1.1, Л1.3 |
| 6.3. | Постановка задачи классификации, обзор основных методов ее решения. Бинарная и многоклассовая классификация. | Лабораторные | 3 | 1 | ПК-3.1, ПК-3.2, ПК-3.3 | Л1.1, Л1.3 |
| 6.4. | Выполнение индивидуальных заданий. Подготовка к зачету. | Сам. работа | 3 | 20 | ПК-3.1, ПК-3.2, ПК-3.3 | Л1.1, Л1.3 |
5. Фонд оценочных средств
| 5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
| ПРИМЕРЫ ТЕСТОВ 1. Что является входом искусственного нейрона? Ответ: (1) множество сигналов (2) единственный сигнал (3) весовые значения (4) значения активационной функции 2. Что такое множество весовых значений нейрона? Ответ: (1) множество значений, характеризующих "силу" соединений данного нейрона с нейронами предыдущего слоя (2) множество значений, характеризующих "силу" соединений данного нейрона с нейронами последующего слоя (3) множество значений, моделирующих "силу" биологических синоптических связей (4) множество значений, характеризующих вычислительную "силу" нейрона 3. Активационной функцией называется: Ответ: (1) функция, вычисляющая выходной сигнал нейрона (2) функция, суммирующая входные сигналы нейрона (3) функция, корректирующая весовые значения (4) функция, распределяющая входные сигналы по нейронам 4. Активационная функция применяется для: Ответ: (1) активации входного сигнала нейрона (2) активации выходного сигнала нейрона (3) активации весовых значений (4) активации обучающего множества 5. Значение активационной функции является: Ответ: (1) входом данного нейрона (2) выходом данного нейрона (3) весовым значением данного нейрона 6. В каком случае многослойные сети не могут привести к увеличению вычислительной мощности по сравнению с однослойной сетью? Ответ: (1) если они имеют два слоя (2) если они не имеют обратных связей (3) если они имеют сжимающую активационную функцию (4) если они имеют линейную активационную функцию 7. Активационная функция называется "сжимающей", если Ответ: (1) она сужает диапазон значений величины NET диапазона значений OUT (2) она расширяет диапазон значений величины NET (3) она сужает диапазон значений величины OUT (4) она расширяет диапазон значений величины OUT 8. Слоем нейронной сети называется множество нейронов, Ответ: (1) не имеющих между собой синаптических связей (2) принимающих входные сигналы с одних тех же узлов (3) выдающих выходные сигналы на одни и те же узлы 9. Входным слоем сети называется: Ответ: (1) первый слой нейронов (2) слой, служащий для распределения входных сигналов (3) слой, не производящий никаких вычислений 10. Сети прямого распространения — это: Ответ: (1) сети, имеющие много слоев (2) сети, у которых нет соединений, идущих от выходов некоторого слоя к входам предшествующего слоя (3) сети, у которых нет памяти (4) сети, у которых есть память 11. Выберите верные утверждения a) Одна из задач машинного обучения – научиться делать прогнозы для признаков b) Объекты описываются с помощью признаков c) Одна из задач машинного обучения – научиться делать прогнозы для объектов d) Признаки описываются с помощью объектов 12. Какие из этих задач являются задачами классификации? a) Прогноз температуры на следующий день b) Разделение книг, хранящихся в электронной библиотеке, на научные и художественные c) Поиск групп похожих пользователей интернет-магазина d) Прогноз оценки студента по пятибалльной шкале на экзамене по машинному обучению в следующей сессии 13. Какие свойства данных препятствуют однозначному построению разделяющей поверхности? a) Ортогональность b) Мультиколлинеарность c) Противоречивость d) Категориальность 14. Какая способность людей и систем позволяет получать им новые знания по наблюдению отдельных прецедентов (примеров)? a) Корректировать ошибку b) Обобщать c) Запоминать d) Распознавать образы 15. Какая задача лучше всего подходит под следующее описание. Нахождение такой функции F, которая бы наилучшим образом отображала неизвестные ранее объекты X в конечное множество целочисленных номеров (имен, меток), на основании обучающих пар (X, Y)? a) Прогнозирование денежных затрат b) Кластеризация клиентов c) Классификация образов d) Выявление особенностей в данных 16. Почему для обучения моделей используются такие методы, как Градиентный спуск? a) Потому что метод позволяет корректировать параметры модели постепенно b) Потому что аналитические решения не всегда дают корректное решение c) Потому что такой подход позволяет получать более точные решения (Глобальный экстремум в отличие от локального) d) Потому что при большой размерности входных данных подобные методы работают быстрее 17. Выберите верные утверждения a) Метод Байеса – это во многом классический подход к классификации, основанный на оценке частоты встреч объектов со схожими признаками b) Благодаря универсальности статистического подхода метод Байеса позволяет решать любые задачи без априорной информации c) Данный метод позволяет очень хорошо обобщать высокоуровневые признаки d) Закон, задающий распределение вероятностей, который используется в предсказательной модели, сильно влияет на способ обобщения КРИТЕРИИ ОЦЕНИВАНИЯ: Каждое задание оценивается 1 баллом. Оценивание КИМ теоретического характера в целом: «зачтено» – верно выполнено более 50% заданий; «не зачтено» – верно выполнено 50% и менее 50% заданий; «отлично» – верно выполнено 85-100% заданий; «хорошо» – верно выполнено 70-84% заданий; «удовлетворительно» – верно выполнено 51-69% заданий; «неудовлетворительно» – верно выполнено 50% или менее 50% заданий. ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА 1.Что такое машинное обучение? Машинное обучение - это процесс обучения компьютера на основе данных, чтобы он мог принимать решения или выполнять задачи без явного программирования. 2.Какие виды машинного обучения существуют? Существует три основных вида машинного обучения: обучение с учителем, обучение без учителя и обучение с подкреплением. 3.Что такое обучение с учителем? Обучение с учителем - это метод машинного обучения, при котором компьютеру предоставляются примеры данных с известными результатами, и он должен научиться распознавать закономерности в этих данных, чтобы делать предсказания. 4.Что такое обучение без учителя? Обучение без учителя - это метод, при котором компьютер сам обнаруживает паттерны в данных без явного указания на то, какие паттерны искать. 5.Что такое обучение с подкреплением? Обучение с подкреплением - это метод обучения, в котором компьютер учится выполнять задачи, получая положительное или отрицательное подкрепление за свои действия. 6.Какие алгоритмы машинного обучения вы знаете? Некоторые популярные алгоритмы машинного обучения включают в себя: линейную регрессию, деревья решений, случайный лес, SVM, K-means, PCA, LDA и др. 7.Что такое большие данные? Большие данные - это огромные объемы данных, которые слишком велики или сложны для традиционной обработки. Это может включать данные из интернета, социальных сетей, датчиков, научных экспериментов и т.д. 8.Какие типы больших данных существуют? Существует несколько типов больших данных, включая структурированные, полуструктурированные и неструктурированные данные. 9. Какие виды алгоритмов машинного обучения используются в ИИ? В ИИ используются различные виды алгоритмов машинного обучения, такие как алгоритмы классификации, регрессии, кластеризации, обнаружения аномалий и др. 10. Как работает алгоритм машинного обучения? Алгоритм машинного обучения работает путем обучения на наборах данных и затем использования полученных знаний для предсказания или классификации новых данных. 11. Что такое глубокое обучение и как оно используется в ИИ? Глубокое обучение - это подвид машинного обучения, который использует нейронные сети с множеством слоев для обработки данных. Оно используется в ИИ для решения сложных задач, таких как распознавание речи, изображений и текста. 12. Что такое обработка естественного языка и как она связана с ИИ? Обработка естественного языка (NLP) - это область ИИ, которая занимается анализом и пониманием человеческого языка. Она включает в себя такие задачи, как анализ текста, машинный перевод, ответы на вопросы и т.д. 13. Какие еще применения ИИ вы знаете? ИИ также используется в медицине, финансах, транспорте, производстве и многих других областях. Он может помочь улучшить качество жизни людей, повысить эффективность работы и снизить затраты. КРИТЕРИИ ОЦЕНИВАНИЯ ОТКРЫТЫХ ВОПРОСОВ. «Отлично» (зачтено): Ответ полный, развернутый. Вопрос точно и исчерпывающе передан, терминология сохранена, студент превосходно владеет основной и дополнительной литературой, ошибок нет. «Хорошо» (зачтено): Ответ полный, хотя краток, терминологически правильный, нет существенных недочетов. Студент хорошо владеет пройденным программным материалом; владеет основной литературой, суждения правильны. «Удовлетворительно» (зачтено): Ответ неполный. В терминологии имеются недостатки. Студент владеет программным материалом, но имеются недочеты. Суждения фрагментарны. «Неудовлетворительно» (не зачтено): Не использована специальная терминология. Ответ в сущности неверен. Переданы лишь отдельные фрагменты соответствующего материала вопроса. Ответ не соответствует вопросу или вовсе не дан. |
| 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 |
| Вопросы для зачета: 1) Определение ИИ. Основные этапы в истории развития дисциплины об ИИ. 2) Основные подходы к разработкам в области ИИ. Информационный процесс в рамках дисциплин об ИИ. Определение фактуальной и операционной составляющих знания. 3) Пути соединения операционного и фактуального знаний в рамках компьютерной программы. Определение неформализованных задач, их основные типы. 4) Определение и общая схема интеллектуальных систем (ИС). Основная классификация ИС. 5) Направления развития искусственного интеллекта в будущем. 6) Классификация интеллектуальных информационных систем (ИИС). Краткая характеристика основных групп. 7) Экспертные системы (ЭС), основные понятия и определения. Структура ЭС. 8) Обобщенная структура базы знаний (БЗ) и ее взаимодействие с основными компонентами ЭС. 9) Классификация ЭС. Характерные черты ЭС. Определения статической, динамической, квазидинамической ЭС. 10) Структуры статической и динамической ЭС. 11) Инструментальные средства проектирования ЭС. Виды интерфейса пользователя ЭС. 12) Этапы и технология разработки ЭС. 13) Классификация ЭС по типам решаемых задач (основные задачи, примеры). 14) Преимущества и недостатки ЭС. 15) Классификация методов приобретения знаний. 16) Основные классификации моделей представления знаний. 17) Определение и структура продукционной модели представления знаний. Архитектура продукционной системы. 18) Достоинства и недостатки представления знаний с помощью продукций. Примеры продукционных систем. 19) Виды цепочек вывода в продукционных системах. Классификация стратегий разрешения конфликтов. 20) Характеристика основных видов поиска в пространстве состояний. 21) Семантические сети (основные сведения, примеры, классификация, преимущества и недостатки). 22) Сценарии и фреймы. 23) Основные понятия теории нечетких множеств (определение нечеткого множества, свойства нечетких множеств, основные типы функций принадлежности, определение лингвистической переменной, основные типы нечетких высказываний). 24) Системы нечеткого вывода, этапы нечеткого вывода и пример решения задачи с использованием СНВ. 25) Нейронные сети. Основные сведения, алгоритм решения задач с применением нейронных сетей. Парадигмы обучения нейронных сетей. 26) Основные типы задач, решаемых при помощи искусственных нейронных сетей. Математический нейрон Маккаллока-Питтса. 27) Персептрон Розенблатта, ограниченность однослойного персептрона. 28) Многослойный персептрон. Типы архитектур нейронных сетей. Виды функций активации. 29) Классификация. Общие принципы. Байесовская классификация. 30) Деревья решений. Метод главных компонент. 31) Регрессия. Метод наименьших квадратов. Интервальная регрессия. Многомерная регрессия. 32) Кластеризация. Практические задания: 1. Реализовать алгоритм распознавания рукописных цифр с помощью наивного байесовского классификатора. 2. Создать систему для распознавания спамовых писем с помощью деревьев решений. 3. Понизить размерность признакового пространства методом главных компонент при диагностировании клеток опухоли по изображениям мазка крови. 4. Реализовать алгоритм предсказания октанового числа бензина по инфракрасному спектру с помощью регрессии на главные компоненты и проекции на латентные структуры. 5. Произвести сегментацию базы данных клиентов методами кластеризации и предсказать реакцию клиента. 6. Создать систему по распознаванию лиц методом собственных лиц. |
| Приложения |
|
Приложение 1.
ФОС (ПИЭ - экзамен) ПК-2, ПК-11.doc
|
6. Учебно-методическое и информационное обеспечение дисциплины
| 6.1. Рекомендуемая литература | ||||
| 6.1.1. Основная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л1.1 | Флах П. | Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных: | Издательство "ДМК Пресс", 2015 | e.lanbook.com |
| Л1.2 | Станкевич, Л. А. | Интеллектуальные системы и технологии : учебник и практикум для вузов / Л. А. Станкевич. — Москва : Издательство Юрайт, 2021. — 397 с. — (Высшее образование). — ISBN 978-5-534-02126-4. — Текст : электронный // ЭБС Юрайт [сайт]. — URL: https://urait.ru/bcode/469517 (дата обращения: 26.04.2021).: учебник и практикум для вузов | Издательство Юрайт, 2021 | urait.ru |
| Л1.3 | Храмов В. В., Гвоздев Д. С. | Интеллектуальные информационные системы: интеллектуальный анализ данных: учебное пособие | Ростовский государственный университет путей сообщения (Ростов-на-Дону), 2012 | elibrary.ru |
| 6.1.2. Дополнительная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л2.1 | А. В. Максимов, Н. М. Оскорбин | Многопользовательские информационные системы: основы теории и методы исследования: монография | Изд-во АлтГУ, 2013 | elibrary.asu.ru |
| 6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
| Название | Эл. адрес | |||
| Э1 | ИСКУССТВЕННЫЙ ИНТЕЛЕКТ. Статьи и литература. | ai.obrazec.ru | ||
| Э2 | Основные понятия и определения.Язык пролог. | www.techno.edu.ru | ||
| Э3 | Алгоритмы. Методы. Исходники | algolist.manual.ru | ||
| Э4 | Курс в Moodle "Интеллектуальные информационные системы" | portal.edu.asu.ru | ||
| Э5 | Открытый курс машинного обучения | habr.com | ||
| 6.3. Перечень программного обеспечения | ||||
| Среда разработки CLIPS, Deductor Academic, Microsoft Windows, Microsoft Office, 7-Zip, AcrobatReader Среда разработки Visual Studio 2010 и выше (приобретенные по программе «MSDN Academic Alliance»); TensorFlow - открытая программная библиотека для машинного обучения ; Theano - библиотека численного вычисления в Python; Keras - библиотека по глубинному обучению на PythonMicrosoft 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 Электронная база данных Scopus Научная электронная библиотека elibrary | ||||
7. Материально-техническое обеспечение дисциплины
| Аудитория | Назначение | Оборудование |
|---|---|---|
| Учебная аудитория | для проведения занятий лекционного типа, занятий семинарского типа (лабораторных и(или) практических), групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации, курсового проектирования (выполнения курсовых работ), проведения практик | Стандартное оборудование (учебная мебель для обучающихся, рабочее место преподавателя, доска) |
| 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 |
| 108М | лаборатория информационных технологий - компьютерный класс – учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации | Учебная мебель на 13 посадочных мест; рабочее место преподавателя; доска магнитно-маркерная; интерактивная доска: SMART Board – 1 ед.; персональные компьютеры: NAIO Corp Z520 – 13 ед. |
8. Методические указания для обучающихся по освоению дисциплины
| Аудиторные занятия со студентами по курсу «Интеллектуальные информационные системы» проходят в форме лекций, практических занятий. Во время лекций студенту предлагаются нормативные знания о развитии направления «Искусственный интеллект», задачах, решаемых в данной области, подходах к разработке систем искусственного интеллекта, методах и моделях представления знаний, а также о нейросетевых технологиях и теории нечетких систем. Во время лекции рекомендуется составлять ее конспект, который может быть дополнен во время практических занятий, а также самостоятельной работы и использован для подготовки к сдаче итогового испытания. Практические занятия по курсу «Интеллектуальные информационные системы» ориентированы на то, чтобы студенты получили навыки работы по созданию экспертных систем, созданию и обучению нейронных сетей, нечетких систем. При подготовке к практическому занятию следует просмотреть конспекты лекций по теме занятия и/или рекомендованную литературу. Все практические задания сформулированы в явном виде, многие задания имеют инструкцию по выполнению, кроме этого, студент может задать вопрос по правильности выполнения задания. Основное внимание студента должно быть уделено пониманию методов работы по созданию базы знаний, набора правил, представления знаний в виде продукций, выбору модели нейронной сети и ее оптимизации. Список литературы, содержащийся в рабочей программе, носит справочный характер и дает студенту возможность восстановить пробелы в знаниях определенных тем. Основная и дополнительная литература – необходимый минимум, в который включены базовые учебники и учебные пособия по курсу, из которых студент может почерпнуть необходимый материал для подготовки к занятиям, текущему контролю и промежуточной аттестации. Знание студентом дополнительно рекомендуемой литературы является подтверждением успешного усвоения курса и приветствуется преподавателем. С целью более глубокого усвоения изучаемого курса, формирования навыков практической работы и умения применять теоретические знания на практике, учебным планом предусмотрена самостоятельная работа студентов. Самостоятельная работа предполагает: повторение пройденного материала по конспектам лекций, ознакомление с рекомендованным списком литературы, выполнение заданий по темам практических занятий. Примеры типовых практических заданий и вопросов для итогового контроля можно найти в приложении. |