| Закреплена за кафедрой | Кафедра информатики |
|---|---|
| Направление подготовки | 09.04.01. Информатика и вычислительная техника |
| Профиль | Инженерия искусственного интеллекта |
| Форма обучения | Очная |
| Общая трудоемкость | 3 ЗЕТ |
| Учебный план | 09_04_01_Информатика и вычислительная техника_ИИИ-2024 |
|
|
||||||||||||
Распределение часов по семестрам
| Курс (семестр) | 1 (2) | Итого | ||
|---|---|---|---|---|
| Недель | 18,5 | |||
| Вид занятий | УП | РПД | УП | РПД |
| Лекции | 18 | 18 | 18 | 18 |
| Практические | 18 | 18 | 18 | 18 |
| Сам. работа | 72 | 72 | 72 | 72 |
| Итого | 108 | 108 | 108 | 108 |
| 1.1. | В рамках дисциплины «Глубокие нейронные сети на Python» рассматривается применение нейросетей для решения прикладных задач компьютерного зрения и анализа текстов. Вы узнаете, как устроена модель искусственного нейрона и нейронной сети, а также как обучать нейронную сеть решать задачи анализа данных. Будут рассмотрены популярные в настоящее время архитектуры нейронных сетей: сверточные, сети долго-краткосрочной памяти (LSTM) и управляемые рекуррентные блоки (GRU). |
|---|
| Цикл (раздел) ООП: Б1.О.3 |
| ОПК-2 | Способен разрабатывать оригинальные алгоритмы и программные средства, в том числе с использованием современных интеллектуальных технологий, для решения профессиональных задач; |
| ОПК-2.1 | Знать: современные информационно-коммуникационные и интеллектуальные технологии, инструментальные среды, программно-технические платформы для решения профессиональных задач. |
| ОПК-2.2 | Уметь: обосновывать выбор современных информационно-коммуникационных и интеллектуальных технологий, разрабатывать оригинальные программные средства для решения профессиональных задач. |
| ОПК-2.3 | Владеть: методами разработки оригинальных программных средств, в том числе с использованием современных информационно-коммуникационных и интеллектуальных технологий, для решения профессиональных задач. |
| ОПК-9 | Способен разрабатывать алгоритмы и программные средства для решения задач в области создания и применения искусственного интеллекта |
| ОПК-9.1 | Применяет инструментальные среды, программно-технические платформы для решения задач в области создания и применения искусственного интеллекта. |
| ОПК-9.2 | Разрабатывает оригинальные программные средства для решения задач в области создания и применения искусственного интеллекта. |
| ПК-2 | Способен выбирать, разрабатывать и проводить экспериментальную проверку работоспособности программных компонентов систем, искусственного интеллекта по обеспечению требуемых критериев эффективности и качества функционирования |
| ПК-2.1 | Выбирает и разрабатывает программные компоненты систем, искусственного интеллекта. |
| ПК-2.2 | Проводит экспериментальную проверку работоспособности систем искусственного интеллекта. |
| ПК-5 | Способен руководить проектами по созданию, поддержке и использованию системы искусственного интеллекта на основе нейросетевых моделей и методов |
| ПК-5.1 | Руководит работами по оценке и выбору моделей искусственных нейронных сетей и инструментальных средств для решения поставленной задачи. |
| ПК-5.2 | Руководит созданием систем искусственного интеллекта на основе моделей искусственных нейронных сетей и инструментальных средств. |
| ПК-5.3 | Руководит проектами по разработке систем искусственногоинтеллекта на основе моделей глубоких нейронных сетей и нечетких моделей и методов. |
| В результате освоения дисциплины обучающийся должен | |
| 3.1. | Знать: |
|---|---|
| 3.1.1. | современные информационно-коммуникационные и интеллектуальные технологии, инструментальные среды, программно-технические платформы для решения профессиональных задач. методы постановки задач, проведения и анализа тестовых и экспериментальных испытаний работоспособности систем искусственного интеллекта. функциональность современных инструментальных средств и систем программирования в области создания моделей искусственных нейронных сетей |
| 3.2. | Уметь: |
| 3.2.1. | обосновывать выбор современных информационно-коммуникационных и интеллектуальных технологий, разрабатывать оригинальные программные средства для решения профессиональных задач. ставить задачи и проводить тестовые и экспериментальные испытания работоспособности систем искусственного интеллекта, анализировать результаты и вносить изменения проводить оценку и выбор моделей искусственных нейронных сетей и инструментальных средств для решения задач машинного обучения применять современные инструментальные средства и системы программирования для разработки и обучения моделей искусственных нейронных сетей |
| 3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
| 3.3.1. | методами разработки оригинальных программных средств, в том числе с использованием современных информационно-коммуникационных и интеллектуальных технологий, для решения профессиональных задач. |
| Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
|---|---|---|---|---|---|---|
| Раздел 1. Основы программирования нейронных сетей | ||||||
| 1.1. | Введение в тематику искусственных нейронных сетей. Модель искусственного нейрона. Общее представление об искусственной нейронной сети. Библиотеки для обучения нейронных сетей. Распознавание предметов одежды. Обзор набора данных и выбор архитектуры нейронной сети. Распознавание предметов одежды. Построение архитектуры нейронной сети и ее обучение. Анализ качества обучения нейронной сети. | Лекции | 2 | 4 | Л1.1, Л2.1, Л2.2, Л1.2 | |
| 1.2. | Введение в тематику искусственных нейронных сетей. Модель искусственного нейрона. Общее представление об искусственной нейронной сети. Библиотеки для обучения нейронных сетей. Распознавание предметов одежды. Обзор набора данных и выбор архитектуры нейронной сети. Распознавание предметов одежды. Построение архитектуры нейронной сети и ее обучение. Анализ качества обучения нейронной сети. | Практические | 2 | 4 | Л1.1, Л2.1, Л2.2, Л1.2 | |
| 1.3. | Введение в тематику искусственных нейронных сетей. Модель искусственного нейрона. Общее представление об искусственной нейронной сети. Библиотеки для обучения нейронных сетей. Распознавание предметов одежды. Обзор набора данных и выбор архитектуры нейронной сети. Распознавание предметов одежды. Построение архитектуры нейронной сети и ее обучение. Анализ качества обучения нейронной сети. | Сам. работа | 2 | 14 | Л1.1, Л2.1, Л2.2, Л1.2 | |
| Раздел 2. Обучение искусственной нейронной сети | ||||||
| 2.1. | Обучение искусственного нейрона. Обучение искусственной нейронной сети. Метод обратного распространения ошибки. | Лекции | 2 | 2 | Л1.1, Л2.1, Л2.2, Л1.2 | |
| 2.2. | Обучение искусственного нейрона. Обучение искусственной нейронной сети. Метод обратного распространения ошибки. | Практические | 2 | 2 | Л1.1, Л2.1, Л2.2, Л1.2 | |
| 2.3. | Обучение искусственного нейрона. Обучение искусственной нейронной сети. Метод обратного распространения ошибки. | Сам. работа | 2 | 14 | Л1.1, Л2.1, Л2.2, Л1.2 | |
| Раздел 3. Нейронные сети для анализа табличных данных | ||||||
| 3.1. | Применение нейронных сетей для решения задачи регрессии | Лекции | 2 | 2 | Л1.1, Л2.1, Л2.2, Л1.2 | |
| 3.2. | Применение нейронных сетей для решения задачи регрессии | Практические | 2 | 2 | Л1.1, Л2.1, Л2.2, Л1.2 | |
| 3.3. | Применение нейронных сетей для решения задачи регрессии | Сам. работа | 2 | 14 | Л1.1, Л2.1, Л2.2, Л1.2 | |
| Раздел 4. Нейронные сети для задачи анализа изображений | ||||||
| 4.1. | Сверточные нейронные сети. Распознавание объектов на изображении. Предварительно обученные нейронные сети. Перенос обучения в нейронных сетях | Лекции | 2 | 6 | Л1.1, Л2.1, Л2.2, Л1.2 | |
| 4.2. | Сверточные нейронные сети. Распознавание объектов на изображении. Предварительно обученные нейронные сети. Перенос обучения в нейронных сетях | Практические | 2 | 6 | Л1.1, Л2.1, Л2.2, Л1.2 | |
| 4.3. | Сверточные нейронные сети. Распознавание объектов на изображении. Предварительно обученные нейронные сети. Перенос обучения в нейронных сетях | Сам. работа | 2 | 16 | Л1.1, Л2.1, Л2.2, Л1.2 | |
| Раздел 5. Нейронные сети для задачи анализа естественного языка | ||||||
| 5.1. | Нейронные сети для задач обработки естественного языка. Одномерные сверточные нейронные сети. Рекуррентные нейронные сети для задач обработки естественного языка | Лекции | 2 | 4 | Л1.1, Л2.1, Л2.2, Л1.2 | |
| 5.2. | Нейронные сети для задач обработки естественного языка. Одномерные сверточные нейронные сети. Рекуррентные нейронные сети для задач обработки естественного языка | Практические | 2 | 4 | Л1.1, Л2.1, Л2.2, Л1.2 | |
| 5.3. | Нейронные сети для задач обработки естественного языка. Одномерные сверточные нейронные сети. Рекуррентные нейронные сети для задач обработки естественного языка | Сам. работа | 2 | 14 | Л1.1, Л2.1, Л2.2, Л1.2 | |
| 5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
| Контрольные вопросы и задания для проведения текущего контроля освоения дисциплины Оценочные материалы для текущего контроля по разделам и темам дисциплины в полном объеме размещены в онлайн-курсе на образовательном портале «Цифровой университет АлтГУ» 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 Вопрос 1. Для обработки естественного языка используются следующие библиотеки на Python: Выберите один или несколько ответов: а. TensorFlow б. LightGBM в. Requests г. HuggingFace д. PyTest ОТВЕТ: аг Вопрос 2. Выберите верные утверждения о глубокой нейронной сети а. это один из методов машинного обучения б. сеть из простых вычислительных элементов – искусственных нейронов в. полностью повторяет устройство нейронной сети человеческого головного мозга г. единственный метод создания систем искусственного интеллекта д. модель искусственного нейрона придумана на основе устройства нейрона в мозгу человека ОТВЕТ: абд Вопрос 3. Почему активное практическое применение искусственных нейронных сетей стало возможным именно сейчас? а. разработаны базовые концепции нейронных сетей: свёрточные нейронные сети, алгоритм обратного распространения ошибки б. появились многоядерные процессоры и графические ускорители GPU в. накопилось огромное количество данных (в том числе размеченных) г. появились новые задачи, которые можно решить с помощью искусственных нейронных сетей д. придумана модель искусственного нейрона е. произошли качественные улучшения алгоритмов оптимизации обучения, функций активации ОТВЕТ: бве Вопрос 4. Можно сказать, что глубокое обучение является подразделом следующих областей а. высшая математика б. линейная алгебра в. машинное обучение г. программирование д компьютерные сети е. искусственный интеллект ОТВЕТ: ве Вопрос 5. Машинное обучение, а значит, и глубокие нейронные сети на выходе дают нам а. прибыль б. правила в. пользу г. ответы ОТВЕТ: б Вопрос 6.Нейронные сети на данный момент способны решать следующие задачи а. осознавать себя б. классифицировать изображения на уровне человека в. распознавать речь на уровне человека г. воссоздавать подобные себе алгоритмы д. управлять автомобилем на уровне, сравнимом с человеком ОТВЕТ: бвд Вопрос 7. Методика глубокого обучения имеет важные характеристики, отличающие ее от методики машинного обучения а. на основе данных и правильных ответов создает правила б. поэтапно, послойно конструирует все более сложные представления в. на основе правил и данных дает ответы г. исследует промежуточные представления совместно, за счет чего каждый слой обновляется в соответствии с информацией, полученной от представлений других слоев ОТВЕТ: бг Вопрос 8. Успешности нейронных сетей в наше время поспособствовало создание и усовершенствование следующих алгоритмов а. усовершенствование функций активации б. создание алгоритма обратного распространения ошибки в. создание сверточных нейронных сетей г. лучшие схемы оптимизации, такие как RMSProp и Adam д. создание алгоритма долгой краткосрочной памяти е. более оптимальные схемы инициализации весов ОТВЕТ: аге Вопрос 9. В 2014–2016-х годах открыты более совершенные способы распространения градиента, которые помогли совершить прорыв в развитии глубокого обучения а. алгоритм обратного распространения ошибки б. пакетная нормализация в. алгоритм долгой краткосрочной памяти г. обходные связи д. отделимые свертки е. сверточные нейронные сети ОТВЕТ: бгд Вопрос 10.Что делает сумматорная функция нейрона? а. суммирует произведения входных значений на их веса б. суммирует выходные значения в. суммирует веса нейронной сети г. суммирует входные значения ОТВЕТ: а Вопрос 11. Какие базовые типы слоев нейронной сети вы знаете? а. выходной слой б. дополнительный слой в. скрытый слой г. входной слой д. суммирующий слой е. пороговый слой ОТВЕТ: авг Вопрос 12. Входы искусственной нейронной сети — это а. математическая функция б. дендриты в. математический вектор чисел г. аксоны ОТВЕТ: в Вопрос 13. Функция активации — это а. синапс б. сумма произведений входных данных на их веса в. функция, преобразовывающая входные сигналы перед их попаданием в сумматор г. функция, преобразовывающая результат суммирующей функции в некий ответ, который можно интерпретировать ОТВЕТ: г Вопрос 14. На вход функции активации Хэвисайда подано число 5. Известно, что ее смещение (bias) равно 10. Функция активации вернет а. 0 б. 1 в. 10 г. 0,5 ОТВЕТ: а Вопрос 15. На вход сигмоидальной функции активации пришло число -0,89. Функция вернет а. 0,89 б. 0,29 в. -1,0 г. 0,0 д. 0,71 ОТВЕТ: б 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. Веса искусственной нейронной сети — это ______________ Ответ: математический вектор чисел 2. Нейронная сеть с возможностью обратных связей называется ______________ Ответ: рекуррентная нейронная сеть 3. ______________ - это функция, преобразовывающая результат суммирующей функции в некий ответ, который можно интерпретировать Ответ: Функция активации 4. Какие базовые типы слоев нейронной сети вы знаете? Ответ: выходной слой, скрытый слой, входной слой 5. Корректировать веса нейронов в ходе обучения помогает ______________ Ответ: алгоритм обратного распространения ошибки 6. ______________ – это методика обучения, основанная на концепции деревьев решений. Множественные деревья решений создаются путем случайного выбора подмножества переменных на каждом шаге дерева решений, которое объединяется в ______________. Затем выбирается режим всех прогнозов в результате с наименьшей вероятностью ошибок. Ответ: случайный лес 7. Каковы недостатки наивного Байеса? Ответ: Самый большой недостаток Наивного Байеса заключается в его предположении, что характеристики набора данных полностью не коррелируют друг с другом, что бывает редко. 8. Как наивный Байес можно улучшить? Ответ: Единственный способ улучшить производительность Наивного Байеса – это фактически удалить корреляции между функциями и сделать процесс оптимальным для Наивного Байеса. 9. ______________ – это, по сути, подмножество машинного обучения, вдохновленное человеческим мозгом. Он фокусируется на извлечении признаков путем вывода информации из нескольких слоев, где каждый слой передает информацию каждому слою для окончательного результата. Ответ: Глубокое обучение 10. ______________ фокусируется на анализе и изучении этих данных на основе функций, вводимых в модель, и использовании этих данных для принятия более эффективных решений. Ответ: Машинное обучение 11. Какие библиотеки Python обычно используются в машинном обучении? Ответ: Pandas, NumPy, SciPy, Seaborn, Sklearn и т. Д. Входят в пятерку наиболее часто используемых библиотек для анализа данных и научных вычислений, необходимых для моделей машинного обучения. 12. Чем NULL отличается от 0? Ответ: 0 - это число. NULL - это не число, а также NULL не является значением пустой строки. NULL используется для указания того, что данные отсутствуют, неизвестны, неприменимы. NULL не равен ничему, даже другому NULL. 13. Как бы вы поступили с отсутствующими данными в наборе данных? Ответ: можно заменить отсутствующее значение другим значением, используя меру центральной тенденции, такую как среднее значение, медиана или мода. Чаще всего используется следующий подход: Непрерывные переменные: заменить отсутствующие на среднее значение Порядковые переменные: замените отсутствующие на медиану Категориальные переменные: заменить отсутствующие на режим В случае, если у нас очень небольшая доля отсутствующих значений в большом наборе данных, мы также можем удалить их. dropna () из библиотеки Pandas. 14. ______________ фокусируется на разработке алгоритмов и методологий, которые могут помочь машинам учиться и развиваться самостоятельно. Ответ: Машинное обучение. 15. ______________ - это предсказание последствий некоторых событий или явлений на основании имеющихся данных. Ответ: прогнозирование 16. Нейрон является ... Ответ: особой биологической клеткой, которая обрабатывает информацию 17. Параметр units слоя Dense обозначает ______________ Ответ: количество нейронов в данном слое 18. Dense — это ______________ Ответ: слой нейронной сети 19. Количество нейронов на последнем слое зависит от Ответ: количества категорий, которые нужно классифицировать 20. Высокое качество модели при проверке на тренировочных данных и одновременно низкое качество при проверке на тестовом наборе говорит о том, что ______________ Ответ: модель переобучилась 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. ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ПК-2 Способен выбирать, разрабатывать и проводить экспериментальную проверку работоспособности программных компонентов систем, искусственного интеллекта по обеспечению требуемых критериев эффективности и качества функционирования ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА Вопрос 1. Нейронная сеть с возможностью обратных связей называется а. сверточная нейронная сеть б. полносвязная нейронная сеть в. обратная нейронная сеть г. рекуррентная нейронная сеть ОТВЕТ: г Вопрос 2. На вход функции активации гиперболический тангенс пришло число -0,89. Функция вернет а. -0,71 б. 0,71 в. 0,29 г. 1,0 д. 0,0 ОТВЕТ: а Вопрос 3. На вход функции активации ReLU пришло число -0,89. Функция вернет а. 0,0 б. 0,71 в. 0,89 г. -1,0 д. -0,89 е. 1,0 ОТВЕТ: а Вопрос 4. Какие две базовые задачи решают нейронные сети? а. оптимизация б классификация в. регрессия г. поиск д. систематизация ОТВЕТ: бв Вопрос 5. Какие типы обучения нейронной сети существуют? а. обучение с учителем б. обучение на правилах в. обучение по книгам г. обучение без учителя д. обучение с подкреплением е. обучение с осознанием ОТВЕТ: агд Вопрос 6. Традиционный подход к обучению нейронных сетей требовал глубокого понимания а. определенных разделов математики б. устройства нейронной сети головного мозга в. программирования г. базовых принципов обучения живых существ д. многоядерных процессоров, многопроцессорных систем, ускорителей вычислений ОТВЕТ: авд Вопрос 7. Назовите две наиболее популярные библиотеки для создания искусственных нейронных сетей а. Caffe б. TensorFlow в. Theano г. PyTorch д. Darknet ОТВЕТ: бг Вопрос 8. Корректировать веса нейронов в ходе обучения помогает а. алгоритм обучения б. алгоритм обратного распространения ошибки в. алгоритм внимания г. алгоритм обновления весов ОТВЕТ: б Вопрос 9. Нейронная сеть, обучающаяся без учителя, способна решать следующие задачи а. классификация б. кластеризация в. регрессия г. систематизация д. сокращение размерности ОТВЕТ: бд Вопрос 10. Существуют следующие подходы к реализации процесса обучения а. полное обучение б. частичное обучение в. онлайн-обучение г. обучение на мини-выборках д. обучение с подкреплением ОТВЕТ: авг Вопрос 11. Назовите библиотеку программирования нейронных сетей верхнего уровня, которая использует в качестве вычислительного back-end TensorFlow или Theano а. Theano б. Keras в. PyTorch г. Caffe д. CNTK ОТВЕТ: б Вопрос 12. Выберите верные утверждения о наборе Fashion MNIST а. размер изображений 32х32 пикселя б. изображения цветные в. каждое изображение даст на вход нейронной сети 784 признака г. размер изображений 28х28 пикселей д. набор имеет 9 типов объектов е. изображения черно-белые ж. каждое изображение даст на вход нейронной сети 1024 признака з. набор имеет 10 типов объектов ОТВЕТ: вгез Вопрос 13. Дан набор данных с пятью классами. Классы обозначены метками от 0 до 4. Выберите варианты, где метки классов закодированы верно. Использован подход One Hot Encoding а. 1 → [0, 1, 0, 0, 0, 0] б. 2 → [0, 0, 1, 0, 0] в. 3 → [0, 0, 0, 3, 0] г. 5 → [0, 0, 0, 0, 0, 1] д. 0 → [1, 0, 0, 0, 0] е. 4 → [0, 0, 0, 0, 1] ОТВЕТ: бде Вопрос 14. Размер входного изображения 15х15. В первом слое 200 нейронов. Для первого скрытого слоя придется обучить следующее число весов а. 12000 б. 300 в. 225 г. 200 д. 45000 е. 3000 ж. 15 ОТВЕТ: д Вопрос 15. Дано цветное изображение 100х100 пикселей. На вход нейронной сети попадет следующее число параметров а. 300 б. 100 в. 30000 г. 10000 ОТВЕТ: в 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. Обучение нейрона – это ______________ Ответ: подбор весов нейрона 2. Нейронная сеть с возможностью обратных связей называется ______________ Ответ: рекуррентная нейронная сеть 3. ______________ - это функция, преобразовывающая результат суммирующей функции в некий ответ, который можно интерпретировать Ответ: Функция активации 4. Какие базовые типы слоев нейронной сети вы знаете? Ответ: выходной слой, скрытый слой, входной слой 5. Корректировать веса нейронов в ходе обучения помогает ______________ Ответ: алгоритм обратного распространения ошибки 6. Для подбора гиперпараметров служит ______________. Ответ: проверочный набор 7. Дано изображение 100х100. Дан один сверточный слой с одним сверточным ядром 3х3. Нужно будет обучить _____________ Ответ: 9 весов. 8. MSE используется в задачах ______________ Ответ: регрессии 9. ______________ – это, по сути, подмножество машинного обучения, вдохновленное человеческим мозгом. Он фокусируется на извлечении признаков путем вывода информации из нескольких слоев, где каждый слой передает информацию каждому слою для окончательного результата. Ответ: Глубокое обучение 10. ______________ фокусируется на анализе и изучении этих данных на основе функций, вводимых в модель, и использовании этих данных для принятия более эффективных решений. Ответ: Машинное обучение 11. Какие библиотеки Python обычно используются в машинном обучении? Ответ: Pandas, NumPy, SciPy, Seaborn, Sklearn и т. Д. Входят в пятерку наиболее часто используемых библиотек для анализа данных и научных вычислений, необходимых для моделей машинного обучения. 12. Чем NULL отличается от 0? Ответ: 0 - это число. NULL - это не число, а также NULL не является значением пустой строки. NULL используется для указания того, что данные отсутствуют, неизвестны, неприменимы. NULL не равен ничему, даже другому NULL. 13. В методе стохастического градиентного спуска градиент функции ошибки рассчитывается на _____________ обучающей выборки Ответ: одном элементе 14. ______________ фокусируется на разработке алгоритмов и методологий, которые могут помочь машинам учиться и развиваться самостоятельно. Ответ: Машинное обучение. 15. ______________ - это предсказание последствий некоторых событий или явлений на основании имеющихся данных. Ответ: прогнозирование 16. Нейрон является ... Ответ: особой биологической клеткой, которая обрабатывает информацию 17. Параметр units слоя Dense обозначает ______________ Ответ: количество нейронов в данном слое 18. Dense — это ______________ Ответ: слой нейронной сети 19. Количество нейронов на последнем слое зависит от Ответ: количества категорий, которые нужно классифицировать 20. Архитектура нейронной сети, которая использует непоследовательные преобразования, периодически объединяя (суммированием) выход текущего слоя с выходом слоя, который был обработан на несколько шагов ранее? Ответ: ResNet 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. ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ОПК-9 Способен разрабатывать алгоритмы и программные средства для решения задач в области создания и применения искусственного интеллекта ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА Вопрос 1. Полносвязная нейронная сеть имеет следующие крупные недостатки а. недостатков нет б. с ростом числа входных данных слишком быстро растет число параметров, которые нужно обучить в. проблема затухающего градиента г. плохо решает задачу классификации д. плохо решает задачу регрессии ОТВЕТ: бв Вопрос 2.Параметр units слоя Dense обозначает а. количество слоев в нейронной сети б. функцию активации в данном слое в. количество нейронов в данном слое г. количество входных данных ОТВЕТ: в Вопрос 3. Количество нейронов на последнем слое зависит от а. возможности подбирать произвольно б. количества категорий, которые нужно классифицировать в. количества входных данных г. количества слоев в нейронной сети ОТВЕТ: б Вопрос 4. Какие две базовые задачи решают нейронные сети? а. оптимизация б классификация в. регрессия г. поиск д. систематизация ОТВЕТ: бв Вопрос 5. Самые крупные недостатки рекуррентных нейронных сетей а. затухающий градиент б. невозможность извлечь контекст в. взрывной градиент г. требует на вход последовательность фиксированной длины д. невозможность распараллеливания вычислений ОТВЕТ: авд Вопрос 6. Dense — это а. нейрон б. слой нейронной сети в. модель нейронной сети г. функция активации ОТВЕТ: б Вопрос 7. Верные утверждения про архитектуру предварительно обученной нейронной сети VGG16 а. содержит 19 слоев б. содержит 6 блоков сверточных слоев в. последний сверточный слой содержит 64 карты признаков г. содержит 5 блоков сверточных слоев д. содержит 16 настраиваемых слоев е. последний сверточный слой содержит 512 карт признаков ж. содержит 3 слоя подвыборки з. содержит 5 слоев подвыборки ОТВЕТ: гдез Вопрос 8. Для задачи регрессии чаще всего применяют следующие метрики качества а. Accuracy б. MAE в. Precision г. Recall д. MSE е. Cross Entropy ОТВЕТ: бд Вопрос 9.Многие предварительно обученные нейронные сети обучаются на основе подмножества набора данных а. Recognition Challenge set б. ImageNet в. Large Scale Visual set г. BigImageNet ОТВЕТ: б Вопрос 10. Для задачи классификации можно применить следующие метрики качества а. Accuracy б. MAE в. Precision г. Recall д. MSE е. Cross Entropy ОТВЕТ: авге Вопрос 11. Недостатками полносвязных нейронных сетей для решения задач обработки изображений являются а. наличие многочисленных связей между нейронами б. некорректность работы функции активации при обработке изображений в. необходимость обучения слишком многих параметров г. соответствие роста размера изображения и числа связей между нейронами д. игнорирование пространственной структуры данных е. недостатков нет ОТВЕТ: авгд Вопрос 12. Пусть класс 0 – гриб ядовитый, класс 1 – неядовитый. Нейронная сеть предсказала, что гриб неядовитый с вероятностью 0,90. На самом деле гриб ядовитый. Бинарная кросс энтропия (Cross Entropy) вернет следующее значение (считаем, что в формуле используется натуральный логарифм) а. 1,0 б. 0,0 в. 2,9 г. -2,3 д. 2,3 ОТВЕТ: д Вопрос 13. Нейронная сеть, обучающаяся без учителя, способна решать следующие задачи а. классификация б. кластеризация в. регрессия г. систематизация д. сокращение размерности ОТВЕТ: бд Вопрос 14.При загрузке данных из стандартных наборов данных Kears функция load_data() возвращает следующие данные а. x_validation б. x_train в. y_data г. y_test д. y_validation е. x_data ж. y_train з x_test ОТВЕТ: бгжз Вопрос 15. Существуют следующие подходы к реализации процесса обучения а. полное обучение б. частичное обучение в. онлайн-обучение г. обучение на мини-выборках д. обучение с подкреплением ОТВЕТ: авг 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. Высокое качество модели при проверке на тренировочных данных и одновременно низкое качество при проверке на тестовом наборе говорит о том, что ______________ Ответ: модель переобучилась 2. Нейронная сеть с возможностью обратных связей называется ______________ Ответ: рекуррентная нейронная сеть 3. ______________ - это функция, преобразовывающая результат суммирующей функции в некий ответ, который можно интерпретировать Ответ: Функция активации 4. Какие базовые типы слоев нейронной сети вы знаете? Ответ: выходной слой, скрытый слой, входной слой 5. Корректировать веса нейронов в ходе обучения помогает ______________ Ответ: алгоритм обратного распространения ошибки 6. Для подбора гиперпараметров служит ______________. Ответ: проверочный набор 7. Дано изображение 100х100. Дан один сверточный слой с одним сверточным ядром 3х3. Нужно будет обучить _____________ Ответ: 9 весов. 8. MSE используется в задачах ______________ Ответ: регрессии 9. ______________ – это, по сути, подмножество машинного обучения, вдохновленное человеческим мозгом. Он фокусируется на извлечении признаков путем вывода информации из нескольких слоев, где каждый слой передает информацию каждому слою для окончательного результата. Ответ: Глубокое обучение 10. ______________ фокусируется на анализе и изучении этих данных на основе функций, вводимых в модель, и использовании этих данных для принятия более эффективных решений. Ответ: Машинное обучение 11. Какие библиотеки Python обычно используются в машинном обучении? Ответ: Pandas, NumPy, SciPy, Seaborn, Sklearn и т. Д. Входят в пятерку наиболее часто используемых библиотек для анализа данных и научных вычислений, необходимых для моделей машинного обучения. 12. На последнем слое сверточной нейронной сети для решения задачи классификации вы примените ______________ Ответ: полносвязный слой 13. В методе стохастического градиентного спуска градиент функции ошибки рассчитывается на _____________ обучающей выборки Ответ: одном элементе 14. ______________ фокусируется на разработке алгоритмов и методологий, которые могут помочь машинам учиться и развиваться самостоятельно. Ответ: Машинное обучение. 15. ______________ - это предсказание последствий некоторых событий или явлений на основании имеющихся данных. Ответ: прогнозирование 16. Нейрон является ... Ответ: особой биологической клеткой, которая обрабатывает информацию 17. Параметр units слоя Dense обозначает ______________ Ответ: количество нейронов в данном слое 18. Dense — это ______________ Ответ: слой нейронной сети 19. Архитектура нейронной сети, которая использует непоследовательные преобразования, периодически объединяя (суммированием) выход текущего слоя с выходом слоя, который был обработан на несколько шагов ранее? Ответ: ResNet 20. Для снижения размерности изображения вы примените ______________ Ответ: слой подвыборки 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. ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ПК-5 Способен руководить проектами по созданию, поддержке и использованию системы искусственного интеллекта на основе нейросетевых моделей и методов ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА Вопрос 1. Для распознавания моделей одежды была создана нейронная сеть. Выберите параметры, которые передавались при компиляции а. функция потерь – adam б. метрика качества – categorical_crossentropy в. оптимизатор обучения – adam г. функция потерь – categorical_crossentropy д. метрика качества – sgd е. оптимизатор обучения – accuracy ж. функция потерь – binary_crossentropy з. метрика качества – accuracy и оптимизатор обучения – sgd ОТВЕТ: вгз Вопрос 2. Для распознавания моделей одежды была создана нейронная сеть. Выберите верные утверждения о ней а. полносвязная нейронная сеть б. в сети 1 слой в. рекуррентная нейронная сеть г. выходной слой содержал 10 нейронов д. входной слой содержал 784 нейрона е. обычная нейронная сеть ж. скрытый слой содержал 800 нейронов з. в ней 3 слоя и. скрытый слой содержал 10 нейронов к. входной слой содержал 800 нейронов л в сети 2 слоя м. выходной слой содержал 800 нейронов ОТВЕТ: агкл Вопрос 3.Если решается задача многоклассовой классификации на несбалансированном наборе данных, то можно применить следующие метрики качества а. MAE б. Precision в. Cross Entropy г. Recall д. MSE е. Accuracy ОТВЕТ: в Вопрос 4 Следующие метрики могут быть использованы и как функции потерь а. Accuracy б. MAE в. Precision г. Recall д. MSE е. Cross Entropy ОТВЕТ: бде Вопрос 5. Верные утверждения про проверочный набор данных в Keras и TensorFlow а. проверяет полностью обученную нейронную сеть после ее обучения и дает истинную оценку качества модели б. загружается автоматически при вызове функции load_data() в. его можно выделить при помощи параметра validation_split г. применяется для подбора гиперпараметров нейронной сети д. применяется для подбора параметров нейронной сети е. проверяет качество нейронной сети после каждой эпохи ее обучения ж. на основе оценок качества модели на проверочном наборе данных можно сделать заключение о переобучении модели нейронной сети ОТВЕТ: вгеж Вопрос 6. Для борьбы с переобучением можно а. увеличить объем обучающей выборки б. ничего не делать в. уменьшить сложность нейронной сети г. сделать еще несколько эпох обучения ОТВЕТ: ав Вопрос 7. Гиперпараметрами нейронной сети являются а. веса нейронной сети б. количество слоев нейронной сети в. количество нейронов в слое нейронной сети г. смещение нейронов д. функции активации е. функция ошибок ОТВЕТ: бвде Вопрос 8. Параметрами нейронной сети являются а. веса нейронной сети б. количество слоев нейронной сети в. количество нейронов в слое нейронной сети г. смещение нейронов д. функции активации е. функция ошибок ОТВЕТ: аг Вопрос 9. В методе градиентного спуска 1. Изменяются веса 2. Добавляется элемент в обучающую выборку 3. Вычисляется градиент Выберите правильный порядок действий а. 1,2 б. 2,1 в. 2,3 г. 3,1 д. 1,2,3 ОТВЕТ: г Вопрос 10. Методы градиентного спуска используют для а. сбора обучающей выборки б. подбора весов модели искусственного нейрона в. расчета функции ошибки г. вычисления выхода искусственного нейрона ОТВЕТ: б Вопрос 11. Обучающая выборка – это а. набор функций активации б. набор весов нейрона в. набор входов нейрона г. набор пар (входной вектор) ОТВЕТ: г Вопрос 12. Скрытым слоем искусственной нейронной сети называется а. первый слой, получающий на вход элементы вектора признаков б. слой между входным и выходным слоем в. последний слой, дающий ответ сети ОТВЕТ: б Вопрос 13. Рекуррентные нейронные сети подходят для обработки данных следующих типов а. табличные данные б. аудиосигналы в. данные временных рядов г. изображения д. текстовые последовательности ОТВЕТ: бвд Вопрос 14. Отличиями ячейки GRU от LSTM являются а. более сложная архитектура б. меньшее количество входных данных в. меньшее количество выходных данных г. меньшее количество операций внутри одной ячейки памяти д. решение проблемы затухающего градиента ОТВЕТ: бвг Вопрос 15. Рекуррентными являются следующие слои а. Conv1D б. MaxPooling1D в. SimpleRNN г. Dense д. Embedding е. Conv2D ж. GRU з. LSTM ОТВЕТ: вжз 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. Для правдоподобной оценки качества обученной модели используют ______________ Ответ: тестовый набор 2. Нейронная сеть с возможностью обратных связей называется ______________ Ответ: рекуррентная нейронная сеть 3. ______________ - это функция, преобразовывающая результат суммирующей функции в некий ответ, который можно интерпретировать Ответ: Функция активации 4. Какие базовые типы слоев нейронной сети вы знаете? Ответ: выходной слой, скрытый слой, входной слой 5. Корректировать веса нейронов в ходе обучения помогает ______________ Ответ: алгоритм обратного распространения ошибки 6. Для подбора гиперпараметров служит ______________. Ответ: проверочный набор 7. Дано изображение 100х100. Дан один сверточный слой с одним сверточным ядром 3х3. Нужно будет обучить _____________ Ответ: 9 весов. 8. MSE используется в задачах ______________ Ответ: регрессии 9. ______________ – это, по сути, подмножество машинного обучения, вдохновленное человеческим мозгом. Он фокусируется на извлечении признаков путем вывода информации из нескольких слоев, где каждый слой передает информацию каждому слою для окончательного результата. Ответ: Глубокое обучение 10. ______________ фокусируется на анализе и изучении этих данных на основе функций, вводимых в модель, и использовании этих данных для принятия более эффективных решений. Ответ: Машинное обучение 11. Классическая архитектура нейронной сети для распознавания рукописных цифр называется Ответ: LeNet 12. На последнем слое сверточной нейронной сети для решения задачи классификации вы примените ______________ Ответ: полносвязный слой 13. В методе стохастического градиентного спуска градиент функции ошибки рассчитывается на _____________ обучающей выборки Ответ: одном элементе 14. ______________ фокусируется на разработке алгоритмов и методологий, которые могут помочь машинам учиться и развиваться самостоятельно. Ответ: Машинное обучение. 15. ______________ - это предсказание последствий некоторых событий или явлений на основании имеющихся данных. Ответ: прогнозирование 16. Нейрон является ... Ответ: особой биологической клеткой, которая обрабатывает информацию 17. Параметр units слоя Dense обозначает ______________ Ответ: количество нейронов в данном слое 18. Dense — это ______________ Ответ: слой нейронной сети 19. Архитектура нейронной сети, которая использует непоследовательные преобразования, периодически объединяя (суммированием) выход текущего слоя с выходом слоя, который был обработан на несколько шагов ранее? Ответ: ResNet 20. Если вы наблюдаете процесс переобучения, то можете применить следующий слой Ответ: Dropout 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 |
| Промежуточная аттестация заключается в проведении в конце семестра зачета (для обучающихся, не получивших зачет по результатам текущей успеваемости) по всему изученному курсу. Зачет проводится в устной форме по билетам. В билет входит 2 вопроса: 1 вопрос теоретического характера и 1 вопрос практико-ориентированного характера. ВОПРОСЫ ТЕОРЕТИЧЕСКОГО ХАРАКТЕРА 1. Модель искусственного нейрона Мак-Каллока–Питтса. 2. Функции активации в модели искусственного нейрона. 3. Обучение искусственного нейрона. Метод градиентного спуска. 4. Стохастический градиентный спуск. 5. Типы функций ошибки при обучении искусственного нейрона и их назначение. 6. Искусственные нейронные сети. 7. Архитектура полносвязных искусственных нейронных сетей. 8. Обучение нейронной сети. Алгоритм обратного распространения ошибки. 9. Модификации градиентного спуска: градиентный спуск с инерцией. 10. Модификации градиентного спуска: ускоренный градиентный спуск Нестерова. 11. Модификации градиентного спуска: адаптивный градиентный спуск. 12. Модификации градиентного спуска: метод адаптивного скользящего среднего. 13. Модификации градиентного спуска: метод адаптивного шага обучения. 14. Модификации градиентного спуска: метод адаптивной инерции. 15. Переобучение в нейронной сети. 16. Оценка качества обучения нейронной сети. Метрики оценки качества. 17. Типы наборов данных для обучения нейронной сети. 18. Библиотеки для обучения нейронных сетей. 19. Обработка табличных данных с помощью нейронных сетей. 20. Обработка изображений с помощью нейронных сетей. 21. Архитектура сверточных нейронных сетей. 22. Предварительно обученные нейронные сети для анализа изображений. 23. Перенос обучения в нейронных сетях для анализа изображений. 24. Классификация изображений с помощью сверточных нейронных сетей. 25. Обработка текста с помощью нейронных сетей. 26. Методы токенизации текста. 27. Методы векторизации текста. 28. Архитектура рекуррентных нейронных сетей. 29. Обучение рекуррентных нейронных сетей. 30. Архитектура рекуррентных сетей LSTM (Long-Short Term Memory). 31. Архитектура рекуррентных сетей GRU (Gated Recurrent Unit). 32. Применение рекуррентных нейронных сетей для классификации текста. 33. Архитектура одномерных сверточных нейронных сетей. 34. Применение одномерных сверточных нейронных сетей для классификации текста. 35. Определение тональности текста с помощью глубоких нейронных сетей ВОПРОСЫ ПРАКТИКО-ОРИЕНТИРОВАННОГО ХАРАКТЕРА 1.Разработайте сверточную нейронную сеть для распознавания объектов на изображениях из набора данных CIFAR-10. 2. Разработайте нейронную сеть для классификации тональности текстов отзывов YELP. 3. Рассчитать значение ошибки на шаге обучение. 4. Оцените качества обучения глубокой нейронной сети. 5. Разработайте полносвязную глубокую нейронную сеть для распознавание предметов одежды. КРИТЕРИИ ОЦЕНИВАНИЯ: «Отлично» (зачтено): студентом дан полный, в логической последовательности развернутый ответ на поставленные вопросы, где он продемонстрировал знания предмета в полном объеме учебной программы, достаточно глубоко осмысливает дисциплину, самостоятельно, и исчерпывающе отвечает на дополнительные вопросы, приводит собственные примеры по проблематике поставленного вопроса, решил предложенные практические задания без ошибок. «Хорошо» (зачтено): студентом дан развернутый ответ на поставленный вопрос, где студент демонстрирует знания, приобретенные на лекционных и семинарских занятиях, а также полученные посредством изучения обязательных учебных материалов по курсу, дает аргументированные ответы, приводит примеры, в ответе присутствует свободное владение монологической речью, логичность и последовательность ответа. Однако допускаются неточности в ответе. Решил предложенные практические задания с небольшими неточностями. «Удовлетворительно» (зачтено): студентом дан ответ, свидетельствующий в основном о знании процессов изучаемой дисциплины, отличающийся недостаточной глубиной и полнотой раскрытия темы, знанием основных вопросов теории, слабо сформированными навыками анализа явлений, процессов, недостаточным умением давать аргументированные ответы и приводить примеры, недостаточно свободным владением монологической речью, логичностью и последовательностью ответа. Допускается несколько ошибок в содержании ответа и решении практических заданий. «Неудовлетворительно» (не зачтено): студентом дан ответ, который содержит ряд серьезных неточностей, обнаруживающий незнание процессов изучаемой предметной области, отличающийся неглубоким раскрытием темы, незнанием основных вопросов теории, неумением давать аргументированные ответы. Выводы поверхностны. Решение практических заданий не выполнено. Студент не способен ответить на вопросы даже при дополнительных наводящих вопросах преподавателя. |
| 6.1. Рекомендуемая литература | ||||
| 6.1.1. Основная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л1.1 | Гудфеллоу Я., Бенджио И., Курвилль А. | Глубокое обучение: | Издательство "ДМК Пресс", 2018 | e.lanbook.com |
| Л1.2 | Николенко С., Кадурин А., Архангельская Е. | Глубокое обучение. — 480 с.: ил. — (Серия «Библиотека программиста»).: | СПб.: Питер, 2018 | |
| 6.1.2. Дополнительная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л2.1 | Гласснер, Э. | Глубокое обучение без математики. Том 1: | ДМК Пресс, 2019 | https://e.lanbook.com/book/131696 |
| Л2.2 | Гласснер, Э. | Глубокое обучение без математики. Том 2. Практика : | , 2020 | e.lanbook.com |
| 6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
| Название | Эл. адрес | |||
| Э1 | Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных | www.machinelearning.ru | ||
| Э2 | Дьяков А. Глубокое обучение | github.com | ||
| Э3 | Михаил Романов, Игорь Слинько, Николай Копырин, Антон Попов. Нейронные сети и компьютерное зрение | stepik.org | ||
| Э4 | Чернобаев Игорь Дмитриевич, Суркова Анна Сергеевна, Панкратова Анна Зурабовна Моделирование текстов с использованием рекуррентных нейронных сетей // Труды НГТУ им. Р. Е. Алексеева. 2018. №1 (120). | cyberleninka.ru | ||
| Э5 | Браславский П.И. Введение в обработку естественного языка | stepik.org | ||
| Э6 | Роман Суворов, Анастасия Янина, Алексей Сильвестров, Николай Капырин. Нейронные сети и обработка текста | stepik.org | ||
| Э7 | Цитульский Антон Максимович, Иванников Александр Владимирович, Рогов Илья Сергеевич NLP - Обработка естественных языков // StudNet. 2020. №6. | cyberleninka.ru | ||
| Э8 | Онлайн курс “Программирование глубоких нейронных сетей на Python” | openedu.ru | ||
| 6.3. Перечень программного обеспечения | ||||
| Браузер (Google Chrome, Mozilia Firefox) Используется бесплатно-распространяемое программное обеспечение: 1. Python – https://www.python.org/ 2. TensorFlow – https://www.tensorflow.org/ 3. Веб - среда разработки для языка программирования Python: google colab - https://colab.research.google.com/ 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 | ||||
| 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://lib.urfu.ru/ 9. Портал информационно-образовательных ресурсов УрФУ https://study.urfu.ru/ 10. Электронно-библиотечная система «Лань» – https://e.lanbook.com/ 11. Университетская библиотека ONLINE – https://biblioclub.ru/ 12. Электронно-библиотечная система "Библиокомплектатор" (IPRbooks) http://www.bibliocomplectator.ru/available 13. Электронные информационные ресурсы Российской государственной библиотеки https://www.rsl.ru/ 14. Научная электронная библиотека «КиберЛенинка» https://cyberleninka.ru/ | ||||
| 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, мультимедийное оборудование стационарное или переносное) |
| 204Л | 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 14 посадочных мест; компьютеры: марка DEPO модель Neos 260 - 14 единиц; Интерактивная доска Smart board 680 IV со встроенным проектором v25 |
| 205Л | 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 9 посадочных мест; компьютеры: марка КламаС Офис, мониторы: марка ACER модель V223HQL - 8 единиц; доска интерактивная Triumph MULTI TOUCH 78 + проектор NEC UM280X в комплекте |
| 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 |
| Изучение дисциплины завершается зачетом. Успешное изучение дисциплины требует посещения лекций, активной работы на лабораторных работах, выполнения всех практических заданий преподавателя, ознакомления с основной и дополнительной литературой. Во время лекции студент должен вести краткий конспект. При этом обучающийся должен стараться найти ответы на затруднительные вопросы, используя рекомендуемую литературу или общедоступные ресурсы. Если ему самостоятельно не удалось разобраться в материале, необходимо сформулировать вопросы и обратится за помощью к преподавателю на консультации или ближайшей лекции. Выполнение студентами практических заданий направлено на: - обобщение, систематизацию, углубление, закрепление полученных теоретических знаний по конкретным темам дисциплин; - формирование необходимых профессиональных умений и навыков. Помимо собственно выполнения практических заданий для каждого задания предусмотрена процедура защиты, в ходе которой преподаватель проводит устный или письменный опрос студентов для контроля понимания выполненных ими действий по теме занятия. Самостоятельная работа. - При изучении дисциплины не все вопросы рассматриваются на занятиях, часть вопросов рекомендуется преподавателем для самостоятельного изучения. - Поиск ответов на вопросы и выполнение заданий для самостоятельной работы позволит вам расширить и углубить свои знания по курсу, применить теоретические знания в решении задач практического содержания, закрепить изученное ранее. - Эти задания следует выполнять не «наскоком», а постепенно, планомерно, следуя порядку изучения тем курса. - При возникновении вопросов обратитесь к преподавателю в день консультаций на кафедру. - Выполнив их, проанализируйте качество их выполнения. Это поможет вам развивать умения самоконтроля и оценочные компетенции. При подготовке к зачету в дополнение к изучению конспектов лекций, учебно-методических материалов и слайдов, необходимо пользоваться учебной литературой, рекомендованной настоящей программой. При подготовке к зачету нужно изучить определения всех понятий и теоретические подходы до состояния понимания материала, а также выполнить все практические задания в курсе. |