| Закреплена за кафедрой | Кафедра экономики и прикладной информатики (Бийск) |
|---|---|
| Направление подготовки | 09.03.03. Прикладная информатика |
| Профиль | ERP-системы и прикладное программирование |
| Форма обучения | Заочная |
| Общая трудоемкость | 4 ЗЕТ |
| Учебный план | ФлБийск_z09_03_03_Прикладная информатика_ERP-2025 |
|
|
||||||||||||||
Распределение часов по курсам
| Курс | 3 | Итого | ||
|---|---|---|---|---|
| Вид занятий | УП | РПД | УП | РПД |
| Лекции | 6 | 6 | 6 | 6 |
| Лабораторные | 12 | 12 | 12 | 12 |
| Сам. работа | 117 | 117 | 117 | 117 |
| Часы на контроль | 9 | 9 | 9 | 9 |
| Итого | 144 | 144 | 144 | 144 |
| 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. |
|---|
| Цикл (раздел) ООП: Б1.В.01 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 | Л1.1, Л2.1 |
| 1.2. | Создание интеллектуальных систем. | Лабораторные | 3 | 2 | ПК-3 | Л1.1, Л2.1 |
| 1.3. | Классификация ИС, Составные части ИС, обработка знаний и вывод решений в ИС. Экспертные системы. | Лекции | 3 | 0,5 | ПК-3 | Л1.1, Л2.1 |
| 1.4. | Методы приобретения и пополнения знаний. Модели представления знаний. | Лекции | 3 | 2 | ПК-3 | Л1.1, Л2.1 |
| 1.5. | Создание интеллектуальных систем. | Лабораторные | 3 | 2 | ПК-3 | Л1.1, Л2.1 |
| 1.6. | Теория интеллектуальных системы (ИС), основные свойства. Виды интеллектуальных систем. | Сам. работа | 3 | 26 | ПК-3 | Л1.1, Л2.1 |
| Раздел 2. Модели представления знаний | ||||||
| 2.1. | Логическая модель представления знаний, доказательство методом резолюций. | Лекции | 3 | 0,5 | ПК-3 | Л1.1, Л2.1 |
| 2.2. | Продукционная модель, стратегии поиска, поиск в пространстве состояний, эвристические функции. | Лекции | 3 | 1 | ПК-3 | Л1.1, Л2.1 |
| 2.3. | Создание интеллектуальных систем. | Лабораторные | 3 | 2 | ПК-3 | Л1.1, Л2.1 |
| 2.4. | Создание интеллектуальных систем. | Сам. работа | 3 | 28 | ПК-3 | Л1.1, Л2.1 |
| Раздел 3. Теории сценариев и фреймов | ||||||
| 3.1. | Сценарии, фреймы, концептуальные зависимости и их роль в приобретении знаний. | Лекции | 3 | 0,5 | ПК-3 | Л1.1, Л2.1 |
| 3.2. | Логика немонотонных рассуждений, представление нечетких данных и знаний, символьное обучение. | Лекции | 3 | 0,5 | ПК-3 | Л1.1, Л2.1 |
| 3.3. | Создание интеллектуальных систем. | Лабораторные | 3 | 4 | ПК-3 | Л1.1, Л2.1 |
| 3.4. | Теория интеллектуальных системы (ИС), основные свойства. Виды интеллектуальных систем. | Сам. работа | 3 | 26 | ПК-3 | Л1.1, Л2.1 |
| Раздел 4. Нейронные сети | ||||||
| 4.1. | Нейроинформатика. | Лекции | 3 | 0,5 | ПК-3 | Л1.1, Л2.1 |
| 4.2. | Теория интеллектуальных системы (ИС), основные свойства. Виды интеллектуальных систем. | Сам. работа | 3 | 37 | ПК-3 | Л1.1, Л2.1 |
| 4.3. | Создание интеллектуальных систем. | Лабораторные | 3 | 2 | ПК-3 | Л1.1, Л2.1 |
| 5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
| Задания для оценки сформированности компетенций: 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 Код и наименование индикатора достижения профессиональной компетенции 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. 1. Содержание вопроса: 1. Что такое регрессия в машинном обучении? Выберите один правильный ответ и обоснуйте свой выбор а) алгоритм классификации объектов; б) методы аппроксимации зависимостей между переменными; в) процесс снижения сложности моделей; г) способ кластеризации данных. Правильный ответ: б Обоснование класс алгоритмов машинного обучения, используемых для предсказания не-прерывных значений на основе входных признаков. Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 2. Содержание вопроса: Какая функция потери чаще всего используется в логистической регрессии? Выберите один правильный ответ и обоснуйте свой выбор а) Mean squared error (MSE); б) кросс-энтропия Cross entropy loss; с) Hinge loss; г) Logarithmic loss Правильный ответ: б Обоснование: функция кросс-энтропии (cross entropy loss) эффективно измеряет расстояние между вероятностными распределениями фактических классов и распределения, предлагаемого моделью. Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 3. Содержание вопроса: Для чего применяется метод опорных векторов (SVM)? Выберите один правильный ответ и обоснуйте свой выбор а) линейная классификация и регрессия; б) генеративные модели; в) ансамблевые методы; г) рекуррентные сети. Правильный ответ: а Обоснование: алгоритм машинного обучения, предназначенный для линейной и нелинейной классификации и регрессии. Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 4. Содержание вопроса: Чем отличается обучение с учителем от обучения без учителя? Выберите один правильный ответ и обоснуйте свой выбор а) данные содержат целевой признак только в первом случае; б) первый случай основан на искусственном интеллекте, второй — на статистике; в) первый метод требует больше памяти компьютера; г) во втором случае используются рекуррентные сети. Правильный ответ: а Обоснование: в обучении с учителем каждая точка данных снабжена заранее известным результатом, а в обучении без учителя таких данных нет, и задача заключается в выявлении скрытых закономерностей или структур. Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 5. Содержание вопроса: Что такое ансамбль в машинном обучении? Выберите один правильный ответ и обоснуйте свой выбор а) объединение нескольких моделей для повышения точности; б) один тип нейронной сети; в) техника регуляризации; г) преобразование данных. Правильный ответ: а Обоснование: это техника, использующая комбинацию нескольких моделей для принятия итогового решения. Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 6. Содержание вопроса: Что представляет собой градиентный спуск в машинном обучении? Выберите один правильный ответ и обоснуйте свой выбор а) метод уменьшения ошибки путём движения против градиента функции потерь; б) генерация новых примеров данных; в) улучшение качества данных; г) повышение скорости обучения нейронных сетей. Правильный ответ: а Обоснование: Градиентный спуск — это итерационный алгоритм оптимизации, целью которого является уменьшение значения функции потерь путём последовательного перемещения вдоль направления отрицательного градиента. Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 7. Содержание вопроса: Почему важно нормализовать признаки перед подачей их в модель машинного обучения? Правильный ответ: чтобы избежать доминирования одних признаков над другими Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 8. Содержание вопроса: Какая цель метода главных компонент (PCA)? Правильный ответ: снизить размерность данных с сохранением наибольшего количества информации Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 9. Содержание вопроса: В каком виде представлен выход слоя ReLU (Rectified Linear Unit) нейронной сети? Правильный ответ: отрицательные значения заменяются нулями, положительные остаются неизменными Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 10. Содержание вопроса: Что такое cross-validation (кросс-валидация)? Правильный ответ: многократное деление данных на части с оценкой средней ошибки модели Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу Тест состоит из вопросов закрытого типа с выбором одного ответа/ выбором нескольких ответов, вопросов открытого типа. В вопросах с выбором одного ответа / нескольких ответов, студент либо выбирает правильный ответ и получает 1 балл, либо выбирает не правильный ответ и получает 0 баллов. Оценка «отлично» (85-100 баллов) - Ставится студенту, если он выполняет работу полностью, в логических рассуждениях и обосновании решения нет пробелов и ошибок, четко излагает свои мысли на поставленные вопросы, умеет тесно связывать теорию с практикой, правильно обосновывает принятое решение, в котором нет правовых ошибок (возможна одна неточность, описка, не являющаяся следствием незнания или непонимания учебного материала). Оценка «хорошо» (70-84 баллов) - Ставится студенту, если он выполняет работу полностью, правильно применяет теоретические положения при решении практических вопросов и задач, владеет необходимыми навыками и приемами их выполнения, однако, была допущена одна ошибка или два-три недочета в решении задачи (если эти виды работы не являлись специальным объектом проверки). Оценка «удовлетворительно» (50-69 баллов) - Ставится студенту, если он имеет знания только основного материала, но не усваивает его деталей, допускает неточности, недостаточно правильные формулировки, нарушения логической последовательности в изложении материала, испытывает затруднения при выполнении практических работ, однако, были допущены несколько ошибок (более двух-трех). Оценка «неудовлетворительно» (0-49 баллов) - Ставится студенту, который не выполняет самостоятельную работу (как в полном объеме, так и частично), допускает большое количество ошибок при решении задач и в ответе на поставленные вопросы. |
| 5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.) |
| не предусмотрены |
| 5.3. Фонд оценочных средств для проведения промежуточной аттестации |
| Задания для оценки сформированности компетенций: 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 Код и наименование индикатора достижения профессиональной компетенции 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. 1. Содержание вопроса: 1. Что такое регрессия в машинном обучении? Выберите один правильный ответ и обоснуйте свой выбор а) алгоритм классификации объектов; б) методы аппроксимации зависимостей между переменными; в) процесс снижения сложности моделей; г) способ кластеризации данных. Правильный ответ: б Обоснование класс алгоритмов машинного обучения, используемых для предсказания не-прерывных значений на основе входных признаков. Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 2. Содержание вопроса: Какая функция потери чаще всего используется в логистической регрессии? Выберите один правильный ответ и обоснуйте свой выбор а) Mean squared error (MSE); б) кросс-энтропия Cross entropy loss; с) Hinge loss; г) Logarithmic loss Правильный ответ: б Обоснование: функция кросс-энтропии (cross entropy loss) эффективно измеряет расстояние между вероятностными распределениями фактических классов и распределения, предлагаемого моделью. Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 3. Содержание вопроса: Для чего применяется метод опорных векторов (SVM)? Выберите один правильный ответ и обоснуйте свой выбор а) линейная классификация и регрессия; б) генеративные модели; в) ансамблевые методы; г) рекуррентные сети. Правильный ответ: а Обоснование: алгоритм машинного обучения, предназначенный для линейной и нелинейной классификации и регрессии. Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 4. Содержание вопроса: Чем отличается обучение с учителем от обучения без учителя? Выберите один правильный ответ и обоснуйте свой выбор а) данные содержат целевой признак только в первом случае; б) первый случай основан на искусственном интеллекте, второй — на статистике; в) первый метод требует больше памяти компьютера; г) во втором случае используются рекуррентные сети. Правильный ответ: а Обоснование: в обучении с учителем каждая точка данных снабжена заранее известным результатом, а в обучении без учителя таких данных нет, и задача заключается в выявлении скрытых закономерностей или структур. Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 5. Содержание вопроса: Что такое ансамбль в машинном обучении? Выберите один правильный ответ и обоснуйте свой выбор а) объединение нескольких моделей для повышения точности; б) один тип нейронной сети; в) техника регуляризации; г) преобразование данных. Правильный ответ: а Обоснование: это техника, использующая комбинацию нескольких моделей для принятия итогового решения. Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 6. Содержание вопроса: Что представляет собой градиентный спуск в машинном обучении? Выберите один правильный ответ и обоснуйте свой выбор а) метод уменьшения ошибки путём движения против градиента функции потерь; б) генерация новых примеров данных; в) улучшение качества данных; г) повышение скорости обучения нейронных сетей. Правильный ответ: а Обоснование: Градиентный спуск — это итерационный алгоритм оптимизации, целью которого является уменьшение значения функции потерь путём последовательного перемещения вдоль направления отрицательного градиента. Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 7. Содержание вопроса: Почему важно нормализовать признаки перед подачей их в модель машинного обучения? Правильный ответ: чтобы избежать доминирования одних признаков над другими Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 8. Содержание вопроса: Какая цель метода главных компонент (PCA)? Правильный ответ: снизить размерность данных с сохранением наибольшего количества информации Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 9. Содержание вопроса: В каком виде представлен выход слоя ReLU (Rectified Linear Unit) нейронной сети? Правильный ответ: отрицательные значения заменяются нулями, положительные остаются неизменными Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу 10. Содержание вопроса: Что такое cross-validation (кросс-валидация)? Правильный ответ: многократное деление данных на части с оценкой средней ошибки модели Ответ студента может быть написан в собственной трактовке, эквивалентной по смыслу приведенному правильному ответу Тест состоит из вопросов закрытого типа с выбором одного ответа/ выбором нескольких ответов, вопросов открытого типа. В вопросах с выбором одного ответа / нескольких ответов, студент либо выбирает правильный ответ и получает 1 балл, либо выбирает не правильный ответ и получает 0 баллов. Оценка «отлично» (85-100 баллов) - Ставится студенту, если он выполняет работу полностью, в логических рассуждениях и обосновании решения нет пробелов и ошибок, четко излагает свои мысли на поставленные вопросы, умеет тесно связывать теорию с практикой, правильно обосновывает принятое решение, в котором нет правовых ошибок (возможна одна неточность, описка, не являющаяся следствием незнания или непонимания учебного материала). Оценка «хорошо» (70-84 баллов) - Ставится студенту, если он выполняет работу полностью, правильно применяет теоретические положения при решении практических вопросов и задач, владеет необходимыми навыками и приемами их выполнения, однако, была допущена одна ошибка или два-три недочета в решении задачи (если эти виды работы не являлись специальным объектом проверки). Оценка «удовлетворительно» (50-69 баллов) - Ставится студенту, если он имеет знания только основного материала, но не усваивает его деталей, допускает неточности, недостаточно правильные формулировки, нарушения логической последовательности в изложении материала, испытывает затруднения при выполнении практических работ, однако, были допущены несколько ошибок (более двух-трех). Оценка «неудовлетворительно» (0-49 баллов) - Ставится студенту, который не выполняет самостоятельную работу (как в полном объеме, так и частично), допускает большое количество ошибок при решении задач и в ответе на поставленные вопросы. |
| 6.1. Рекомендуемая литература | ||||
| 6.1.1. Основная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л1.1 | 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 |
| 6.1.2. Дополнительная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л2.1 | Иванов, В. М | Интеллектуальные системы: учебное пособие для среднего профессионального образования | Издательство Юрайт, 2024 | |
| 6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
| Название | Эл. адрес | |||
| Э1 | Курс в Moodle "Технологии машинного обучения и искусственного интеллекта" | https://portal.edu.asu.ru/course/view.php?id=11816 | ||
| 6.3. Перечень программного обеспечения | ||||
| Среда разработки CLIPS, Deductor Academic, Microsoft Windows, Microsoft Office, 7-Zip, AcrobatReaderMicrosoft 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 | ||||
| Аудитория | Назначение | Оборудование |
|---|---|---|
| № 201 (филиал в г. Бийске) | лаборатория компьютеризации профессиональной деятельности – учебная аудитория для проведения занятий всех видов (дисциплинарной, междисциплинарной и модульной подготовки), групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации. | Учебная мебель; рабочее место преподавателя; компьютеры; доска магнитно-маркерная; проектор; экран; переносной ноутбук из аудитории № 207. |
| Аудиторные занятия со студентами 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. |