| Закреплена за кафедрой | Кафедра вычислительной техники и электроники |
|---|---|
| Направление подготовки | 09.03.01. Информатика и вычислительная техника |
| Профиль | Программно-техническое обеспечение инфокоммуникационных технологий |
| Форма обучения | Очная |
| Общая трудоемкость | 4 ЗЕТ |
| Учебный план | 09_03_01_Информатика и вычислительная техника_ПОИТ-2023 |
|
|
||||||||||||
Распределение часов по семестрам
| Курс (семестр) | 3 (5) | Итого | ||
|---|---|---|---|---|
| Недель | 16 | |||
| Вид занятий | УП | РПД | УП | РПД |
| Лекции | 20 | 20 | 20 | 20 |
| Лабораторные | 36 | 36 | 36 | 36 |
| Сам. работа | 88 | 88 | 88 | 88 |
| Итого | 144 | 144 | 144 | 144 |
| 1.1. | Теоретическое изучение и практическое усвоение наиболее эффективных алгоритмов Машинного обучения в рамках стандартов WorldSkills по компетенции "Машинное обучение и большие данные" |
|---|
| Цикл (раздел) ООП: Б1.В.01 |
| ПК-7 | Способен выполнять разработку технических документов, аппаратных схем адресованных специалисту по инфокоммуникационным технологиям. |
| ПК-7.1 | Знать: распределение функций между аппаратным и программным обеспечением |
| ПК-7.2 | Уметь: разрабатывать структурные и функциональные схемы систем в целом, ввод в эксплуатацию программно-аппаратных средств |
| ПК-7.3 | Владеть: навыками разработки технического задания на аппаратное обеспечение |
| В результате освоения дисциплины обучающийся должен | |
| 3.1. | Знать: |
|---|---|
| 3.1.1. | |
| 3.2. | Уметь: |
| 3.2.1. | |
| 3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
| 3.3.1. | |
| Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
|---|---|---|---|---|---|---|
| Раздел 1. Подготовка данных | ||||||
| 1.1. | Предварительная обработка и очистка данных | Лекции | 5 | 2 | Л1.1 | |
| 1.2. | Разведочный анализ данных | Лекции | 5 | 2 | Л1.1 | |
| 1.3. | Подготовка данных. Библиотека Pandas | Лекции | 5 | 1 | Л1.1 | |
| 1.4. | Разведочный анализ данных. Методы библиотек Pandas и SciLearn | Лекции | 5 | 1 | Л1.1 | |
| 1.5. | Предварительная обработка и очистка данных | Лабораторные | 5 | 4 | Л1.1 | |
| 1.6. | Разведочный анализ данных | Лабораторные | 5 | 4 | Л1.1 | |
| 1.7. | Предварительная обработка и очистка данных | Сам. работа | 5 | 20 | Л1.1 | |
| Раздел 2. Предварительная обработка данных | ||||||
| 2.1. | Изучение корреляции | Лекции | 5 | 1 | Л1.1 | |
| 2.2. | Кросс-валидация | Лекции | 5 | 1 | Л1.1 | |
| 2.3. | Оценка корреляции данных | Лабораторные | 5 | 4 | Л1.1 | |
| 2.4. | Обучение моделей и кросс-валидация | Лабораторные | 5 | 4 | Л1.1 | |
| Раздел 3. Алгоритмы и модели машинного обучения | ||||||
| 3.1. | Алгоритмы машинного обучения с учителем | Лекции | 5 | 1 | Л1.1 | |
| 3.2. | Алгоритмы машинного обучения без учителя | Лекции | 5 | 3 | Л1.1 | |
| 3.3. | Разработка математического аппарата модели МО | Лекции | 5 | 4 | Л1.1 | |
| 3.4. | Подбор параметров и оптимизация моделей | Лекции | 5 | 2 | Л1.1 | |
| 3.5. | Подбор и оптимизация параметров моделей | Лабораторные | 5 | 4 | Л1.1 | |
| 3.6. | Машинное обучение с учителем | Лабораторные | 5 | 4 | Л1.1 | |
| 3.7. | Машинное обучение без учителя | Лабораторные | 5 | 4 | Л1.1 | |
| 3.8. | Разработка математического аппарата модели МО | Лабораторные | 5 | 4 | Л1.1 | |
| 3.9. | Разработка математического аппарата модели МО | Сам. работа | 5 | 10 | Л1.1 | |
| 3.10. | Машинное обучение с учителем | Сам. работа | 5 | 10 | Л1.1 | |
| 3.11. | Машинное обучение без учителя | Сам. работа | 5 | 10 | Л1.1 | |
| 3.12. | Подбор и оптимизация параметров моделей | Сам. работа | 5 | 28 | Л1.1 | |
| Раздел 4. Разработка прикладного решения | ||||||
| 4.1. | Графический интерфейс. Видждеты | Лекции | 5 | 1 | Л1.1 | |
| 4.2. | Документирование | Лекции | 5 | 1 | Л1.1 | |
| 4.3. | Разработка графического интерфейса и документирование | Лабораторные | 5 | 4 | Л1.1 | |
| 4.4. | Разработка графического интерфейса и документирование | Сам. работа | 5 | 10 | Л1.1 | |
| 5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
| ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ПК-10 Способен организовывать и руководить работой команды, вырабатывая командную стратегию для достижения поставленной цели ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА 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 |
| Промежуточная аттестация проводится в формате демонстрационного экзамена по стандартам WorldSkills |
| 6.1. Рекомендуемая литература | ||||
| 6.1.1. Основная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л1.1 | П. Флах | Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных: Учебник | ДМК Пресс, 2015//ЭБС издательства «Лань» | e.lanbook.com |
| 6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
| Название | Эл. адрес | |||
| Э1 | Машинное обучение и большие данные | portal.edu.asu.ru | ||
| Э2 | Первичный анализ данных с Pandas | habrahabr.ru | ||
| Э3 | Визуальный анализ данных c Python | habrahabr.ru | ||
| Э4 | Классификация, деревья решений и метод ближайших соседей | habrahabr.ru | ||
| Э5 | Линейные модели классификации и регрессии | habrahabr.ru | ||
| Э6 | Композиции: бэггинг, случайный лес. Кривые валидации и обучения | habrahabr.ru | ||
| Э7 | Построение и отбор признаков | habrahabr.ru | ||
| Э8 | Обучение без учителя: PCA, кластеризация | habrahabr.ru | ||
| Э9 | Обучение на гигабайтах c Vowpal Wabbit | habrahabr.ru | ||
| Э10 | Анализ временных рядов с помощью Python | habrahabr.ru | ||
| Э11 | Градиентный бустинг | habrahabr.ru | ||
| 6.3. Перечень программного обеспечения | ||||
| 6.4. Перечень информационных справочных систем | ||||