| Закреплена за кафедрой | Кафедра вычислительной техники и электроники |
|---|---|
| Направление подготовки | 09.03.01. Информатика и вычислительная техника |
| Профиль | Алгоритмы искусственного интеллекта |
| Форма обучения | Очная |
| Общая трудоемкость | 4 ЗЕТ |
| Учебный план | 09_03_01_Информатика и вычислительная техника_АИИ-2025 |
|
|
||||||||||||
Распределение часов по семестрам
| Курс (семестр) | 3 (5) | Итого | ||
|---|---|---|---|---|
| Недель | 16 | |||
| Вид занятий | УП | РПД | УП | РПД |
| Лекции | 18 | 18 | 18 | 18 |
| Лабораторные | 36 | 36 | 36 | 36 |
| Сам. работа | 90 | 90 | 90 | 90 |
| Итого | 144 | 144 | 144 | 144 |
| 1.1. | Целями изучения дисциплины являются изучение методов и подходов к анализу данных различного объема, включая предварительную обработку данных и статистический анализ, освоение различных моделей машинного обучения, предназначенных для решения задач кластеризации, классификации и регрессии и применение их для решения прикладных задач из различных сфер человеческой деятельности. |
|---|
| Цикл (раздел) ООП: Б1.В.01 |
| ПК-1 | Способен классифицировать и идентифицировать задачи искусственного интеллекта, выбирать адекватные методы и инструментальные средства решения задач искусственного интеллекта |
| ПК-1.1 | Знать: основные определения искусственного интеллекта и систем искусственного интеллекта, историю развития науки об искусственном интеллекте, эволюцию и главные тренды систем искусственного интеллекта; классы решаемых задач с помощью систем искусственного интеллекта; основные параметры идентификации задач искусственного интеллекта: назначение, сфера применения, виды используемых знаний, временные аспекты решения задач. |
| ПК-1.2 | Уметь: определять принадлежность проблемной и предметной областей к классу решаемых задач с помощью систем искусственное интеллекта и основные параметры идентификации задач систем искусственного интеллекта. |
| ПК-1.3 | Владеть: Классифицирует и идентифицирует задачи систем искусственного интеллекта в зависимости от особенностей проблемной и предметной областей: |
| ПК-1.4 | Знать: методы и инструментальные средства решения задач с использованием систем искусственного интеллекта в зависимости от особенностей проблемной области, критерии выбора методов и инструментальных средств решения интеллектуальных задач, подходы к выбору методов и инструментальных средств систем искусственного интеллекта, процесс, стадии и методологии разработки решений на основе искусственного интеллекта. |
| ПК-1.5 | Уметь: осуществлять оценку критериев выбора методов и инструментальных средств решения задач с помощью систем искусственного интеллекта н выбор методов и инструментальных средств в зависимости от особенностей проблемной и предметной областей. |
| ПК-1.6 | Владеть: Выбирает методы и инструментальные средства искусственного интеллекта для решения задач в зависимости от особенностей проблемной и предметной областей. |
| ПК-1.7 | Знать: методы сбора и обобщения информации о проблемной области путем опроса экспертов, исходных данных о функционировании проблемной и предметной областей, документированных источников знании, а также формирования требований к системе искусственного интеллекта. |
| ПК-1.8 | Уметь: осуществлять сбор и обобщение информации о проблемной области путем опроса экспертов, исходных данных о функционировании проблемной области, документированных источников знаний, а также формировать требования к системе искусственного интеллекта. |
| ПК-1.9 | Умеет: осуществлять сбор исходной информации с использованием платформ данных (облачных и внутрикорпоративных). |
| ПК-1.10 | Владеть: . Собирает исходную информацию и формирует требования к решению задач с использованием методов искусственного интеллекта. |
| ПК-3 | Способен разрабатывать и применять методы машинного обучения для решения задач |
| ПК-3.1 | Знать: принципы и методы машинного обучения, типы и классы задач машинного обучения, методологию ML Ops |
| ПК-3.2 | Знать: статистические методы анализа данных. |
| ПК-3.3 | Уметь: сопоставить задачам предметной области классы задач машинного обучения |
| ПК-3.4 | Уметь: использовать статистические методы анализа данных при решении задач машинного обучения. |
| ПК-3.5 | Владеть: Проводит анализ требований и определяет необходимые классы задач машинного обучения. |
| ПК-3.6 | Знать: методы и критерии оценки качества моделей машинного обучения. |
| ПК-3.7 | Уметь: определять критерии и метрики оценки результатов моделирования при построении системы искусственного интеллекта в исследуемой области. |
| ПК-3.8 | Владеть: Определяет метрики оценки результатов моделирования и критерии качества построенных моделей. |
| ПК-3.9 | Знать: классические методы и алгоритмы машинного обучения: предиктивные — обучение с учителем, дескриптивные — обучение без учителя. |
| ПК-3.10 | Уметь: проводить сравнительный анализ и осуществлять выбор, настройку при необходимости разработку методов и алгоритмов для решения задач машинного обучения. |
| ПК-3.11 | Владеть: Принимает участие в оценке, выборе и при необходимости разработке методов машинного обучения. |
| ПК-6 | Способен осуществлять сбор и подготовку данных для систем искусственного интеллекта |
| ПК-6.1 | Знать: методы редукции размерности элементов набора данных и их предварительной статистической обработки, разметки структурированных и неструктурированных данных. |
| ПК-6.2 | Знать: методы планирования вычислительного эксперимента, формирования обучающей и контрольной выборок. |
| ПК-6.3 | Уметь: выявлять и исключать из массива данных ошибочные данные и выбросы. |
| ПК-6.4 | Уметь: выделять входные и выходные переменные с целью использования предиктивных моделей. |
| ПК-6.5 | Уметь: осуществлять разметку структурированных и неструктурированных данных. |
| ПК-6.6 | Владеть: инструментами, библиотеками и технологиями Data Science для подготовки и разметки структурированных и неструктурированных данных для машинного обучения. |
| ПК-6.7 | Владеть: методами и технологиями массово параллельной обработки и анализа данных. |
| В результате освоения дисциплины обучающийся должен | |
| 3.1. | Знать: |
|---|---|
| 3.1.1. | Основные технологии анализа данных. |
| 3.2. | Уметь: |
| 3.2.1. | Строить автоматизированные модели анализа данных. |
| 3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
| 3.3.1. | Навыками анализа данных на примере решения задач кластеризации, классификации, прогнозирования. |
| Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
|---|---|---|---|---|---|---|
| Раздел 1. Введение в анализ данных | ||||||
| 1.1. | Введение в интеллектуальный анализ данных: основные понятия, области применения современных технологий обработки и интеллектуального анализа больших данных. | Лекции | 5 | 4 | Л1.1, Л1.2, Л2.1 | |
| 1.2. | Этапы анализа данных. Структурированные и неструктурированные данные. Сбор и подготовка данных. | Лекции | 5 | 6 | Л1.1, Л1.2, Л2.1 | |
| 1.3. | Большие данные. Организация сбора и хранения больших наборов данных. | Лабораторные | 5 | 12 | Л1.1, Л1.2, Л2.1 | |
| 1.4. | Этапы анализа данных. Структурированные и неструктурированные данные. Сбор и подготовка данных. | Сам. работа | 5 | 16 | Л1.1, Л1.2, Л2.1 | |
| 1.5. | Большие данные. Организация сбора и хранения больших наборов данных.Hadoop. | Сам. работа | 5 | 16 | Л1.1, Л1.2, Л2.1 | |
| Раздел 2. Очистка, интеграция и преобразование данных | ||||||
| 2.1. | Библиотека pandas. Структуры данных в pandas, работа со структурами данных. Операции над данными. Комбинирование данных из разных источников. Обработка пропущенных значений. | Лекции | 5 | 8 | Л1.1, Л1.2, Л2.1 | |
| 2.2. | Работа с данными в pandas. | Лабораторные | 5 | 8 | Л1.1, Л1.2, Л2.1 | |
| 2.3. | Работа с данными в pandas. | Сам. работа | 5 | 10 | Л1.1, Л1.2, Л2.1 | |
| 2.4. | Восстановление пропущенных значений в массивах данных. | Сам. работа | 5 | 16 | Л1.1, Л1.2, Л2.1 | |
| Раздел 3. Программные модули и пакеты для работы с многомерными массивами данных. Визуализация данных | ||||||
| 3.1. | Библиотеки NumPy, SciPy: основные функции. Визуализация данных с matplotlib и pandas. | Лабораторные | 5 | 8 | Л1.2, Л2.2 | |
| 3.2. | Работа с библиотеками NumPy и SciPy. | Сам. работа | 5 | 16 | Л1.2, Л2.2 | |
| 3.3. | Визуализация данных. | Лабораторные | 5 | 8 | Л1.2, Л2.2 | |
| 3.4. | Визуализация данных. | Сам. работа | 5 | 16 | Л1.2, Л2.2 | |
| 5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
| Перечень вопросов: 1. Основные понятия: большие данные, наука о данных, анализ данных, машинное обучение. Основные этапы извлечения знаний из данных. Примеры задач анализа данных. 2. Структурированные и неструктурированные данные. Категориальные и непрерывные переменные. Методы отбора признаков (переменных). Библиотека pandas: объекты Series и DataFrame. 3. Обработка данных: поиск пропущенных значений, основные методы обработки пропущенных значений, обработка пропущенных значений с помощью pandas, поиск и удаление дублирующихся значений в pandas. 4. Обработка данных: описательные статистики, поиск аномалий (включая гистограммы, ящиковые диаграммы, ядерные оценки плотности), анализ выбросов и шумов. Нормализация и стандартизация данных. 5. Визуализация данных: виды графиков и диаграмм. Основные инструменты визуализации данных в Python. 6. Кластерный анализ: иерархический кластерный анализ, построение дендрограмм, методы k-средних. Кластерный анализ в Python. 7. Машинное обучение: основные понятия, задачи, которые можно решить с помощью машинного обучения. Алгоритмы машинного обучения с учителем и без учителя (перечислить). Инструменты Python, используемые в машинном обучении. 8. Машинное обучение: этапы моделирования. Отбор признаков на основе модели. Оценка качества построенных моделей. 9. Задача классификации: постановка задачи, пример моделей, понятие переобучения, оценка качества классификации, тонкая настройка модели. 10. Задача регрессии: постановка задачи, пример моделей, понятие переобучения, оценка качества классификации, тонкая настройка модели. |
| 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 |
| См. приложение |
| 6.1. Рекомендуемая литература | ||||
| 6.1.1. Основная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л1.1 | А. А. Барсегян, М. С. Куприянов, И. И. Холод, М. Д. Тесс, С. И. Елизаров. | Анализ данных и процессов: учеб. пособие: Учебная литература для вузов | СПб.: БХВ-Петербург, 2009 | kist.ntu.edu.ua |
| Л1.2 | Маккинни У. | Python и анализ данных: | Москва: ДМК Пресс, 2020 | https://e.lanbook.com/book/131721 |
| 6.1.2. Дополнительная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л2.1 | Лучано Рамальо | Python. К вершинам мастерства: Самоучители и руководства | Издательство "ДМК Пресс", 2016 | e.lanbook.com |
| Л2.2 | Бонцанини М. | Анализ социальных медиа на Python. Извлекайте и анализируйте данные из всех уголков социальной паутины на Python: Другое | Издательство "ДМК Пресс", 2018 | e.lanbook.com |
| 6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
| 6.3. Перечень программного обеспечения | ||||
| Microsoft Windows Microsoft Office Дистрибутив Anaconda 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 | ||||
| 1. Основы алгоритмизации и программирования на языке Python [Электронный ресурс]: https://portal.edu.asu.ru/course/view.php?id=3237 2. Издательство «Лань» - электронно-библиотечная система [Электронный ресурс]: http://e.lanbook.com 3. Издательство МЦНМО. Свободно распространяемые книги издательства Московского центра непрерывного математического образования [Электронный ресурс]: www.mccme.ru/free-books 4. Электронная библиотечная система Алтайского государственного университета [Электронный ресурс]: http://elibrary.asu.ru 5. Электронная база данных ZBMATH: https://zbmath.org/ | ||||
| Аудитория | Назначение | Оборудование |
|---|---|---|
| Учебная аудитория | для проведения занятий всех видов (дисциплинарной, междисциплинарной и модульной подготовки), групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации, курсового проекта (работы), проведения практики | Стандартное оборудование (учебная мебель для обучающихся, рабочее место преподавателя, доска) |
| 203К | лаборатория цифровой обработки сигналов - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации | Учебная мебель на 12 посадочных мест; рабочее место преподавателя; доска меловая 2 шт.; компьютеры: марка компьютер Парус модель 945 MSI - 12 единиц; коммутатор D-LINK; методические указания по выполнению лабораторной работы по дисциплине "Нейроинформационные технологии": алгоритм обратного рассеяния; обучение без учителя; персептрон; Сети Хопфилда и Хемминга. |
| 202К | лаборатория цифровой техники - 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; рабочее место преподавателя; доска меловая 1шт.; компьютеры: марка Aqarius; Парус - 12 единиц; вольтметр В7-34А; генератор Г5-56; генератор сигналов Г6-36; коммутатор SWITCH; компьютер Парус 945 MSI; осциллограф АСК- 1052 - 7шт.; осциллограф ЕО- 213 - 4шт.; осциллограф С1-64; осциллограф С1-91; паяльная станция АТР-1121; системный блок Aquarius Cel - 2400 – 10 шт.; стабилизатор 1202; методические указания по выполнению лабораторных работ: работа на учебной микроэвм; методы проектирования на микросхемах средней степени интеграции; последовательностные схемы; комбинационные логические схемы. |
| 209К | лаборатория схемотехники и микропроцессорных систем - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации | Учебная мебель на 15 посадочных мест; рабочее место преподавателя; доски меловые 1шт. компьютеры: марка Aquarius модель Cel-2533 - 2 единицы; внутрисхемный программатор-отладчик PICkit 3 - 5шт.; компьютер Парус 945 - 13шт.; монитор 15"LG Flatron; монитор 17"Samsung 793 MB; набор PICkit 3; паяльная станция -5шт.; плата оценочная DEO-Nano - 8шт.;системный блок Celeron 2400$/ методические указания по выполнению лабораторных работ: Разработка микропроцессорных систем на базе микроконтроллера PIC16F84; Микроконтроллеры семейства MCS; Методы кодирования и сжатия информации |
| Для успешного освоения дисциплины студент должен посещать лекции и лабораторные занятия, вовремя выполять все задания и тесты, пользоваться основной и полнительноцй литературой, рекомендованной настоящей программой. Во время лекции рекомендуется вести краткий конспект. Навыки программирования на языке Python студент преобретает на лабораторных занятиях. Для выполнения лабораторных заданий каждому студенту необходимо: - получить вариант задания у преподавателя; - скачать документ с описанием задания с образовательного портала; - внимательно прочитать задание. Вопросы, возникающие в процессе выполненпия лабораторных работ, необходимо грамотно сформулировать и обратиться за помощью к преподавателю на консультации или ближайшем занятии; - разработать, отладить и оттестировать программы, решающие поставленные задачи. Для каждого лабораторного задания предусмотрена процедура защиты, в ходе которой преподаватель проводит устный опрос студентов для контроля понимания выполненных ими заданий. Тестовые задания на образовательном портале предназначены для контроля усвоения теоретического материала, а также умения читать и понимать программный код. Тесты выполняются только в присутсвии преподавателя на занятии или на консультации. Количесвто попыток ограничено тремя. Готовясь к тестированию, студент должен изучить конспекты лекций и учебно-методические материалы, рекомендуемые преподавателем. При подготовке к экзамену в дополнение к изучению конспектов лекций и учебной литературы, рекомендуется посещать консультации и пользоваться свободными интернет-ресурсами. |