Алгоритмы и методы машинного обучения

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	12 ЗЕТ
Учебный план	09_03_01_Информатика и вычислительная техника_АИИ-2025

Курс (семестр)	2 (4)	3 (5)	3 (6)	Итого
Недель	22	16	18
Вид занятий	УП	РПД	УП	РПД	УП	РПД	УП	РПД
Лекции	18	18	18	18	18	18	54	54
Лабораторные	36	36	36	36	36	36	108	108
Сам. работа	90	90	90	90	63	63	243	243
Часы на контроль	0	0	0	0	27	27	27	27
Итого	144	144	144	144	144	144	432	432

1. Цели освоения дисциплины

1.1.	Теоретическое изучение и практическое усвоение наиболее эффективных алгоритмов Машинного обучения в рамках стандартов WorldSkills по компетенции "Машинное обучение и большие данные"

2. Место дисциплины в структуре ООП

Цикл (раздел) ООП: Б1.В.01

3. Компетенции обучающегося, формируемые в результате освоения дисциплины

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-4	Способен использовать инструментальные средства для решения задач машинного обучения
ПК-4.1	Знать: возможности современных инструментальных средств и систем программирования для решения задач анализа данных и машинного обучения.
ПК-4.2	Уметь: проводить сравнительный анализ и осуществлять выбор инструментальных средств для решения задач машинного обучения.
ПК-4.3	Владеть: Осуществляет оценку и выбор инструментальных средств для решения поставленной задачи
ПК-4.4	Знать: функциональные возможности современных инструментальных средств и систем программирования в области создания моделей и методов машинного обучения.
ПК-4.5	Знать: принципы проведения машинного эксперимента, проблемы переобучения и недообучения модели, требования к обучающей, тестовой и валидационной выборкам для решения задач анализа данных и машинного обучения.
ПК-4.6	Уметь: применять современные инструментальные средства и системы программирования для разработки моделей машинного обучения.
ПК-4.7	Уметь: планировать и выполнять машинные эксперименты, оценивать точность и качество построенных моделей.
ПК-4.8	Владеть: Разрабатывает модели машинного обучения для решения задач.
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.

4. Структура и содержание дисциплины

Код занятия	Наименование разделов и тем	Вид занятия	Семестр	Часов	Литература
Раздел 1. Глубокое обучение
1.1.	Сверточные нейронные сети	Лекции	5	1	Л1.1
1.2.	Рекуррентные нейронные сети	Лекции	5	1	Л1.1
1.3.	Многослойные нейронные сети	Лабораторные	5	4	Л1.1
1.4.	Разработка графического интерфейса и документирование	Сам. работа	5	23	Л1.1
Раздел 2. Полиноминальная регрессия
2.1.	Полиноминальная регрессия	Лекции	5	2	Л1.1
2.2.	Регрессионные сплайны	Лекции	5	2	Л1.1
2.3.	Сглаживающие сплайны	Лекции	5	1	Л1.1
2.4.	Обобщенные аддитивные модели	Лекции	5	1	Л1.1
2.5.	Сплайны	Лабораторные	5	3	Л1.1
2.6.	Аддитивные модели	Лабораторные	5	5	Л1.1
2.7.	Предварительная обработка и очистка данных	Сам. работа	5	30	Л1.1
Раздел 3. Деревья решений
3.1.	Основы деревьев решений	Лекции	5	1	Л1.1
3.2.	Бэггинг, бустинг, случайные леса	Лекции	5	1	Л1.1
3.3.	Случайные леса	Лабораторные	5	4	Л1.1
3.4.	Ансамблевые методы	Лабораторные	5	4	Л1.1
Раздел 4. Метод опорных векторов
4.1.	Классификатор с минимальным зазором	Лекции	5	1	Л1.1
4.2.	Классификатор на опорных векторах	Лекции	5	1	Л1.1
4.3.	Метод опорных векторов	Лекции	5	4	Л1.1
4.4.	SVM для нескольких классов	Лекции	5	2	Л1.1
4.5.	Подбор и оптимизация параметров моделей	Лабораторные	5	4	Л1.1
4.6.	ROC-кривые	Лабораторные	5	4	Л1.1
4.7.	Метод опорных векторов	Лабораторные	5	4	Л1.1
4.8.	SVM для нескольких классов	Лабораторные	5	4	Л1.1
4.9.	Разработка математического аппарата модели МО	Сам. работа	5	10	Л1.1
4.10.	Машинное обучение с учителем	Сам. работа	5	9	Л1.1
4.11.	Машинное обучение без учителя	Сам. работа	5	8	Л1.1
4.12.	Подбор и оптимизация параметров моделей	Сам. работа	5	10	Л1.1
Раздел 5. Подготовка данных
5.1.	Предварительная обработка и очистка данных	Лекции	4	4
5.2.	Подготовка данных. Библиотека Pandas	Лекции	4	2
5.3.	Предварительная обработка и очистка данных	Лабораторные	4	8
5.4.	Предварительная обработка и очистка данных	Сам. работа	4	20
Раздел 6. Предварительная обработка данных
6.1.	Корреляция и кросс-валидация	Лекции	4	2
6.2.	Оценка корреляции данных	Лабораторные	4	4
6.3.	Обучение моделей и кросс-валидация	Лабораторные	4	4
Раздел 7. Алгоритмы и модели машинного обучения
7.1.	Алгоритмы машинного обучения	Лекции	4	2
7.2.	Разработка математического аппарата модели МО	Лекции	4	4
7.3.	Подбор параметров и оптимизация моделей	Лекции	4	4
7.4.	Машинное обучение с учителем	Лабораторные	4	4
7.5.	Машинное обучение без учителя	Лабораторные	4	4
7.6.	Разработка математического аппарата модели МО	Лабораторные	4	4
7.7.	Разработка математического аппарата модели МО	Сам. работа	4	10
7.8.	Машинное обучение с учителем	Сам. работа	4	10
7.9.	Машинное обучение без учителя	Сам. работа	4	12
7.10.	Подбор и оптимизация параметров моделей	Сам. работа	4	28
Раздел 8. Разработка прикладного решения
8.1.	Разработка графического интерфейса и документирование	Лабораторные	4	8
8.2.	Разработка графического интерфейса и документирование	Сам. работа	4	10
Раздел 9. Обработка естественного языка
9.1.	Методы обработки естественного языка	Лекции	6	6
9.2.	Обработка и анализ текстов	Лабораторные	6	10
9.3.	Обработка и анализ текстов	Сам. работа	6	20
Раздел 10. Обработка временных рядов
10.1.	Особенности обработки временных рядов	Лекции	6	6
10.2.	Анализ временных рядов	Лабораторные	6	16
10.3.	Анализ временных рядов	Сам. работа	6	23
Раздел 11. Генеративные модели
11.1.	Генеративные модели	Лекции	6	6
11.2.	Генеративные модели	Лабораторные	6	10
11.3.	Генеративные модели	Сам. работа	6	20

5. Фонд оценочных средств

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. Учебно-методическое и информационное обеспечение дисциплины

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