Кто читает:: Департамент информатики

Статус:: Курс обязательный

Когда читается:: 3-й курс, 2 модуль

Дополнительные материалы в LMS Задать вопрос

Аннотация

Содержание дисциплины охватывает круг вопросов, связанных с классификацией задач искусственного интеллекта (ИИ), рассмотрением методов и инструментальных средств решения задач искусственного интеллекта; разработкой и применением методов машинного обучения для решения задач; использованием инструментальных средств для решения задач машинного обучения; подготовкой данных для систем искусственного интеллекта; анализом больших данных.

Цель освоения дисциплины

Целью преподавания дисциплины «Анализ данных и методы искусственного интеллекта» является ознакомление студентов с некоторыми элементами современного анализа данных. Студенты получают представление об основных классах задач машинного обучения и о методах искусственного интеллекта, способны выполнять полный цикл решения задач с помощью машинного обучения и продвинутой аналитики, а также визуализировать результаты анализа и моделирования.

Планируемые результаты обучения

формулировать основные принципы, процесс, стадии и методологии разработки решений на основе ИИ
 применять инструменты, технологии и библиотеки Data Science при разработке решений на основе ИИ;
 применять язык программирования Python и библиотеки при разработке решений на основе ИИ;
 использовать основные статистические методы анализа данных при решении профессиональных задач;
 выбирать методы и инструментальные средства ИИ для решения задач в зависимости от особенностей проблемной области (собирать исходную информацию и формировать требования к решению задач с использованием методов ИИ; проводить анализ требований и определять необходимые классы задач машинного обучения; определять метрики оценки результатов моделирования и критерии качества построенных моделей)
 решать задачи поиска данных в открытых источниках, специализированных библиотеках и репозиториях; подготовки и разметки структурированных и неструктурированных данных для машинного обучения; применения знаний о вариантах использования больших данных, определениях, словарях и эталонной архитектуре больших данных для эффективного извлечения, хранения, подготовки больших данных.

Содержание учебной дисциплины

Раздел 1.Статистические методы анализа данных. Методы машинного обучения с учителем
Раздел 2. Методы машинного обучения без учителя.
Раздел 3. Распознавание образов.
Раздел 4. Сегментация и детектирование объектов.

Элементы контроля

Лабораторная работа
Лабораторные работы студенты выполняют в рамках практических занятий с использованием любого языка программирования высокого уровня (в основном Python). В соответствии с заданием обучающийся должен подготовить необходимые данные, получить требуемые результаты, оформить и защитить отчет по лабораторной работе. Отчет о лабораторной работе в общем случае должен содержать: формулировку задания, краткое описание алгоритмов, результаты выполнения программ и выводы по лабораторной работе.
Домашнее задание
Домашняя работа проводится в письменной форме. Работа представляет собой выполнение заданий из 3-х модулей.
Экзамен
Проводится в письменной форме в присутствии преподавателя. На экзамене студент выбирает экзаменационный билет, который составляется с учетом пройденного материала, как на лекционных занятиях, так и на практических занятиях. После ответа студента преподаватель может ему задать уточняющие вопросы по тематике билета.

Промежуточная аттестация

2026/2027 2nd module
0.3 * Домашнее задание + 0.4 * Лабораторная работа + 0.3 * Экзамен

Список литературы

Авторы

Любавина Светлана Вячеславовна
Овчинников Андрей Анатольевич

Бакалаврская программа «Компьютерные технологии, системы и сети»

Анализ данных и методы искусственного интеллекта

Программа дисциплины