Анализ данных и искусственный интеллект
Описание: В дисциплине рассматриваются основные методы анализа данных. Изучаются корреляционный, линейный регрессионный и дисперсионный анализы данных. Обучающиеся получат практические навыки применения методов и алгоритмов кластеризации данных, визуализации данных, распознавания образов инструментами искусственного интеллекта. Курс знакомит с основами машинного обучения и искусственными нейронными сетями.
Количество кредитов: 8
Трудоемкость дисциплины:
| Виды работ | часы |
|---|---|
| Лекции | 30 |
| Практические работы | |
| Лабораторные работы | 45 |
| СРОП | 45 |
| СРО | 120 |
| Форма итогового контроля | экзамен |
| Форма проведения итогового контроля |
Компонент: Компонент по выбору
Цикл: Профилирующие дисциплины
Цель
- Формирование у обучающихся системных теоретических знаний и практических навыков применения современных методов анализа данных и технологий искусственного интеллекта для решения прикладных задач, включая обработку данных, построение прогнозных моделей и использование нейронных сетей.
Задача
- Освоить основные методы статистического анализа и алгоритмы машинного обучения для обработки и интерпретации данных.
Результат обучения: знание и понимание
- Знание теоретических основ, математического аппарата и областей применения ключевых методов анализа данных: корреляционного, регрессионного, дисперсионного анализов, кластеризации и распознавания образов.
- Понимание фундаментальных принципов работы методов машинного обучения и архитектур искусственных нейронных сетей для решения задач прогнозирования и классификации.
Результат обучения: применение знаний и пониманий
- Способность применять изученные статистические методы и алгоритмы машинного обучения (кластеризации, классификации) с использованием современных программных инструментов для решения практических задач анализа данных.
- Умение реализовывать полный цикл анализа данных — от предобработки и визуализации до построения, тестирования и интерпретации моделей, включая простейшие нейронные сети.
Результат обучения: формирование суждений
- Умение критически оценивать адекватность, надежность и качество построенных моделей, интерпретировать полученные результаты и формулировать содержательные выводы на их основе.
Результат обучения: коммуникативные способности
- Умение ясно и структурированно документировать ход анализа, обосновывать принятые решения и формулировать итоговые выводы в виде краткого отчета или презентации.
Результат обучения: навыки обучения или способности к учебе
- Способность самостоятельно осваивать новые алгоритмы, библиотеки и инструменты в области анализа данных и искусственного интеллекта, используя документацию и профессиональные ресурсы.
