Создание приложений искусственного интеллекта
内容描述: В дисциплине описываются интрументальные средства разработки приложений искусственного интеллекта. Рассматриваются вопросы программной реализации элементов нейронной сети и построения многослойных нейронных сетей. Обучающиеся получат практические навыки по применению специализированных библиотек формирования нейронных сетей и их обучения, обработки изображений для распознавания объектов.
贷款数: 8
*СomplexityDiscipline(zh-CN)*:
| *TypesOfClasses(zh-CN)* | *hours(zh-CN)* |
|---|---|
| *Lectures(zh-CN)* | 30 |
| *PracticalWork(zh-CN)* | |
| *LaboratoryWork(zh-CN)* | 45 |
| *srop(zh-CN)* | 45 |
| *sro(zh-CN)* | 120 |
| *FormOfFinalControl(zh-CN)* | экзамен |
| *FinalAssessment(zh-CN)* | Письменный экзамен |
零件: Вузовский компонент
循环次数: Профилирующие дисциплины
Цель
- создание и изучение функционирование приложений искусственного интеллекта
Задача
- изучить основные методы интеллектуального анализа данных и машинного обучения, основные принципы поиска, сбора, очистки, хранения, обработки, анализа и визуализации данных;
- научиться применять технологии обработки больших данных для решения прикладных задач.
Результат обучения: знание и понимание
- знание основных понятий ИИ, истории, моделей представления знаний
- понимание основных концепций, овладение методами ИИ на уровне ИТ специалистов
Результат обучения: применение знаний и пониманий
- способность использовать представленные теории, методы и принципы ИИ для создания интеллектуальных программных систем
Результат обучения: формирование суждений
- обсуждать, анализировать и реализовывать технологий ИИ
Результат обучения: коммуникативные способности
- развить коммуникационные способности, необходимые для работы в команде.
Результат обучения: навыки обучения или способности к учебе
- осуществлять сбор необходимой информации, систематизировать и обобщать ее, использовать полученные знания на практике.
*TeachingMethods(zh-CN)*
интерактивная лекция (применение следующих активных форм обучения: ведомая (управляемая) дискуссия или беседа; демонстрация слайдов или учебных фильмов; мозговой штурм; мотивационная речь);
информационно-коммуникационная (например, занятия в компьютерном классе с использованием различных операционных систем и профессиональных пакетов прикладных программ);
поисково-исследовательская (самостоятельная исследовательская деятельность студентов в процессе обучения).
*AssessmentKnowledge(zh-CN)*
Преподаватель проводит все виды работ текущего контроля и выводит соответствующую оценку текущей успеваемости обучающихся два раза в академический период. По результатам текущего контроля формируется рейтинг 1 и 2. Учебные достижения обучающегося оцениваются по 100-балльной шкале, итоговая оценка Р1 и Р2 выводится как средняя арифметическая из оценок текущей успеваемости. Оценка работы обучающегося в академическом периоде осуществляется преподавателем в соответствии с графиком сдачи заданий по дисциплине. Система контроля может сочетать письменные и устные, групповые и индивидуальные формы.
| *Period2(zh-CN)* | *TypeOfTask(zh-CN)* | *Total(zh-CN)* |
|---|---|---|
| 1 *Rating(zh-CN)* | Лабораторная работа 1 | 0-100 |
| Лабораторная работа 2 | ||
| Лабораторная работа 3 | ||
| Рубежное тестирование 1 | ||
| 2 *Rating(zh-CN)* | Лабораторная работа 4 | 0-100 |
| Лабораторная работа 5 | ||
| Лабораторная работа 6 | ||
| Рубежное тестирование 2 | ||
| *TotalControl(zh-CN)* | экзамен | 0-100 |
*PolicyAssignmentTask(zh-CN)*
| *TypeOfTask(zh-CN)* | 90-100 | 70-89 | 50-69 | 0-49 |
|---|---|---|---|---|
| Excellent | *Grade4(zh-CN)* | *Grade3(zh-CN)* | *Grade2(zh-CN)* | |
| Ответы на контрольные вопросы | демонстрирует системные теоретические знания, владеет терминологией, делает аргументированные выводы и обобщения, приводит примеры, показывает свободное владение материалом и способность быстро реагировать на уточняющие вопросы | демонстрирует прочные теоретические знания, владеет терминологией, делает аргументированные выводы и обобщения, приводит примеры, оказывает свободное владение материалом, но при этом делает несущественные ошибки, которые исправляет самостоятельно или при незначительной коррекции преподавателем | демонстрирует неглубокие теоретические знания, недостаточное умение делать аргументированные выводы и приводить примеры, показывает недостаточно свободное владение материалом, логичностью и последовательностью изложения, делает ошибки которые может исправить только при коррекции преподавателем. | демонстрирует незнание теоретических основ предмета, не умеет делать аргументированные выводы и приводить примеры, показывает слабое владение материалом, не владеет терминологией, проявляет отсутствие логичности и последовательности изложения, делает ошибки, которые не может исправить даже при коррекции преподавателем, отказывается отвечать на занятии |
| Работа на лабораторных занятиях | выполнил лабораторную работу в полном объеме с соблюдением необходимой последовательности действий; в отчете правильно и аккуратно выполняет все записи, таблицы, рисунки, чертежи, графики, вычисления; правильно выполняет анализ ошибок. При ответе на вопросы правильно понимает сущность вопроса, дает точное определение и истолкование основных понятий; сопровождает ответ новыми примерами, умеет применить знания в новой ситуации; может установить связь между изучаемым и ранее изученным материалом, а также с материалом, усвоенным при изучении других дисциплин. | выполнил требования к оценке «отлично», но допущены 2-3 недочета. Ответ обучающегося на вопросы удовлетворяет основным требованиям к ответу на «отлично», но дан без применения знаний в новой ситуации, без использования связей с ранее изученным материалом и материалом, усвоенным при изучении других дисциплин; допущены одна не критичная ошибка или не более двух недочетов, при этом обучающийся может их исправить самостоятельно без помощи преподавателя. | выполнил работу не полностью, но не менее 50% объема практической работы, что позволяет получить правильные результаты и выводы; в ходе проведения работы были допущены ошибки. При ответе на вопросы обучающийся правильно понимает сущность вопроса, но в ответе имеются отдельные проблемы в усвоении вопросов курса, не препятствующие дальнейшему усвоению программного материала; допущена одна грубая ошибка и не более двух-трех недочетов, при этом обучающийся может их исправить с небольшой помощью преподавателя. | выполнил работу не более 50% от объема, что не позволяет сделать правильных выводов. При ответе на вопросы демонстрирует отсутствие владения основными знаниями и умениями в соответствии с требованиями программы; допущены больше ошибок и недочетов, чем необходимо для оценки «удовлетворительно», не может ответить на большую часть из поставленных вопросов. |
*EvaluationForm(zh-CN)*
Итоговая оценка знаний обучающего по дисциплине осуществляется по 100 балльной системе и включает:
- 40% результата, полученного на экзамене;
- 60% результатов текущей успеваемости.
Формула подсчета итоговой оценки:
| И= 0,6 | Р1+Р2 | +0,4Э |
| 2 |
где, Р1, Р2 – цифровые эквиваленты оценок первого, второго рейтингов соответственно; Э – цифровой эквивалент оценки на экзамене.
Итоговая буквенная оценка и ее цифровой эквивалент в баллах:
Буквенная система оценки учебных достижений обучающихся, соответствующая цифровому эквиваленту по четырехбалльной системе:
| Оценка по буквенной системе | Цифровой эквивалент | Баллы (%-ное содержание) | Оценка по традиционной системе |
|---|---|---|---|
| A | 4.0 | 95-100 | Отлично |
| A- | 3.67 | 90-94 | |
| B+ | 3.33 | 85-89 | Хорошо |
| B | 3.0 | 80-84 | |
| B- | 2.67 | 75-79 | |
| C+ | 2.33 | 70-74 | |
| C | 2.0 | 65-69 | Удовлетворительно |
| C- | 1.67 | 60-64 | |
| D+ | 1.33 | 55-59 | |
| D | 1.0 | 50-54 | |
| FX | 0.5 | 25-49 | Неудовлетворительно |
| F | 0 | 0-24 |
Темы лекционных занятий
- Основы ИИ и машинного обучения. История, концепции, основные направленияобучения и обработки больших данных.
- Типы машинного обучения. Контролируемое, неконтролируемое, обучение с подкреплением
- Подготовка данных. Очистка, нормализация, отбор признаков
- Линейная и логистическая регрессия. Метрические алгоритмы (kNN)
- Деревья решений. Случайные леса, метод градиентного бустинга (XGBoost)
- Основы искусственных нейронных сетей. Персептроны, MLP
- Свёрточные нейросети. CNN для анализа изображений
- Рекуррентные нейросети. RNN, LSTM, GRU для работы с последовательностями
- Обзор инструментов. TensorFlow, PyTorch, Scikit-learn
- Обучение моделей. Тестирование моделей, борьба с переобучением
- Развертывание моделей ИИ. Flask, FastAPI, облачные платформы (Google Colab, AWS, Azure)
- Компьютерное зрение. OpenCV, детекция объектов (YOLO)
Основная литература
- Фостер Дэвид. Генеративное глубокое обучение. Как не мы рисуем картины, пишем романы и музыку. 2-е международное изд. Санкт-Петербург: Издательский дом Питер, 2024.- 448 с. - ISBN 978-601-08-3729-4
- Харбанс Р.: Грокаем алгоритмы искусственного интеллекта. Санкт-Петербург: Питер- Трейд, 2022.- 368 с. – ISBN 978-5-4461-2924-9
- Баймұхамедов М.Ф., Баймұхамедова А.М., Боранбаев С.Н. «Жасанды интеллект: қазіргі заманғы теория және тәжірибе. Artificial Intelligence: Modern Theory and Practice» (в одной книге на казахском и английском языках) (реализация в двух томах). Алматы: Бастау, 2020 (ISBN 1т.- 978-601-7991-32-6) (ISBN 2т.- 978-601-7991-33-3);
- Яворский В.В. Интеллектуальные информационные технологии: учебник / В.В. Яворский. - Алматы : Эпиграф, 2019. - 342, [1] с. : ил., табл. - Библиогр.: с. 341-342. - ISBN 978-601-327-561-1.
- Разработка и анализ данных: учеб. пособие / Р. У. Тукеев; КазНУ им. аль-Фараби. - Алматы : Қазақ ун-ті, 2017. - 109 с. ISBN 978-601-04-2261-2
- Шевчук Е.В. Интеллектуальные информационные системы: учебно-методическое пособие / Е.В. Шевчук. - Алматы: CyberSmith, 2017. - 137 с. - ISBN 978-601-310-319-8.
- Искусственный интеллект.В 3-х книгах. - М. : Радио и связь. Кн.3 : Программные и аппаратные средства : справочное издание / Ред. Д.А. Поспелов. - М. : Радио и связь, 1990. - 363 с. : ил. - Библиогр.: с.329-361. - Б. ц.
- Искусственный интеллект. В 3-х книгах. - М. : Радио и связь. Кн.2 : Модели и методы : справочное издание / Ред. Д.А. Поспелов. - М. : Радио и связь, 1990. - 304 с. : ил. - Библиогр.: с.257-303. - Б. ц.
Дополнительная литература
- RYAN BENNETT. Artificial Intelligence and Generative AI Made EASY: A Beginner's Guide to Mastering ChatGPT, Google Bard, and Tomorrow's Tech Today. 2023;
- Data Science на службе бизнеса. Книга об интеллектуальном анализе данных / Д. М. Назаров, С.В.Бегичева, Д.Б. Ковтун, А.Д. Назаров. – Москва: Ай Пи Ар Медиа; Алматы: EDP Hub (Идипи Хаб), 2023. – 330 с.;
- Новиков, Ф. А. Символический искусственный интеллект: математические основы представления знаний: учебное пособие для вузов / Ф. А. Новиков. — Москва : Издательство Юрайт, 2024. — 278 с. — (Высшее образование). — ISBN 978-5-534-00734-3. — Текст : электронный // Образовательная платформа Юрайт;
- Агамалиев Р.: От "Энигмы" до ChatGPT. Эволюция искусственного интеллекта и российские бизнес-кейсы. – Москва: Миф, 2024. – 208 стр. - ISBN 978-5-00214-351-1
- Оразбаев Б.Б. Методы и системы искусственного интеллекта в экономике: учебное пособие для студентов и магистрантов специальностей "Информационные системы" и "Вычислительная техника и программное обеспечение" в экономических вузах / Б.Б. Оразбаев, Б.А. Серимбетов. - Алматы : Эпиграф, 2019. - 307, [1] с. : ил. - Библиогр.: с. 305-307. - ISBN 978-601-240-394-7.
