Агрожүйелердегі машиналық оқыту және жасанды интеллект
Сипаттама: Курстың мақсаты-студенттердің агротехнологиялық процестерді бақылау, болжау және басқару үшін зияткерлік жүйелерді әзірлеу және енгізу саласындағы құзыреттіліктерін қалыптастыру. Пән агроөнеркәсіптік кешеннің тиімділігі мен тұрақтылығын арттыру үшін жасанды интеллекттің заманауи әдістерін және оларды ауыл шаруашылығында қолдануды зерттеуге бағытталған. Пәнді игеру нәтижесінде білім алушылар машиналық оқыту алгоритмдерімен жұмыс істеу, агродеректерді өңдеу, шешімдер қабылдау үшін модельдер жасау және агросектордың практикалық мәселелерін шешуде АИ-технологияларды қолдану дағдыларын игереді.
Кредиттер саны: 8
Пәннің еңбек сыйымдылығы:
| Жұмыс түрлері | сағат |
|---|---|
| Дәрістер | 30 |
| Практикалық жұмыстар | |
| Зертханалық жұмыстар | 45 |
| СӨЖО | 45 |
| СӨЖ | 120 |
| Қорытынды бақылау нысаны | емтихан |
| Қорытынды бақылауды жүргізу нысаны | жазбаша емтихан |
Компонент: ЖОО компоненті
Цикл: Кәсіптік пәндер
Мақсат
- Студенттерге аграрлық жүйелерде машиналық оқыту (Machine Learning) және жасанды интеллект (AI) технологияларын қолданудың теориялық негіздерін, әдістерін және практикалық дағдыларын меңгерту, ауыл шаруашылығындағы шешім қабылдау процестерін автоматтандыруға және тиімділікті арттыруға бағытталған интеллектуалды жүйелерді құру қабілетін қалыптастыру.
Міндет
- • Объяснить теоретические основы и алгоритмы машинного обучения (регрессия, классификация, кластеризация, нейронные сети и др.). • Ознакомить с ролью, возможностями и ограничениями искусственного интеллекта в аграрном секторе. • Сформировать навыки анализа и предварительной обработки данных сельского хозяйства (климатические, почвенные данные, динамика роста растений, спутниковые снимки, данные сенсоров). • Обучить разработке и применению моделей ML/AI для точного земледелия, агромониторинга, прогнозирования урожайности, выявления болезней растений, оптимизации ресурсов. • Освоить методы интеллектуальной обработки данных, полученных с помощью компьютерного зрения, геоинформационного анализа (GIS + AI), дронов и IoT-сенсоров. • Развить практические навыки работы с инструментами Python, TensorFlow, PyTorch, Scikit-learn, QGIS и др. • Рассмотреть вопросы безопасности, этики, качества данных и интерпретации моделей в системах искусственного интеллекта. • Научить проектировать интеллектуальные решения и прототипы для реальных агротехнологических задач.
Оқыту нәтижесі: білу және түсіну
- Студент машиналық оқыту мен жасанды интеллекттің негізгі қағидаларын, олардың негізгі алгоритмдерін және қолдану салаларын біледі. Аграрлық деректердің ерекшеліктерін, олардың көздері мен құрылымын (климаттық, топырақтық, спутниктік, сенсорлық деректер) түсінеді. Деректерді алдын ала өңдеу әдістерін, статистикалық талдаудың негіздерін және модель құрудың жалпы қағидаттарын меңгереді. Агросектордағы цифрландырудың, IoT-сенсорлардың, дрондардың, спутниктік жүйелердің және компьютерлік көру технологияларының рөлін түсінеді. Дәлме-дәл егіншілік, агромониторинг және шешім қабылдауды қолдау жүйелерінің заманауи тәсілдерін біледі. Нейрондық желілердің жұмыс істеу принциптерін, модельдерді оқыту әдістемесін және нәтижелерді интерпретациялау ерекшеліктерін түсінеді. Ауыл шаруашылығында AI/ML технологияларын қолданудың шектеулерін, тәуекелдерін, этикалық және қауіпсіздік аспектілерін біледі.
Оқыту нәтижесі: білім мен ұғымды қолдану
- Студент машиналық оқыту мен жасанды интеллект әдістерін агросистемалардағы практикалық міндеттерді шешуге қолдана алады. Классификация, регрессия, кластеризация алгоритмдерін және нейрондық желілерді аграрлық деректерді талдау мен модельдер құруда пайдалана алады. Климаттық, топырақтық, спутниктік және сенсорлық деректерді жинау, тазалау және алдын ала өңдеу жұмыстарын орындай алады. Python, Scikit-learn, TensorFlow, PyTorch және басқа да бағдарламалық құралдарды модельдерді әзірлеу мен оқытуда қолдана алады. Компьютерлік көру әдістерін өсімдік ауруларын анықтау, егістік жағдайын талдау және алқаптарды мониторингтеу үшін пайдалана алады. Дәлме-дәл егіншілік міндеттерін шешу үшін GIS-технологияларын және кеңістіктік деректер талдауын қолдана алады. Агротехнологиялық процестерді оңтайландыру, өнімділікті болжау және ресурстарды басқаруға арналған интеллектуалды шешімдердің прототиптерін әзірлей алады.
Оқыту нәтижесі: талқылай білуді қалыптастыру
- Студент машиналық оқыту және жасанды интеллект модельдерінің нәтижелерін талдап, олардың дұрыстығы мен сенімділігін сыни тұрғыдан бағалай алады. Аграрлық деректер негізінде алынған аналитикалық қорытындылардың шектеулері мен ықтимал қателіктерін анықтап, негізделген пікір қалыптастырады. ML/AI модельдерін таңдау, параметрлерін баптау және әдістерді салыстыру кезінде ғылыми дәлелдерге сүйене отырып, оңтайлы шешімдерді негіздей алады. Агросектордағы нақты жағдайларға сәйкес интеллектуалды жүйелерді енгізудің тәуекелдерін, артықшылықтары мен ықтимал салдарын бағалай алады. Деректер сапасы, этика, құпиялылық және алгоритмдік әділдік мәселелері бойынша саналы және дәлелді пайым жасай алады. Әртүрлі ақпарат көздерін, модель нәтижелерін және практикалық талаптарды байланыстырып, агротехнологиялық процестерді оңтайландыруға арналған аргументтелген шешімдер ұсына алады.
Оқыту нәтижесі: коммуникативтік қабілеттіліктер
- Студент деректерді талдау нәтижелерін және ML/AI модельдерінің жұмысын ауызша және жазбаша түрде анық әрі кәсіби деңгейде жеткізе алады. Модельдердің жұмыс принциптерін түсіндіріп, жасанды интеллект саласының маманы емес аграрлық профильдегі мамандарға нәтижелерді түсінікті түрде жеткізе алады. Агросектордағы күрделі міндеттерді шешу барысында агрономдармен, инженерлермен, бағдарламашылармен және аналитиктермен тиімді коммуникация орната алады. Ұсынылатын ақпараттың дұрыстығы мен түсініктілігін қамтамасыз ете отырып, құрылымды есептер, презентациялар және деректер визуализацияларын дайындай алады. Машиналық оқыту немесе жасанды интеллект әдістерін таңдауда қабылданған шешімдерді дәлелді түрде қорғай алады. Нәтижелермен алмасу және талқылау мақсатында заманауи цифрлық коммуникация құралдарын (онлайн платформалар, бірлескен жұмыс жүйелері, визуализация құралдары) тиімді пайдалана алады.
Оқыту нәтижесі: Оқу дағдылары немесе сабаққа қабілеттілігі
- Студент агросистемаларда қолданылатын машиналық оқыту мен жасанды интеллекттің жаңа әдістері мен құралдарын өз бетімен меңгере алады. Ғылыми дереккөздерді, техникалық құжаттамаларды және кәсіби ақпаратты іздеп, талдап, сыни тұрғыдан бағалай алады. Өзінің оқу процесін ұйымдастырып, мақсаттар қоя алады және сол мақсаттарға жету үшін тиімді оқу стратегияларын жоспарлай алады. Жаңа бағдарламалық құралдарға, деректерді талдау технологияларына және модель құру әдістеріне тез бейімделе алады. Өзінің оқу нәтижелерін бағалап, білімдегі олқылықтарды анықтай алады және оларды жоюдың тиімді жолдарын әзірлей алады. Инновациялық интеллектуалды технологияларды меңгеруге және үздіксіз кәсіби дамуға бастамашылдық таныта алады.
Оқыту әдістері
Интерактивті оқыту әдістері (пікірталас, дебат,кейс-стади, іскерлік ойындар, топтық жұмыс). Цифрлық білім беру технологиялары (LMS платформалары, виртуалды зертханалар, мультимедиялық ресурстар, онлайн-тестілеу). Қашықтықтан және аралас оқыту (онлайн және офлайн форматтардың үйлесуі, вебинарлар, бейнедәрістер). Жобалық және проблемалық оқыту (PBL) (жобалар орындау, зерттеу тапсырмалары, практикалық міндеттерді шешу). «Төңкерілген сынып» технологиясы (теорияны өз бетімен меңгеру + аудиториядағы практикалық жұмыс). Құзыреттілікке бағытталған оқыту (кәсіби және әмбебап құзыреттерді қалыптастыруға бағытталған тәсіл). Дифференцияланған және адаптивті оқыту (дайындық деңгейін, қабылдау ерекшеліктерін және жеке оқу траекторияларын ескеру). Инклюзивті білім беру технологиялары (ЕБҚ бар студенттерге арналған бейімдеу — визуализация, субтитр, арнайы тапсырмалар). Оқытудағы жасанды интеллект пен аналитиканы пайдалану (адаптивті платформалар, автоматты тексеру, жекелендірілген ұсыныстар).
Білім алушының білімін бағалау
Оқытушы ағымдағы бақылау жұмыстарының барлық түрлерін жүргізеді және академиялық кезеңде екі рет білім алушылардың ағымдағы үлгеріміне тиісті баға береді. Ағымдағы бақылау нәтижелері бойынша 1 және 2 рейтинг қалыптастырылады. Білім алушының оқу жетістіктері 100 балдық шкала бойынша бағаланады, Р1 және Р2 қорытынды бағасы ағымдағы үлгерім бағасынан орташа арифметикалық ретінде шығарылады. Академиялық кезеңде білім алушының жұмысын бағалауды пән бойынша тапсырмаларды тапсыру кестесіне сәйкес оқытушы жүзеге асырады. Бақылау жүйесі жазбаша және ауызша, топтық және жеке формаларды біріктіре алады.
| Кезең | Тапсырма түрі | Өлшем |
|---|---|---|
| 1 рейтинг | Әр студентке жеке беріледі | 0-100 |
| 2 рейтинг | Әр студентке жеке беріледі | 0-100 |
| Қорытынды бақылау | емтихан | 0-100 |
Жұмыс түрлері бойынша оқыту нәтижелерін бағалау саясаты
| Тапсырма түрі | 90-100 | 70-89 | 50-69 | 0-49 |
|---|---|---|---|---|
| Өте жақсы | Жақсы | Қанағаттанарлық | Қанағаттанарлықсыз | |
| Барлық тапсырмаларды орындау. | Барлық материалды терең білу; теория мен машиналық оқыту жүйесіндегі стандартты емес есептерді дербес шешу; практикалық тапсырмаларда қатесіз есептеулер, сонымен қатар курстық жұмыста есептеулер мен жобалау; дәлелді қорғау (уақытында берілген). | Негізгі материалды нақты білу; типтік TMM және DM есептерін сәтті аяқтау; барлық тапсырмалар мен курстық жұмыстар жоғары деңгейде орындалды және шағын түсініктемелермен қорғалды. | Түсіну үшін қажетті материал туралы негізгі білім. Ең аз талап етілетін есептеу мәселелері шешілді. Курстық жұмыс және/немесе практикалық тапсырмалар негізгі бөлімдерден тұрады және барлық ескертулер қарастырылғаннан кейін аяқталады. | Негізгі бөлімдерді түсінбеу. Стандартты есептерді шеше алмау және/немесе курстық жұмысты орындамау. |
Бағалау нысаны
Пән бойынша білім алушының білімін қорытынды бағалау 100 баллдық жүйе бойынша жүзеге асырылады және:
- Емтиханда алынған нәтиженің 40%;
- Ағымдағы үлгерімнің 60% - ы.
Қорытынды бағаны есептеу формуласы:
| И= 0,6 | Р1+Р2 | +0,4Э |
| 2 |
мұндағы, Р1, Р2-тиісінше бірінші, екінші рейтингті бағалаудың сандық эквиваленттері;
Э - емтихандағы бағаның сандық баламасы.
Қортынды әріптік бағасы және оның балдық сандық эквиваленті:
Төрт балдық жүйе бойынша цифрлық баламаға сәйкес келетін білім алушылардың оқу жетістіктерін бағалаудың әріптік жүйесі:
| Әріптік жүйе бойынша бағалар | Балдардың сандық эквиваленті | Балдар (%-тік құрамы) | Дәстүрлі жүйе бойынша бағалар |
|---|---|---|---|
| A | 4.0 | 95-100 | Өте жақсы |
| A- | 3.67 | 90-94 | |
| B+ | 3.33 | 85-89 | Жақсы |
| B | 3.0 | 80-84 | |
| B- | 2.67 | 75-79 | |
| C+ | 2.33 | 70-74 | |
| C | 2.0 | 65-69 | Қанағаттанарлық |
| C- | 1.67 | 60-64 | |
| D+ | 1.33 | 55-59 | |
| D | 1.0 | 50-54 | |
| FX | 0.5 | 25-49 | Қанағаттанарлықсыз |
| F | 0 | 0-24 |
Дәріс сабақтарының тақырыптары
- Ауыл шаруашылығында машиналық оқыту мен жасанды интеллекттің рөлі және қолдану салалары
- Аграрлық деректердің түрлері: климаттық, топырақтық, өсімдіктердің өсу динамикасы, сенсорлар және спутниктік деректер
- Деректерді алдын ала өңдеу: тазалау, нормализация, ерекшеліктерді таңдау және генерациялау
- Машиналық оқытудың негізгі алгоритмдері: регрессия, классификация, кластеризация
- Нейрондық желілер мен терең оқытудың теориялық негіздері
- TensorFlow, PyTorch және Scikit-learn платформаларымен жұмыс істеу
- Ауыл шаруашылығындағы компьютерлік көру: өсімдік ауруларын анықтау, егістіктерді талдау
- Спутниктік және дрондық бейнелерге негізделген агромониторинг (Remote Sensing + AI)
- GIS және кеңістіктік деректерді интеллектуалды талдау (GeoAI)
- IoT сенсорлық жүйелері: алқаптағы деректерді жинау және реальды уақыттағы бақылау
- Өнімділікті болжау және шығым моделдері: регрессиялық және гибридті тәсілдер
- Ресурстарды оңтайландыру: суару, тыңайтқыш енгізу, техника қозғалысын жоспарлау
- Интеллектуалды шешім қабылдау жүйелері (DSS) және фермерлік басқару платформалары
- AI/ML жүйелерінің қауіпсіздігі, этикасы, интерпретациясы және тәуекелдерді бағалау
- Агросектордағы жасанды интеллекттің болашағы: смарт-фермалар, роботтандыру, автоматтандыру
Негізгі әдебиет
- Goodfellow I., Bengio Y., Courville A. Deep Learning. — MIT Press, 2016. (Базовый труд по глубокому обучению, нейронным сетям и их архитектурам.) Bishop C. Pattern Recognition and Machine Learning. — Springer, 2006. (Классическая литература по методам машинного обучения.) Géron A. Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow. — O’Reilly, 2023. (Практическое руководство для реальных ML-моделей.) Chlingaryan A., Sukkarieh S., Whelan B. Machine Learning in Precision Agriculture. — Elsevier, 2020. (Применение ML и AI в точном земледелии.) Liakos K., Busato P., Moshou D. Machine Learning in Agriculture: A Review. — Sensors, 2018. (Обзор современных методов ИИ в агросекторе.) McCarthy C., Hancock N. Artificial Intelligence for Agriculture: Practical Applications. — Springer, 2021. (Практика AI в агроиндустрии.) Zhang Q., Kovacs J. The Application of Remote Sensing Technologies in Precision Agriculture. — Academic Press, 2020. (AI + спутниковые данные в аграрных системах.) Gebbers R., Adamchuk V. Precision Agriculture and Sensor Systems. — Springer, 2018. (Сенсоры, IoT, агромониторинг.) Rasheed A., Saleem S. AI and Computer Vision in Agriculture. — Taylor & Francis, 2022. (Компьютерное зрение для определения болезней, анализа посевов и т.д.) Python for Data Analysis (W. McKinney) — O’Reilly, 2022. (Обязательная литература для работы с агроданными.)
Қосымша әдебиеттер
- Russell S., Norvig P. Artificial Intelligence: A Modern Approach. — Pearson, 2021. (Современный фундаментальный учебник по ИИ.) Burkov A. The Hundred-Page Machine Learning Book. — Andriy Burkov, 2019. (Краткое, но мощное руководство по ML.) Jurafsky D., Martin J. Speech and Language Processing. — Prentice Hall, 2023. (NLP, полезно для аграрных текстовых данных и автоматизации.) Brownlee J. Machine Learning Mastery with Python. — 2022. (Практические методы ML на Python.) Wang L., Ma J. Deep Learning for Earth Observation. — Springer, 2020. (AI для спутниковых изображений, применимо в точном земледелии.)
