МОДУЛЬ 2. ПРОФИЛЬНЫЙ

Модуль предполагает изучение систем обработки и анализа больших данных, а также машинного обучения и искусственного интеллекта. Отдельные темы посвящены изучению программного инструментария Data Mining и Machine Learning; основного аппарата комбинаторики и математической статистики; регрессионного анализа и сжатия данных. Будут рассмотрены технологии кластеризации и классификации данных, деревья решений, технологии нейронных сетей и генетических алгоритмов, методы оптимизации машинного обучения, GPU. Представлены методы и технологии онлайн-обучения и линейных моделей, рекомендательных систем, LSH. Введение в искусственный интеллект и роль искусственного интеллекта в бизнесе

Часов в программе

40,00 часов

лекции

66,00 часов

практика

31,00 час

самостоятельная

4,00 часа

промежуточная аттестация

141,00 час

всего

Материально-технические условия реализации программы:

Вид занятий: Лекционные занятия
Требуемое ПО:
Веб-браузеры Google Chrome, Mozila Firefox, Opera, Microsoft Edge, Яндекс.Браузер и др.

Вид занятий: Практические занятия, самостоятельная работа
Требуемое ПО:
Веб-браузеры Google Chrome, Mozila Firefox, Opera, Microsoft Edge, Яндекс.Браузер и др.
Anaconda 2.7 или 3.5
Доступ к облачным вычислительным ресурсам.

Информационные ресуры

1. https://ai.2035.university/ - сайт УНТИ 2035 “Обучение в области искусственного интеллекта”
2. https://xn--80aapampemcchfmo7a3c9ehj.xn--p1ai/projects/tsifrovaya-ekonomika - сайт Национального проекта “Цифровая экономика”
3. https://xn--80aapampemcchfmo7a3c9ehj.xn--p1ai/projects/tsifrovaya-ekonomika/p-iskusstvennyy-intellekt-p - сайт федерального проекта “Искусственный интеллект” Национального проекта “Цифровая экономика”
4. https://sprint.1t.ru/ - сайт образовательной платформы ООО “1Т”
5. https://trends.rbc.ru/trends/tag/ai - раздел “Искусственный интеллект” на сайте РБК.
6. https://www.tadviser.ru/index.php/%D0%9F%D1%80%D0%BE%D0%B4%D1%83%D0%BA%D1%82:%D0%98%D1%81%D0%BA%D1%83%D1%81%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D1%8B%D0%B9_%D0%B8%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82_(%D0%98%D0%98,_Artificial_intelligence,_AI) - раздел “Искусственный интеллект” на сайте “TAdviser”. Государство. Бизнес. Технологии.
7. https://rb.ru/opinion/inzhener-dannyh/ - “Инженер данных: что это за специалист и как им стать?” на сайте - RB.RU
8. https://rb.ru/opinion/data-engineer-modeli-data-scientist/ - “В России катастрофически не хватает инженеров данных – кому и зачем они нужны” на сайте - RB.RU

Образовательные ресуры

1. Воронцов К. В. Машинное обучение: курс лекций // MachineLearning.ru. - URL: http://www.recognition.su/wiki/index.php?title=Машинное_обучение_(курс_лекций%2C_К.В.Воронцов).
2. Проектирование баз данных: Распределенные базы и хранилища данных. Агрегирование // Национальный Открытый Университет «ИНТУИТ». URL: http://www.intuit.ru/studies/professional_retraining/953/courses/214/lecture/5508/
3. Бесплатные материалы по Data Engineering от преподавателей МФТИ https://fpmi-edu.ru/free-de
4. Курс “Машинное обучение”. https://ru.coursera.org/specializations/gcp-data-machine-learning#courses
5. Курс “Big Data Specialization”. https://www.coursera.org/specializations/big-data
6. Курс “Big Data и Data Science: начни погружение с нуля” https://stepik.org/course/101687/promo
7. Open Machine Learning Course
https://mlcourse.ai/book/index.html

Учебно-методические материалы

Методы, формы и технологии

Для достижения планируемых результатов обучение строится с использованием следующих:
методов: case-study, метод проектов, модульное обучение, проблемное обучение, контекстное обучение;
форм: лекции с использованием мультимедиа, практические занятия, самостоятельная работа, практика на базе привлекаемой организации.

Кроме того, обучение строится с применением технологий электронного обучения и дистанционных образовательных технологий.

Методические разработки

Обучающие материалы дисциплины представлены в виде видеолекций, текстовых и графических материалов, размещенных на образовательной платформе sprint.1T.

Материалы курса

Видеолекции
Текстовые материалы лекций
Инструкции для выполнения заданий
Обучающие задания с автоматизированной системой проверки и подсказками
Проверочные задания с автоматизированной системой проверки

Учебная литература

1. Маркус Гэри, Дэвис Эрнест. Искусственный интеллект: Перезагрузка. Как создать машинный разум, которому действительно можно доверять. - Москва: Альпина ПРО, 2021. - 300 с.
2. Дейтел Пол, Дейтел Харви. Python: Искусственный интеллект, большие данные и облачные вычисления. Практическое пособие. - Санкт-Петербург: Питер, 2020. - 864 с.
3. Томас Дэвенпорт. Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности. − Альпина Паблишер, 2021. – 316 с.
4. Пратик Джоши. Искусственный интеллект с примерами на Python. – Диалектика, 2019. – 448 с.
5. Сьоре Эдвард. Проектирование и реализация систем управления базами данных. - Москва: ДМК Пресс, 2021. - 466 с.
6. Брэдшоу Шеннон, Брэзил Йон, Ходоров Кристина. MongoDB: полное руководство. - Москва: ДМК Пресс, 2020. - 540 с.
7. Цзэн Мин. Как Alibaba использует искусственный интеллект в бизнесе: Сетевое взаимодействие и анализ данных. - Москва: Альпина Паблишер, 2022. - 360 с.
8. Болотова Ю.А., Друки А.А., Спицын В.Г. Методы и алгоритмы интеллектуальной обработки цифровых изображений. - Томск: Томский политехнический университет, 2016. - 208 с.
9. Бурков А. Машинное обучение без лишних слов. - Санкт-Петербург: Питер, 2020 – 192 с.
10. Лекторский В.А., Васильев С.Н., Макаров В.Л., Хабриева Т.Я., Кокошин А.А., Ушаков Д.В., Валуева Е.А., Дубровский Д.И., Черниговская Т.В., Семенов А.Л., Зискин К.Е., Любимов А.П., Целищев В.В., Алексеев А.Ю. Человек и системы искусственного интеллекта. – Санкт-Петербург: Общество с ограниченной ответственностью “Издательство “Юридический центр”, 2022. – 328 с.

Темы

Раздел 2.1 Системы обработки и анализа больших данных. Тема 1. Распределенная файловая система HDFS Тема 2. Обработка данных с помощью (Hadoop/Hive/Spark) Тема 3. Конвейер данных (Storm, Kafka) Тема 4. Базовое представление о Map Reduce Тема 5. Статистические методы анализа данных Тема 6. Технологии анализа данных Тема 7. Использование платформ данных Тема 8. Инструменты с открытым исходным кодом для анализа больших данных Раздел 2.2 Машинное обучение. Искусственный интеллект. Тема 1. Введение в машинное обучение и обработку данных. Программный инструментарий Data Mining и Machine Learning. Тема 2. Основной аппарат комбинаторики и мат. статистики. Регрессионный анализ и сжатие данных. Тема 3. Технологии кластеризации и классификации. Деревья решений. Нейронные сети. Генетические алгоритмы. Тема 4. Деревья решений Тема 5. Методы оптимизации машинного обучения Тема 6. GPU в задачах машинного обучения Тема 7. Машинное обучение на больших данных. Онлайн обучение и линейные модели Тема 8. Рекомендательные системы Тема 9. Нейронные сети Тема 10. LSH. Кластеризация больших данных Тема 11. Введение в искусственный интеллект Тема 12. Роль искусственного интеллекта в бизнесе

Лекции
1,00ч

Практические занятия
2,00ч

Самостоятельная работа
1,00ч

Всего
4,00ч

Промежуточная аттестация 4,00 часа

Решение практико-ориентированных задач (кейсов)