Базовый модуль

В рамках модуля обучающиеся познакомятся с технологиями баз данных, техниками проектирования структур и баз данных, методами и инструментами сбора, подготовки, обработки и управления данными, методами обработки данных в промышленной аналитике и задачах бизнес-аналитики; освоят умения и практические навыки по формированию нейросетевых и других видов регрессоров, классификаторов и прогнозных моделей.

Часов в программе

34,00 часа

лекции

52,00 часа

практика

86,00 часов

самостоятельная

6,00 часов

промежуточная аттестация

178,00 часов

всего

Материально-технические условия реализации программы:

Вид занятий: Лекции
Требуемое ПО:
Операционная система: Windows 10 32 и 64 Bit, Программное обеспечение: Internet Explorer, Google Chrome или Mozilla Firefox Anaconda 2.7 или 3.5, Монитор жидкокристаллический: размер экрана по диагонали 19 дюймов, разрешение экрана 1024х768, Скорость Интернет-канала - От 2 Мбит/сек свободного входного трафика на одно учебное место, Облачные вычислительные ресурсы - доступ к облачным вычислительным ресурсам, с графическими процессорами GPGPU или тензорными процессорами TPU, не менее 12Гб на одно рабочее место.

Вид занятий: Самостоятельная работа
Требуемое ПО:
Операционная система: Windows 10 32 и 64 Bit, Программное обеспечение: Internet Explorer, Google Chrome или Mozilla Firefox Anaconda 2.7 или 3.5, Монитор жидкокристаллический: размер экрана по диагонали 19 дюймов, разрешение экрана 1024х768, Скорость Интернет-канала - От 2 Мбит/сек свободного входного трафика на одно учебное место, Облачные вычислительные ресурсы - доступ к облачным вычислительным ресурсам, с графическими процессорами GPGPU или тензорными процессорами TPU, не менее 12Гб на одно рабочее место.

Вид занятий: Практические занятия
Требуемое ПО:
Операционная система: Windows 10 32 и 64 Bit, Программное обеспечение: Internet Explorer, Google Chrome или Mozilla Firefox Anaconda 2.7 или 3.5, Монитор жидкокристаллический: размер экрана по диагонали 19 дюймов, разрешение экрана 1024х768, Скорость Интернет-канала - От 2 Мбит/сек свободного входного трафика на одно учебное место, Облачные вычислительные ресурсы - доступ к облачным вычислительным ресурсам, с графическими процессорами GPGPU или тензорными процессорами TPU, не менее 12Гб на одно рабочее место.

Вид занятий: Итоговая аттестация
Требуемое ПО:
Операционная система: Windows 10 32 и 64 Bit, Программное обеспечение: Internet Explorer, Google Chrome или Mozilla Firefox Anaconda 2.7 или 3.5, Монитор жидкокристаллический: размер экрана по диагонали 19 дюймов, разрешение экрана 1024х768, Скорость Интернет-канала - От 2 Мбит/сек свободного входного трафика на одно учебное место, Облачные вычислительные ресурсы - доступ к облачным вычислительным ресурсам, с графическими процессорами GPGPU или тензорными процессорами TPU, не менее 12Гб на одно рабочее место.

Информационные ресуры

LMS Центра дополнительного образования МГТУ им. Н.Э. Баумана

Образовательные ресуры

LMS Центра дополнительного образования МГТУ им. Н.Э. Баумана

Учебно-методические материалы

Методы, формы и технологии

Разработаны уникальные практико-ориентированные кейсы, презентации, глоссарии, представлены на LMS Центра дополнительного образования МГТУ им. Н.Э. Баумана

Методические разработки

Материалы курса

Представлены на LMS Центра дополнительного образования МГТУ им. Н.Э. Баумана

Учебная литература

Основная литература:
1. Алпайдин Э. Машинное обучение: новый искусственный интеллект: пер. с англ. / Алпай-дин Э. - М.: Фонд Развития Промышленности: Издательская группа "Точка" : Альпина Паблишер : [Интеллектуальная Литература], 2017. - 191 с. - (Завтра это будут знать все). - Библиогр.: с. 185-191. - ISBN 978-5-9908700-8-6. - ISBN 978-5-9614-6114-5.
2. Силен Д., Мейсман А., Али М. Основы Data Science и Big Data. Python и наука о данных / Силен Д., Мейсман А., Али М. ; пер. с англ. Матвеев Е. - СПб. : Питер, 2020. - 334 с. : ил. - (Библиотека программиста). - ISBN 978-5-4461-0944-9.
3. Хайкин С. Нейронные сети. Полный курс: пер. с англ. / Хайкин С.; пер. Куссуль Н. Н., Шелестов А. Ю. - 2-е изд. - М.; СПб.; Киев: Вильямс, 2006. - 1103 с.: ил. - Библиогр.: с. 996-1069. - ISBN 5-8459-0890-6.
4. Маркин, А. В. Программирование на SQL: учебное пособие для среднего профессиональ-ного образования / А. В. Маркин. — Москва: Издательство Юрайт, 2020. — 435 с. — (Профессиональное образование). — ISBN 978-5-534-11093-7. — Текст: электронный // ЭБС Юрайт [сайт]. — URL: https://urait.ru/bcode/456926
5. Маркин, А. В. Программирование на SQL в 2 ч. Часть 2: учебник и практикум для вузов / А. В. Маркин. — 2-е изд., испр. и доп. — Москва: Издательство Юрайт, 2020. — 340 с. — (Высшее образование). — ISBN 978-5-534-12258-9. — Текст: электронный // ЭБС Юрайт [сайт]. — URL: https://urait.ru/bcode/451185.

Дополнительная литература:
1. Белоус В. В., Пивоварова Н. В. Основы реляционных баз данных. Практикум по SQL [Электрон. ресурс]: метод. указ. к лаб. работам по курсу "Базы данных" / Белоус В. В., Пивоварова Н. В.; МГТУ им. Н. Э. Баумана, Фак. "Робототехника и комплексная автоматизация". - М.: Изд-во МГТУ им. Н. Э. Баумана, 2014. - 1 CD-ROM. - ФГУП "Информрегистр" №0321400922.
2. Басараб М. А., Коннова Н. С. Интеллектуальные технологии на основе искусственных нейронных сетей: метод. указания к выполнению лаб. работ / Басараб М. А., Коннова Н. С.; МГТУ им. Н. Э. Баумана. - М.: Изд-во МГТУ им. Н. Э. Баумана, 2017. - 53 с.: ил. - Библиогр. в конце брош. - ISBN 978-5-7038-4716-9.
3. Березкин Д. В., Рожнев А. Ю. Разработка модели оценки платежеспособности клиентов банка с применением алгоритмов машинного обучения / Березкин Д. В., Рожнев А. Ю. // Динами-ка сложных систем. - 2018. - Т. 12, № 4. - С. 59-66.
4. Бизли Д. М. Язык программирования Python: справочник: Пер. с англ / Бизли Д. М. - Киев: ДиаСофт, 2000. - 326 с. - ISBN 966-7393-54-2.
5. Вьюгин В. В. Элементы математической теории машинного обучения: учеб. пособие для вузов / Вьюгин В. В.; Моск. физико-техн. ин-т (гос. ун-т), РАН. Ин-т проблем передачи инфор-мации им. А. А. Харкевича. - М.: МФТИ - ИППИ РАН, 2010. - 231 с. - Библиогр.: с. 229-231. - ISBN 978-5-7417-0339-7.
6. Галушкин А. И. Нейронные сети: основы теории / Галушкин А. И. - М.: Горячая линия - Телеком, 2010. - 496 с.: ил. - Библиогр. в конце ст., с. 469-488. - ISBN 978-5-9912-0082-0.
7. Головко В. А. Нейронные сети: обучение, организация и применение: учеб. пособие по направлению подготовки бакалавров и магистров / Головко В. А.; общ. ред. Галушкин А. И. - М.: Издат. предприятие ред. журн. "Радиотехника" (ИПРЖР), 2001. - 256 с.: ил. - (Нейрокомпьютеры и их применение; кн. 4). - Библиогр.: с. 248-256. - ISBN 5-93108-05-8.
8. Джеймс Р., Грофф П., Вайнберг Н., Оппель Э. Дж. SQL. Полное руководство. М: Вильямс, 2014. 960 с.
9. Коннолли Т., Бегг К. Базы данных. Проектирование, реализация и сопровождение. Теория и практика. М: Вильямс, 2017. 1440 с.
10. Комашинский В. И., Смирнов Д. А. Нейронные сети и их применение в системах управле-ния и связи / Комашинский В. И., Смирнов Д. А. - М.: Горячая линия - Телеком, 2003. - 93 с. - Библиогр.: с. 88-93. - ISBN 5-93517-094-9.
11. Осовский С. Нейронные сети для обработки информации: пер. с польск. / Осовский С.; пер. Рудинский И. Д. - М.: Финансы и статистика, 2002. - 343 с.: ил. - ISBN 5-279-02567-4.
12. Сидняев Н. И., Храпов П. В. Нейросети и нейроматематика: учеб. пособие / Сидняев Н. И., Храпов П. В. ; МГТУ им. Н. Э. Баумана. - М.: Изд-во МГТУ им. Н. Э. Баумана, 2016. - 83 с.: ил. - Библиогр.: с. 82. - ISBN 978-5-7038-4362-8.
13. Хливненко Л. В., Пятакович Ф. А. Практика нейросетевого моделирования: учеб. пособие / Хливненко Л. В., Пятакович Ф. А. - СПб. Лань, 2019. - 196 с. - (Учебники для вузов. Специальная литература) (Бакалавриат и магистратура). - Библиогр.: с. 182-193. - ISBN 978-5-8114-3639-2.

Темы

Введение в Big data. Знакомство с основными понятиями. Статистика. Взаимодействие с заказчиком Аспекты информационной безопасности Языки программирования, среды исполнения и основные операционные системы, которые используются в задачах Big Data Основной pipeline машинного обучения и dataflow. Облачные платформы Парсинг данных, подготовка выборки, препроцессинг и балансировка данных Обучение без учителя. Работа с размерностью и структурой данных. Теория вероятности и вероятностные классификаторы Классификация. Оценка качества алгоритма. Ансамбли и повышение точности алгоритмов. Регрессия. Нейронные сети.