МОДУЛЬ 2. ПРОФИЛИРУЮЩИЙ

Модуль предполагает введение в технологии хранения и обработки больших данных, инструменты и технологии анализа данных, машинное обучение, нейронные сети, а также возможности продвижения продукта. Отдельные темы посвящены изучению основ языка SQL, реляционных баз данных, NoSQL хранилища данных, знакомству с СУБД Postgres, СУБД Clickhouse; изучению обработки данных для машинного обучения, изучению построения моделей машинного обучения; изучению архитектуры нейронных сетей, обучению нейронных сетей с помощью TensorFlow и Keras, NLP – обработке естественного языка; введению в продуктовую аналитику и знакомство с ключевыми метриками роста продукта

Часов в программе

38,00 часов

лекции

56,00 часов

практика

33,00 часа

самостоятельная

4,00 часа

промежуточная аттестация

131,00 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://национальныепроекты.рф/projects/tsifrovaya-ekonomika
2. https://национальныепроекты.рф/projects/tsifrovaya-ekonomika/p-iskusstvennyy-intellekt-p
3. https://ai.2035.university/
4. https://sprint.1t.ru/
5. https://trends.rbc.ru/trends/tag/ai

Образовательные ресуры

1. https://fpmi-edu.ru/free-de
2. https://stepik.org/course/101687/promo
3. http://www.intuit.ru/studies/professional_retraining/953/courses/214/lecture/5508/
4. https://ru.coursera.org/specializations/gcp-data-machine-learning#courses
5. https://www.coursera.org/specializations/big-data
6. https://mlcourse.ai/book/index.html

Учебно-методические материалы

Методы, формы и технологии

Обучение строится с использованием таких методов, как: case-study, метод проектов, модульное обучение, проблемное обучение, контекстное обучение, а также форм в виде лекций с использованием мультимедиа, практические занятия, самостоятельная работа.

Методические разработки

Обучающие материалы дисциплины представлены в виде видеолекций, учебной литературы, 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. Фальк Ким. Рекомендательные системы на практике. Практическое пособие. - Москва: ДМК Пресс, 2020. - 448 с.
2. Фаулер, Мартин, Садаладж, Прамодкумар Дж. «NoSQL: новая методология разработки нереляционных баз данных» Вильямс, 2013 год. – 192 с.
3. О’Коннелл М. Искусственный интеллект и будущее человечества – Litres, 2019.
4. Маркус Г., Дэвис Э. Искусственный интеллект: Перезагрузка. Как создать машинный разум, которому действительно можно доверять – Альпина Паблишер, 2021.
5. Мартин Ф. Архитекторы интеллекта: вся правда об искусственном интеллекте от его создателей – Издательский дом «Питер», 2019.
6. Нархид Ния, Шапира Гвен, Палино Тодд. Apache Kafka. Потоковая обработка и анализ данных. - Санкт-Петербург: Питер, 2021 - 320 с.
7. Алекс Петров. Распределенные данные. Алгоритмы работы современных систем хранения информации. − СПб: Питер, 2021. − 336 с.
8. Пиковер К. Искусственный интеллект. Иллюстрированная история. От автоматов до нейросетей. – Litres, 2022.
9. Цзэн Мин. Как Alibaba использует искусственный интеллект в бизнесе: Сетевое взаимодействие и анализ данных. - Москва: Альпина Паблишер, 2022. - 360 с.
10. Бурков А. Машинное обучение без лишних слов. Изд-во: Питер, 2020 – 192 с. ISBN 978-5-4461-1560-0.
11. Карпова И.П. Базы данных. Учебное пособие. - Санкт-Петербург: Питер, 2021. - 240 с.
12. Иванова В., Перерва А. Путь аналитика. Практическое руководство IT-специалиста. 2-е изд. — СПб.: Питер, 2015. — 304 с.
13. Болотова Ю.А., Друки А.А., Спицын В.Г. Методы и алгоритмы интеллектуальной обработки цифровых изображений. - Томск: Томский политехнический университет, 2016. - 208 с.
14. Миронов В. Профессия «бизнес-аналитик». Краткое пособие для начинающих. : Альпина Паблишер. – 2021. – 192 с.
15. Деревянко, М.Э.; Нилова Н.М. Обзор современных информационных систем управления бизнес-процессами – 2021.
16. Еременко К. Работа с данными в любой сфере: как выйти на новый уровень, используя аналитику – Альпина Паблишер, 2019.
17. Каменнова, М.С.; Машков, И.В.; Крохин, В.В. Моделирование бизнес-процессов В 2 ч. Часть 2. – 2019.
18. Цифровая экономика от теории к практике: как российский бизнес использует искусственный интеллект / исслед. РАЭК / НИУ ВШЭ при поддержке Microsoft. – 2019. – 66 с. - URL: http://raec.ru/upload/files/190715-ii.pdf.
19. Бизнес переходит на искусственный интеллект. / РБК+. Решения. #1 Искусственный интеллект, 5 декабря 2022. Режим доступа: https://plus.rbc.ru/news/638ce98f7a8aa9f3126daaa2
20. Расставить нейросети. / РБК+. Инновации. #1 Искусственный интеллект, 5 декабря 2022. Режим доступа: https://plus.rbc.ru/news/638ce67f7a8aa9e27b22f26e
21. «Технологии позволяют учитывать специфику каждой отрасли». / РБК+. От первого лица. #1 Искусственный интеллект, 5 декабря 2022. Режим доступа: https://plus.rbc.ru/news/638ced6c7a8aa9e28f7bf148
22. Цифровая экономика от теории к практике: как российский бизнес использует искусственный интеллект / исслед. РАЭК / НИУ ВШЭ при поддержке Microsoft. – 2019. – 66 с. - URL: http://raec.ru/upload/files/190715-ii.pdf.
23. Акулин, Е.В. Специфика и особенности задач системного анализа //Актуальные проблемы теории и практики развития научных – 2022. – С. 20.
24. Алфимов, В.А. Использование R/S-анализа и фрактальной теории при анализе финансовых временных рядов //Современные наука и образование: достижения и перспективы развития – 2021. – С. 8-13.
25. Антипова, К.Г. — Способы определения больших данных: Российский и зарубежный опыт // Юридические исследования. – 2021. – № 9. – С. 143 - 157. DOI: 10.25136/2409-7136.2021.9.36591 URL: https://nbpublish.com/library_read_article.php?id=36591
26. Баева, В.Р., Дроздов А.Ю. ETL: Актуальность и применение. преимущества и недостатки ETL инструментов // Вестник науки. 2019. №5 (14). URL: https://cyberleninka.ru/article/n/etl-aktualnost-i-primenenie-preimuschestva-i-nedostatki-etl-instrumentov
27. Будасова, В.А. Методы технического анализа рынка //Цифровая экономика-инструмент и среда общественного развития – 2021. – С. 18-21.
28. Еременко К. Работа с данными в любой сфере. Как выйти на новый уровень, используя аналитику – Москва, 2018. – С. 20-58.
29. Звягин, Л.С. Использование прикладного системного анализа как инструмента моделирования для управления бизнесом //Хроноэкономика – 2019. – №. 7 (20). – С. 26-31.
30. Карпенко, П. П., Селезнев А. В., Пелогейко А. В., Чебунина М. В., Буравцова Д. А., Башкинцева М. В. ОСНОВЫ СИСТЕМНОГО АНАЛИЗА // Столыпинский вестник. 2022. №4. URL: https://cyberleninka.ru/article/n/osnovy-sistemnogo-analiza
31. Кондуров, И.В.; Тушев А.Н. Лидерство бизнес-и системного аналитика на IT-рынке //Программно-техническое обеспечение автоматизированных систем – 2021. – С. 17-22.
32. Кондуров, И.В.; Тушев А.Н. Технические основы системного аналитика для успешной коммуникации с командой разработки //Высокопроизводительные вычислительные системы и технологии – 2020. – Т. 4. – №. 2. – С. 91-95.
33. Костогрызов, А. И. К методам системной инженерии: вероятностные подходы к анализу процесса управления качеством системы // Современные информационные технологии и ИТ-образование. 2022. №2. URL: https://cyberleninka.ru/article/n/k-metodam-sistemnoy-inzhenerii-veroyatnostnye-podhody-k-analizu-protsessa-upravleniya-kachestvom-sistemy.
34. Красов А.В., Штеренберг С.И., Фахрутдинов Р.М., Рыжаков Д.В., Пестов И.Е. Анализ информационной безопасности предприятия на основе сбора данных пользователей с открытых ресурсов и мониторинга информационных ресурсов с использованием машинного обучения // T-Comm. 2018. №10. URL: https://cyberleninka.ru/article/n/analiz-informatsionnoy-bezopasnosti-predpriyatiya-na-osnove-sbora-dannyh-polzovateley-s-otkrytyh-resursov-i-monitoringa
35. Городнова, Н.В. Применение искусственного интеллекта в бизнес-сфере: современное состояние и перспективы // Вопросы инновационной экономики. – 2021. – Том 11. – № 4. – С. 1473-1492. – doi: 10.18334/vinec.11.4.112249.
36. Доржиева В.В. Цифровизация промышленности: роль искусственного интеллекта и возможности для России // Вопросы инновационной экономики. – 2022. – Т. 12. № 4. – С. 2383-2394.

Темы

Раздел 4. Технологии хранения и обработки больших данных. Тема 4.1 Введение в теорию БД. Моделирование данных. Основы языка SQL. Тема 4.2 Реляционные базы данных. Языки запросов реляционных СУБД. Декларативный язык SQL Тема: 4.3 NoSQL хранилища данных Тема 4.4 Анализ данных при массово параллельная обработка. Обзор GreenPlum Тема 4.5 Знакомство с СУБД Postgres. Расширения SQL в PostgreSQL Тема 4.6 Введение в СУБД Clickhouse Тема 4.7 BI инструменты. Построение дашбордов с Apache Superset. Раздел 5. Машинное обучение и оптимизация. Тема 5.1 Математические основы машинного обучения Тема 5.2 Обзор методов анализа больших данных. Выбор и обработка данных для машинного обучения. Тема 5.3 Построение моделей машинного обучения Тема 5.4 Инструменты анализа данных и Машинного обучения (Rapid Miner) Раздел 6. Нейронные сети. Тема 6.1 Введение в нейронные сети. Глубокое обучение. Тема 6.2 Архитектура нейронных сетей. Сверточные и рекуррентные сети Тема 6.3 Обучение нейронных сетей с помощью TensorFlow и Keras Тема 6.4 Анализ естественного языка с помощью методов искусственного интеллекта. NLP – обработка естественного языка. Раздел 7. Продвижение продукта. Бизнес-метрики. Тема 7.1 Введение в продуктовую аналитику. Тема 7.2 Ключевые метрики роста продукта

Лекции
4,00ч

Практические занятия
4,00ч

Самостоятельная работа
2,00ч

Всего
10,00ч

Промежуточная аттестация 4,00 часа

Решение практико-ориентированных задач (кейсов).