Модели и алгоритмы машинного обучения

Цель: познакомиться наиболее популярным методом создания систем искусственного интеллекта – машинным обучением.
Задачи: изучить типы задач машинного обучения; изучить подходы к использованию наборов данных; изучить метрики качества решения задач машинного обучения; научиться подбирать подходящий алгоритм машинного обучения для решения бизнес-задачи; познакомиться с инструментальными средствами реализации систем искусственного интеллекта.

Часов в программе

6,00 часов

лекции

16,00 часов

практика

8,00 часов

самостоятельная

2,00 часа

промежуточная аттестация

32,00 часа

всего

Материально-технические условия реализации программы:

Вид занятий: Лекция, практическое занятие
Требуемое ПО:
VK Звонки / Яндекс телемост
Браузер Chrome или Яндекс.Браузер

Информационные ресуры

Teachable Machine – https://teachablemachine.withgoogle.com/ ; Orange – https://orangedatamining.com/ ; Knime – https://www.knime.com/

Образовательные ресуры

Быстрый старт в искусственный интеллект – https://stepik.org/course/80782/promo

Учебно-методические материалы

Методы, формы и технологии

Методы обучения:
- лекция;
- практическая работа под руководством учителя;
- самостоятельная практическая работа;
- изучение литературы по теме.
Методы контроля:
- выполнение практических занятий по темам лекций;
- выполнение итогового задания.
Формы организации учебных занятий:
- лекция;
- вебинар с элементами практической работы и разбора теоретического материала.
Формы организации учебной деятельности:
- групповая работа;
- индивидуальная работа.
Дистанционные образовательные технологии:
- использование образовательных интернет-ресурсов;
- использование ресурсов, созданных преподавателем;
- WEB-консультации и другие.

Методические разработки

Задание для промежуточного контроля разработал Чернышев Юрий Юрьевич, исследователь в компании Сайберлимфа (https://cyberlympha.ru/). Необходимо подобрать подходящую модель и алгоритм машинного обучения для определения атак на киберфизическую систему. Также необходимо выбрать метрики оценки качества модели машинного обучения.

Материалы курса

1. Поиск в интернет примеров использования искусственного интеллекта. Изучение возможностей слабого искусственного интеллекта.
2. Разработка моделей машинного обучения с помощью инструментов Teachable Machine, Orange и Knime.
3. Подготовка данных для обучения моделей машинного обучения с помощью инструментов Teachable Machine, Orange и Knime. Оценка качества обучения.

Учебная литература

1. Daswin De Silva, Damminda Alahakoon. An artificial intelligence life cycle: From conception to production // Patterns, Volume 3, Issue 6, 2022, ISSN 2666-3899, https://doi.org/10.1016/j.patter.2022.100489.
2. Andrew Ferlitsch. Making the machine: the machine learning lifecycle. https://cloud.google.com/blog/products/ai-machine-learning/making-the-machine-the-machine-learning-lifecycle
3. Data-centric AI Resource Hub. https://datacentricai.org/
4. К.Швабер, Дж.Сазерленд. Руководство по Scrum - https://scrumguides.org/docs/scrumguide/v2020/2020-Scrum-Guide-Russian.pdf
5. Джефф Сазерленд. Scrum. Революционный метод управления проектами.
6. Майк Барроуз. Канбан Метод. Улучшение системы управления.
7. Машинное обучение для людей – https://vas3k.blog/blog/machine_learning/
8. Что такое машинное обучение и как оно работает – https://trends.rbc.ru/trends/industry/60c85c599a7947f5776ad409
9. Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных – http://www.machinelearning.ru/

Темы

Введение в искусственный интеллект и машинное обучение. Машинное обучение Качество работы моделей машинного обучения. Наборы данных для машинного обучения.