Анализ данных и искусственный интеллект
Аналитика и Data Science
Машинное обучение и ИИ

Курс повышение квалификации предназначен для педагогических работников образовательных организаций высшего образования в сфере искусственного интеллекта.  

В процессе обучения и по окончанию курса вы получите зания и практические навыки, необходимые для создания информационных технологий нового поколения, обеспечивающих экономически эффективное извлечение полезной информации из больших объемов разнообразных данных путем высокой скорости их сбора, обработки и анализа, и применение этих технологий в информационно-аналитической деятельности, в системах управления и принятия решений, а также для разработки на их основе новых продуктов и услуг.

В настоящее время ведётся набор наобучение.

Для кого
подойдет этот курс
педагогическим работникам образовательных организаций высшего образования

для повышения квалификации в сфере искусственного интеллекта

Чему вы научитесь

выбирать методы и инструментальные средства анализа больших данных для проведения аналитических работ

планировать аналитические работы с использованием технологий больших данных

разрабатывать оригинальные алгоритмы и программные средства с использованием современных интеллектуальных компьютерные технологий

решать задачи в области создания и применения искусственного интеллекта

создавать прототип продукта на основе встроенной аналитики больших данных

основам управления аналитическими работами и инновациями в сфере информационных технологий

Программа курса
В этом курсе вас ожидает
5 тематических
модулей
75 академических
часов
В этом курсе вас ожидает
5 тематических
модулей
75 академических
часов
Данные и системы их хранения
    • Технологии обработки данных. Большие данные: инструменты и технологии. Применение методов машинного обучения и искусственного интеллекта. Методы обработки данных в промышленной аналитике. Искусственный интеллект в задачах бизнес-аналитики. Базы данных. Визуальное моделирование баз данных. Графическая и физическая модель базы данных. Реляционные базы данных. SQL, синтаксис обращения к базам данных. PostgreSQL.
    • Практическая работа (7 часов). Разбор практических кейсов по применению методов обработки данных, методов машинного обучения и искусственного интеллекта в промышленной аналитике и задачах бизнес-аналитики: разбор задач при обработке «сырых» данных, примеры источников данных. Инструменты для моделирования. Draw.io, DB desgn, PGAdmin.
Разработка компьютерных программ
    • Управляющие конструкции в Python. Ветвления, циклы, исключения. Типы данных. Коллекции в Python. Списки, кортежи, словари. Функции. Синтаксис, аргументы, именованные аргументы, область видимости переменных, возвращаемое значение. Классы. создание объектов своих классов, инкапсуляция, наследование классов. Создание простого окна, взаимодействие с пользователем, Qt Designer. Основные виджеты окон, их свойства и методы. Сигналы и события, диалоговое окна. Различные способы компоновки виджетов. Различные способы компоновки виджетов. Сборка оконного десктопного приложения. Связь приложения с внешним миром. Запись и чтение из файла, работа с настройками приложения, выход в Интернет. Методы управления проектированием сложных систем искусственного интеллекта. Управление проектированием информационных систем. Объектная парадигма. Основы языка UML. Основные принципы применения CASE-средств. Функциональные требования к ПО - UML Use-Case. Структура и поведение программ. Диаграммы классов, последовательностей и активностей UML. Проектирование реализации - диаграммы компонентов, диаграммы развертывания в UML. Понятие жизненного цикла программного обеспечения (ПО). Стадии и модели жизненного цикла ПО. Стандарты жизненного цикла ПО. Методы описания объекта автоматизации. Стандарты IDEF0, BPMN. Управление требованиями к ПО, модели описания требований, системы управления требованиями. Проектирование архитектуры ПО. Фреймворки проектирования архитектуры. Язык ArchiMate. Обеспечение качества ПО. Системы автоматизированного тестирования.
    • Практическая работа: Разбор практических кейсов по применению Python при разработке приложений
Модельно-алгоритмический аппарат интеллектуальных систем
    • Корреляционно-регрессионный анализ. Корреляционное поле. Коэффициент линейной корреляции. t-критерий Стьюдента. Регрессия. Метод наименьших квадратов. Множественная и многофакторная регрессия. Метод Брандона. Полный факторный эксперимент. Расчет коэффициентов уравнения регрессиии. Дробный факторный эксперимент. Нейросетевые технологии анализа данных. Искусственные нейронные сети и глубокое обучение. Нейро-нечеткие системы. Проблема снижения размерности данных. Метод главных компонент (Principal Component Analysis). Алгоритмы кластеризации. Метод k-means, c-means, hierarchical clustering. Выбор алгоритма кластеризации. Задача классификации. Матрица ошибок. Точность классификации. Модель анализа ROC-AUC. Методы классификации. Метод ближайших соседей k-NN. Метод опорных векторов. Понятие временного ряда. Предварительная обработка временных рядов. Методы семейства ARMA. Применение LSTM нейронных сетей к анализу временных рядов. Теоретические основы имитационного моделирования сложных систем. Методика построения имитационных моделей сложных систем. Моделирование в PowerSim. Моделирование в среде Anylogic.
    • Практическая работа: Разбор практических кейсов по применению методов корреляционно-регрессионного анализа для решения учебных и практических задач
Практическое применение интеллектуальных методов
    • Обработка естественного языка. Базовые понятия. Понятия токенизации, стемминга, лемматизации. Модель Bag of Words, ее применение для классификации текста. Применение машинного обучения для сентимент-анализа предложений. Тематическое моделирование. Задачи компьютерного зрения. Сегментация изображений, детекция объектов, классификация изображений, отслеживание движущихся объектов в видеопотоке, распознавание лиц, оптическое распознавание символов (OCR). Генерация изображений. Базовые методы CV. Точечные операторы. Линейная фильтрация. Операторы соседства. Преобразования Фурье. Пирамиды и вейвлеты. Геометрические преобразования. Глобальная оптимизация. Установка библиотеки OpenCV. Отслеживание объектов. Вычисление разности между кадрами, использование цветовых пространств, метод вычитания фоновых изображений, алгоритм CAMShift, использование оптических потоков. Обнаружение и отслеживание лиц с использованием каскадов Хаара. Использование интегральных изображений для отслеживания глаз и направления взгляда. Классификация изображений с помощью однослойных нейронных сетей. Сверточные нейросети (CNN), классификация изображений с их помощью. Однослойная и многослойная нейронная сеть. Визуализация символов с использованием базы данных оптического распознавания символов, системы оптического распознавания символов. Теоретические основы принятия управленческих решений. Методы принятия управленческих решений. Системы поддержки принятия управленческих решений. Автоматизированные системы поддержки принятия управленческих решений.
    • Практическая работа: Решение кейсов по теме
Требования к подготовке

Среднее профессиональное или высшее образование.

Слушатель должен являться преподавателем высшего учебного заведения.

Связанные курсы
Задать свой вопрос
+7 495 182-83-85
edu@bmstu.ru Мы работаем ежедневно с 9:00 до 21:00
+7 495 182-83-85
edu@bmstu.ru Мы работаем ежедневно с 9:00 до 21:00