Minor «Основы искусственного интеллекта»
Курс предназначен для формирования у студентов базовых представлений об искусственном интеллекте и современных методах его применения. В ходе изучения дисциплин рассматриваются основные принципы построения интеллектуальных систем, методы работы с данными и базовые алгоритмы машинного обучения. Освоение программы позволяет студентам понимать особенности функционирования технологий ИИ и использовать их для решения типовых практических задач в различных сферах деятельности.
Цель | Формируемые ключевые компетенции | Результаты обучения |
Ознакомление обучающихся с основами искусственного интеллекта, современными методами и инструментами ИИ, алгоритмами машинного обучения, нейронными сетями, а также с возможностями их применения для анализа данных и решения профессиональных задач в различных сферах деятельности. |
| • Понимать, что такое искусственный интеллект и машинное обучение, и как они работают в простых примерах. • Уметь писать простые программы и использовать их для решения задач. • Использовать популярные библиотеки (например, NumPy, Pandas, Scikit-learn), чтобы работать с данными и строить простые модели. • Владеть базовыми методами анализа и визуализации данных. • Понимать, чем разные алгоритмы отличаются друг от друга, и выбирать подходящий для задачи. • Применять базовые модели машинного обучения и нейронные сети для решения реальных небольших задач. • Проверять качество моделей и понимать, хорошо ли они работают. |
№ | Курсы Minor | Описание |
1 | Фундаментальные основы искусственного интеллекта | Дисциплина изучает фундаментальные принципы искусственного интеллекта и ключевые методы, необходимые для работы с моделями ИИ: работу с матрицами и линейными преобразованиями, производные и градиенты, вероятностные и статистические подходы, а также методы оптимизации. Она даёт основу для понимания, построения и применения моделей машинного обучения и нейронных сетей для анализа данных, прогнозирования и решения практических задач. |
2 | Инструменты и методы анализа данных | Дисциплина направлена на формирование у студентов фундаментальных знаний и практических навыков анализа данных, применяемых в задачах искусственного интеллекта. Курс включает изучение методов сбора, очистки, преобразования и визуализации данных с использованием современных инструментов, таких как Seaborn, NumPy, Pandas, Scikit-learn и Matplotlib, а также освоение работы в Google Colab для организации вычислительных экспериментов. |
3 | Машинное обучение и введение в нейронные сети | Дисциплина изучает основные типы обучения (с учителем, без учителя, с подкреплением), методы регрессии, классификации и кластеризации, алгоритмы машинного обучения (деревья решений, kNN, SVM), а также базовые нейронные сети и основы глубокого обучения. Она помогает понять, как строятся модели ИИ и как применять их для анализа данных, прогнозирования, работы с изображениями и текстами. |