Интеллектуальная обработка данных

Бакалавриат 2022/2023

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Статус: Курс обязательный (Информатика и вычислительная техника)

Направление: 09.03.01. Информатика и вычислительная техника

Кто читает: Департамент компьютерной инженерии

Где читается: Московский институт электроники и математики им. А.Н. Тихонова

Когда читается: 3-й курс, 3, 4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Востриков Александр Владимирович, Клышинский Эдуард Станиславович

Язык: русский

Кредиты: 5

Контактные часы: 82

Полная версия программы учебной дисциплины

Аннотация

В рамках данной дисциплины даются такие разделы как машинное обучение (классификация и кластеризация данных, полносвязанные и глубинные нейронные сети), методы визуализации данных, методы обработки текстов, методы обработки изображений. Материал изучается с применением языка программирования Python и написанных для него библиотек. В процессе освоения дисциплины «Интеллектуальная обработка данных» студент развивает следующие компетенции: • способен разрабатывать и применять специализированное программно-математическое обеспечение для проведения исследований и решения инженерных задач; • способен разрабатывать модели средств, систем и процессов в инфокоммуникациях, проверять их адекватность на практике и использовать пакеты прикладных программ анализа и синтеза инфокоммуникационных систем, сетей и устройств; • Способен самостоятельно выполнять экспериментальные исследования для решения научно-исследовательских и производственных задач с использованием современной аппаратуры и методов исследования, участвовать в научных исследованиях в группе, ставить задачи и выбирать методы экспериментальных исследований.

Цель освоения дисциплины

Углубить и закрепить навыки в области машинного обучения, формирование знаний и навыков работы с нейронными сетями.

Планируемые результаты обучения

Владеть: библиотеками обработки изображений на языке Python.
Владеть: навыками применения библиотеки Pandas при решении практических задач.
Владеть: навыками разработки методов отображения данных.
Владеть: нейросетевым пакетом в составе библиотеки sklearn и других библиотек.
Владеть: нейросетевым пакетом в составе библиотеки sklearn.
Владеть: программными библиотеками для обработки текстов.
Владеть: программными библиотеками классификации, входящими в состав библиотеки sklearn.
Владеть: программными библиотеками кластеризации, входящими в состав библиотеки sklearn.
Знать: методы обработки, нормализации и векторизации исходных данных, методы агрегирования и анализа данных.
Знать: основные методы классификации данных такие как линейная и логистическая регрессия, метод поддерживающих векторов, метод к ближайших соседей, деревья принятия решений, случайный лес; методы оценки качества классификации.
Знать: основные методы кластеризации данных: к-средних, DB-SCAN и ипроизводные от них.
Знать: основные методы отображения числовой информации; методами снижения размерности пространства признаков.
Знать: основные структуры глубинных нейронных сетей: сверточные, рекуррентные, их разновидности.
Знать: основные структуры нейронных сетей; понятия функции потерь, пороговой функции, их основные виды.
Знать: основные форматы изображений; методы обработки изображений.
Знать: понятия лексического, синтаксического и семантического анализа текстов.
Уметь: выделять фрагменты изображений в зависимости от поставленной задачи; преобразовывать изображения в зависимости от поставленной задачи.
Уметь: использовать библиотеки Matplotlib и Seaborn для отображения информации в ходе проведения исследований.
Уметь: корректно формировать структуру нейронной сети для решения поставленной прикладной задачи.
Уметь: обоснованно и корректно выбирать метод для решения задачи классификации; корректно ставить задачу классификации.
Уметь: обоснованно и корректно выбирать метод для решения задачи кластеризации; корректно ставить задачу кластеризации.
Уметь: осуществлять первичный анализ данных для решения прикладных задач.
Уметь: реализовать систему анализа текстов на естественном языке.