Интеллектуальная обработка данных

Бакалавриат 2021/2022

Статус: Курс по выбору (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.

Содержание учебной дисциплины

Обработка данных с использованием библиотеки Pandas
Визуализация данных и их анализ
Классификация данных
Кластеризация данных
Обработка текстов на естественном языке
Обработка изображений
«Плотные» нейронные сети
Глубинное обучение нейронных сетей

Элементы контроля

Практические занятия
Экзамен
Экзамен проводится в устной форме на платформе Zoom с использованием асинхронного прокторинга (https://hse.student.examus.net). Экзамены проводятся в конце первого и второго модуля в периоды сессий. В билеты включаются вопросы теоретического и прикладного характера по материалам модуля. В билете 2 вопроса. На подготовку к ответу даётся 30 минут и 1,5 часа на написание программы. По желанию студента возможен досрочный ответ. Во время подготовки к ответу допускается использование необходимых справочных материалов и источников, в т.ч. в электронных. Во время устного ответа преподавателю использование вспомогательных материалов не допускается, за исключением кратких поясняющих иллюстраций, схем, диаграмм и т.д. Преподаватель вправе освободить от сдачи экзамена студентов. Особо отличившихся при изучении Дисциплины и набравших накопленную оценку по Дисциплине выше 7 баллов, с выставлением им оценки «отлично» (8, 9, 10 баллов), преподаватель может выставить автоматы. Преподаватель объявляет список таких студентов не позднее, чем за два дня до экзамена. Для объявления оценок могут быть использованы электронные каналы передачи информации, регулярно используемые в процессе обучения.
Проект
проект прикладного характера, связанный с разработкой прототипа решения в области Интернета вещей, представляющего собой систему обработки данных или принятия решений (задание выполняется в часы, отводимые на самостоятельную работу, с возможностью получения консультаций преподавателя в очном или дистанционном формате), преподавателем осуществляется контроль промежуточных и итоговых результатов выполнения задания;
Практические занятия
Экзамен
Экзамен проводится в устной форме на платформе Zoom с использованием асинхронного прокторинга (https://hse.student.examus.net). Экзамены проводятся в конце первого и второго модуля в периоды сессий. В билеты включаются вопросы теоретического и прикладного характера по материалам модуля. В билете 2 вопроса. На подготовку к ответу даётся 30 минут и 1,5 часа на написание программы. По желанию студента возможен досрочный ответ. Во время подготовки к ответу допускается использование необходимых справочных материалов и источников, в т.ч. в электронных. Во время устного ответа преподавателю использование вспомогательных материалов не допускается, за исключением кратких поясняющих иллюстраций, схем, диаграмм и т.д. Преподаватель вправе освободить от сдачи экзамена студентов. Особо отличившихся при изучении Дисциплины и набравших накопленную оценку по Дисциплине выше 7 баллов, с выставлением им оценки «отлично» (8, 9, 10 баллов), преподаватель может выставить автоматы. Преподаватель объявляет список таких студентов не позднее, чем за два дня до экзамена. Для объявления оценок могут быть использованы электронные каналы передачи информации, регулярно используемые в процессе обучения.
Проект
проект прикладного характера, связанный с разработкой прототипа решения в области Интернета вещей, представляющего собой систему обработки данных или принятия решений (задание выполняется в часы, отводимые на самостоятельную работу, с возможностью получения консультаций преподавателя в очном или дистанционном формате), преподавателем осуществляется контроль промежуточных и итоговых результатов выполнения задания;

Промежуточная аттестация

2021/2022 учебный год 4 модуль
0.4 * Проект + 0.2 * Экзамен + 0.4 * Практические занятия

Программа дисциплины