Методы, модели, технологии и технологические платформы для создания обучаемых экспертных систем на основе всех видов данных

Магистратура 2020/2021

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

Статус: Курс по выбору (Компьютерные системы и сети)

Направление: 09.04.01. Информатика и вычислительная техника

Кто читает: Базовая кафедра информационно-аналитических систем ЗАО «ЕС-лизинг»

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

Когда читается: 1-й курс, 3, 4 модуль

Формат изучения: без онлайн-курса

Преподаватели: Кочнев Алексей Андреевич, Поляков Константин Львович

Прогр. обучения: Компьютерные системы и сети

Язык: русский

Кредиты: 5

Контактные часы: 70

Полная версия программы учебной дисциплины

Аннотация

Настоящая программа учебной дисциплины «Методы, модели, технологии и технологические платформы для создания обучаемых экспертных систем на основе всех видов данных» устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности. Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления 09.04.01 «Информатика и вычислительная техника» подготовки магистра, изучающих дисциплину «Методы, модели, технологии и технологические платформы для создания обучаемых экспертных систем на основе всех видов данных».

Цель освоения дисциплины

Целями освоения дисциплины «Методы, модели, технологии и технологические платформы для создания обучаемых экспертных систем на основе всех видов данных» являются приобретение комплекса теоретических знаний и методологических основ в области применения методов и моделей для обработки корпоративных данных, а также практических навыков их применения на примере информационно-аналитической плат-формы IBMBigData.

Планируемые результаты обучения

Специфицирует и оценивает модель классификации данных адекватную задаче в предметной области.
Проводит анализ кластерной структуры данных.
Осуществляет выбор адекватной данным модели панельных данных на основании формальных критериев и постановки задачи в предметной области.
Осуществляет спецификацию и обучение нейронной сети в простой ситуации.
Имеет представление об архитектуре и видах современных информационно-аналитических систем. Понимает различие в подходах построения ИАС.
Понимает различия между данными, информацией и знаниями. Знает методы взаимодействия с данными и информацией. Имеет представление о понятии метаданных
Имеет представление о назначении и архитектуре классических онтологий. Специфицирует структуру онтологии с использованием языков представления.
Владеет методами стандартизации, очистки и обогащения данных.
Имеет представление о Ha-doop, его архитектуре. Умеет взаимодействовать с распределенной файловой системой HDFS и моделью параллельной обработки данных MapReduce.
Имеет представление о платформе IBMBigData и аналогах. Знает состав платформы, особенности, преимущества и недостатки решения. Умеет пользоваться компонентами платформы.

Содержание учебной дисциплины

Методы классификации.
Модели бинарного выбора (логит и пробит регерссии). Деревья классификации —алгоритмы CART, С4.5.
Основы кластерного анализа.
Иерархическая кластеризация. Оптимизационная кластеризация — метод к-средник. Метрики качества кластеризации.
Модели панельных данных.
Модели с фиксированными и случайными эффектами. Методология выбора типа модели.
Основы построения нейронных сетей.
Структура нейронной сети. Обучение и оценка качества.
Современные информационно-аналитические системы
Понятие, назначение информационно-аналитических систем. Уровни принятия ре-шений (и различия в функциях и методах ИАС на разных уровнях). Подходы к обработке данных в потоке и в покое. Классификация информационно-аналитических систем
Искусственный интеллект и интеллектуальные информационные системы
Понятие искусственного интеллекта. Направления развития искусственного интеллекта. Интеллектуальные информационные системы, ее виды, классификация. Введение в экспертные системы, роль и назначение.
Данные и информация
Определения: данные, информация, знания. Метаданные и характеристики данных. Источники, жизненный цикл и методы анализа данных (статистические vs интеллектуальные). Использование данных в ИАС.
Онтологии. Языки представления онтологий: RDF(S), OWL
Понятие онтологии, роль в ИАС, классификация. Семантический Web (SemanticWeb). Модель RDF/RDFS как базис SemanticWeb. OWL – язык сетевых онтоло-гий. SPARQL - язык запросов к данным, представленным по модели RDF
Обработка данных
Проблема качества данных. Стандартизация. Регулярные выражения. Очистка дан-ных. Обогащение данных
Hadoop
Подход к реализации хранилищ данных NoSQL. Hadoop: распределенная файловая система HDFS и модель параллельной обработки данных MapReduce. Использование язы-ка Pig и надстройки Hive. Утилита Sqoop.
Платформа Больших данных
Платформа Big Data. Pure Data for Analytics (Netezza).WatsonContentAnalytics. Примеры-использования

Элементы контроля

экзамен3
Экзамен проводится в устной форме (опрос по материалам курса). Экзамен проводится на платформе meet.miem.hse.ru. К экзамену необходимо подключиться согласно расписанию экзамена. Компьютер студента должен удовлетворять требованиям: наличие рабочей камеры и микрофона, поддержка meet.miem.hse.ru. Для участия в экзамене студенту необходимо явиться на экзамен согласно точному расписанию, при ответе включить камеру и микрофон. При долговременном нарушении связи (более 10 минут) студенту может быть предложен дополнительный вопрос. Процедура пересдачи аналогична процедуре сдачи.
контрольная работа4
экзамен4
Экзамен проводится в устной форме (опрос по материалам курса). Экзамен проводится на платформе meet.miem.hse.ru. К экзамену необходимо подключиться согласно расписанию экзамена. Компьютер студента должен удовлетворять требованиям: наличие рабочей камеры и микрофона, поддержка meet.miem.hse.ru. Для участия в экзамене студенту необходимо явиться на экзамен согласно точному расписанию, при ответе включить камеру и микрофон. При долговременном нарушении связи (более 10 минут) студенту может быть предложен дополнительный вопрос. Процедура пересдачи аналогична процедуре сдачи.
активность на практ.занятиях3
активность на практ.занятиях4

Промежуточная аттестация

Промежуточная аттестация (4 модуль)
Орез4=0.50Орез3+0.125Оактив.на практ.зан4+0.125Окр4+0.25Оэкз4

Программа дисциплины