Проектный семинар «Основы технологии производства и машинное обучение»

Бакалавриат 2022/2023

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, 1-4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Аминев Дмитрий Андреевич, Демин Алексей Анатольевич

Язык: русский

Кредиты: 3

Контактные часы: 32

Полная версия программы учебной дисциплины

Аннотация

Проектный семинар "Основы технологии производства и машинное обучение" дает базовые знания по проведению проектной деятельности; дает основы правильной постановки цели и задач исследования; учит планированию работ проекта; дает навыки креативного мышления для поиска и выбора наилучшего проектного решения. Настоящая дисциплина относится к профессиональному циклу дисциплин и входит в блок дисциплин «Практики, проектная и/или научно-исследовательская работа», обеспечивающих профессиональную подготовку. Вторая часть курса дает базовые знания по основам машинного обучения, которое направлено на создание методов и алгоритмов нахождения изначально неизвестных взаимосвязей и закономерностей в массивах данных. С помощью машинного обучения можно решать различные задачи: оценивать состояние печени по кардиограмме, предсказывать зарплату по описанию вакансии, предлагать пользователю музыку на основании его анкеты в интернете. Данными может оказаться что угодно: результаты научных экспериментов, логи банковских транзакций, метеорологические наблюдения, профили в социальных сетях — словом, всё, что может быть полезно проанализировать.

Цель освоения дисциплины

1. Обеспечить студентов базовыми знаниями принципов проектирования и технологии производства вычислительных систем. 2. Познакомить студентов с основами системного подхода к производству вычислительных систем. 3. Познакомить студентов c теоретическими и практическими методами производства вычислительных систем. 4. Познакомить студентов c технологией производства вычислительных систем. 5. Обучить студентов основам производства вычислительных систем.
1. Познокомить студентов с основными этапами процесса построения алгоритма решения задач на основе данных, инструментами решения задач машинного обучения. Обучить студентов основным методам контролируемого машинного обучения, неконтролируемого машинного обучения, обучения с подкреплением, рекомендательным системам, нейронным сетям и AutoML.

Планируемые результаты обучения

Иметь общее представление о принципах работы нейроных сетей. Уметь использовать готовые нейронные сети для анализа собственных данных
Демонстрирует знание специальных видов нейронных сетей: рекуррентные, сверточные, глубокие сети для обработки текстов (распределенные представления слов и рекурсивные нейронные сети)
Конструирует нейронные сети для решения задач классификации, регрессии и прогнозирования временных рядов
Применяет машинное обучение и нейронные сети на реальных кейсах
Интерпретировать виды нейронных сетей (сверточные, рекуррентные, глубокие), возможность изменения параметров сети (число слоев, число нейронов). Применять нейронные сети для решения практических задач.
Знать методологии производства вычислительных систем
Знать методы и схемы производства вычислительных устройств и систем.
Знать основные технологии производства вычислительных систем
Знать системный подход к производству
Знать средства планирования работ и управления производством вычислительных систем
Знает, как использовать алгоритмы и нейронные сети для сбора и верификации информации
Применяет сверточные и рекуррентные нейронные сети для анализа текста
Применяет нейронные сети для обработки изображений
Применяет нейронные сети для обработки текстов и звуков
Уметь использовать методы контроллируемого машинного обучения
Уметь использовать методы неконтролируемого машинного обучения
Умеет создавать рекомендательные системы.
Умеет разрабатывать алгоритм обучения с подкреплением.

Содержание учебной дисциплины

Общие сведения о вычислительных системах и технологиях производства, комплекс работ по созданию и этапы разработки ВС
Изготовление деталей, обработка материалов и компоненты для установки на печатные платы ВС
Пайка, припойная паста и установка компонентов на ПП
Контроль качества и организация производства ВС на предприятии
Роль программного обеспечения в производстве ВС

Элементы контроля

Презентация доклада, оценивается на 1 балл
Студент готовит доклад (ответ) по заранее выбранной теме на ~7 минут, оценивается в 1 балл. Тему и материал преподаватель выкладывает в системе Smart LMS. На первом вводном семинаре проводится распределение тем презентаций для студентов на 2, 3, 4 семинары.
Проект технологического процесса производства в САПР
Студент устанавливает и самостоятельно осваивает САПР СПРУТ-ТП на ноутбук (ссылки инструкции в Smart LMS), создаёт технологический процесс, проводит открытие заготовок форм, операций, менеджера ресурсов. Осуществляет создание в нём операций, деталей, сборочных единиц и пр. студент осваивает самостоятельно по инструкциям.
Алгоритм на примере задачи коммивояжера и распознавание речи и обработки текста
2 задания, оцениваемых на 1 балл каждое: Алгоритм Имитации отжига на примере задачи коммивояжера Библиотеки распознавания речи и обработки текста Vosk, Kaldi, Rosa
Обработка изображений с Keras и TensorFlow и применение алгоритма Transfer Learning
2 практических задания, оцениваемых на 1 балл каждое: Библиотеки для обработки изображений Keras и TensorFlow Применение алгоритма Transfer Learning для классификации ранее неизвестных объектов на основе похожих известных.
Экзамен по машинному обучению
Экзамен по основам технологии производства
Экзаменационный тест по основам технологии производства

Промежуточная аттестация

2022/2023 учебный год 2 модуль
0.4 * Проект технологического процесса производства в САПР + 0.4 * Экзамен по основам технологии производства + 0.2 * Презентация доклада, оценивается на 1 балл
2022/2023 учебный год 4 модуль
0.2 * Экзамен по машинному обучению + 0.4 * Алгоритм на примере задачи коммивояжера и распознавание речи и обработки текста + 0.4 * Обработка изображений с Keras и TensorFlow и применение алгоритма Transfer Learning

Программа дисциплины