Он разработан для оценки знаний и навыков студентов в области практического применения и дообучения существующих моделей ИИ. Документ включает:
✓ Планируемые результаты обучения (умения и знания).
✓ Материалы для текущего контроля по 5 темам:
✓ Введение в ИИ и машинное обучение (виды ИИ, базовые алгоритмы)
✓ Подготовка данных (очистка, нормализация, визуализация)
✓ Алгоритмы обучения (обучение с учителем/без учителя, оптимизация гиперпараметров)
✓ Обучение на основе классификации (метрики: Accuracy, Precision, Recall, F1, ROC-AUC)
✓ Регрессия в моделях ИИ (интеграция моделей в ИС, API, мониторинг)
✓ Материалы для дифференцированного зачета (30 билетов с теоретическими вопросами и практическими заданиями).
✓ Критерии оценивания для всех видов работ.
Курс дает практические навыки работы с библиотеками Python (Scikit-learn, TensorFlow), подготовки данных, оценки качества моделей и их интеграции в готовые информационные системы.
