СТРУКТУРА УМК
Документ включает пять основных тем, охватывающих 10 лекций, 7 практических занятий, а также фонд оценочных средств для всех видов контроля.
ПЕРЕЧЕНЬ РАЗДЕЛОВ И ТЕМ
Тема 1. История и основные понятия искусственного интеллекта (2 лекции = 4 часа)
✓ Определения ИИ, машинного обучения и глубокого обучения. Тест Тьюринга. Экспертные системы
✓ Краткая история: от логических систем к нейросетям. Дартмутская конференция. «Зимы ИИ». Deep Blue. GPT и ChatGPT
Тема 2. Основы машинного обучения (2 лекции = 4 часа)
✓ Обучение с учителем и без учителя. Классификация и регрессия. Кластеризация. Обучение с подкреплением
✓ Переобучение и недообучение. Метрики качества (Accuracy, Precision, Recall, F-мера, MAE, MSE, RMSE). Разделение данных (train/test/validation). Кросс-валидация
Тема 3. Нейронные сети и глубокое обучение (2 лекции = 4 часа)
✓ Биологический и искусственный нейрон. Функции активации (пороговая, сигмоида, tanh, ReLU). Архитектура нейронной сети (входной, скрытые, выходной слои). Обучение нейронной сети (прямой проход, функция потерь, обратное распространение ошибки, градиентный спуск)
✓ Свёрточные нейронные сети (CNN) для компьютерного зрения. Свёртка, ядро, карта признаков, пулинг. Архитектуры: LeNet, AlexNet, VGG, ResNet
Тема 4. Обработка естественного языка (NLP) (2 лекции = 4 часа)
✓ Задачи NLP: классификация текста, извлечение сущностей, машинный перевод, генерация текста, суммаризация, анализ тональности. Векторное представление слов (Word2Vec, GloVe, FastText). N-граммы. One-hot encoding. Семантическая близость
✓ Архитектура Transformer. Механизм внимания (Attention). Большие языковые модели (LLM): GPT-1, GPT-2, GPT-3, GPT-4, ChatGPT. Промпты, контекстное окно, токены. Тонкая настройка (fine-tuning)
Тема 5. Генеративный ИИ и креативные приложения (2 лекции = 4 часа)
✓ Генеративно-состязательные сети (GAN): генератор и дискриминатор. Применение GAN (генерация лиц, стилизация, улучшение качества). Diffusion-модели: принцип постепенного удаления шума. Stable Diffusion, DALL-E, Midjourney. Сравнение GAN и Diffusion
✓ Применение генеративного ИИ в бизнесе (маркетинг, дизайн, разработка ПО, образование, медицина) и творчестве (искусство, музыка, литература). Этические аспекты: bias, дискриминация алгоритмов, конфиденциальность, deepfake, авторское право, потеря рабочих мест. Ответственный ИИ и объяснимый ИИ (XAI). Будущее ИИ
СТРУКТУРА ПРАКТИЧЕСКИХ ЗАНЯТИЙ
Практические занятия представлены 7 тематическими блоками (14 часов):
№ Тема занятия Часы
1 Изучение приложений и сервисов для работы с ИИ (ChatGPT, YandexGPT, Kandinsky, Midjourney) 2
2 Создание своей модели ML (классификация ирисов Фишера на Python) 2
3 Построение модели классификации (анализ тональности отзывов) 2
4 Работа с изображениями. Распознавание фото (Google Cloud Vision, Yandex Vision, Teachable Machine) 2
5 Нейросетевой арт: стилизация изображений (Prisma, DeepArt, Kandinsky) 2
6 Создание промптов (искусство написания запросов для ChatGPT) 2
7 Генерация креативного контента (текст + изображение) 2
СТРУКТУРА ЭКЗАМЕНАЦИОННЫХ БИЛЕТОВ
Каждый экзаменационный билет состоит из 3 заданий, которые оцениваются по единой шкале (максимум 26 баллов):
Задание 1 — теоретический вопрос по основным разделам ИИ (история ИИ, машинное обучение, нейронные сети, CNN, NLP, Transformer, GPT, GAN, Diffusion, этические аспекты, переобучение и недообучение, метрики качества, архитектура нейронных сетей, будущее ИИ).
Задание 2 — практическая задача на объяснение различий между подходами (классификация vs регрессия, обучение с учителем vs без учителя, GAN vs Diffusion, Precision vs Recall), описание архитектур, расчёт метрик или объяснение принципов работы.
Задание 3 — практическое задание по работе с ИИ (написание промпта, описание этапов создания модели, генерация контента, создание схемы нейронной сети, описание применения ИИ в профессии, предложение идей использования ИИ).
Все 20 билетов сбалансированы по тематике: охватывают историю, теорию машинного обучения, нейронные сети, NLP, генеративный ИИ и этические аспекты.
ФОНД ОЦЕНОЧНЫХ СРЕДСТВ (ФОС)
ФОС включает текущий контроль (6 тестов по 10 вопросов каждый), промежуточный контроль (5 контрольных работ по 2 варианта каждая), итоговый контроль (20 экзаменационных билетов), а также темы для эссе (10 тем). Тесты содержат задания на выбор правильного ответа по всем разделам курса. Контрольные работы содержат три части: тестовую (10 баллов), задачи (15 баллов) и развёрнутый ответ (15 баллов). Экзаменационные билеты оцениваются по 26-балльной шкале с переводом в традиционную оценку. Эссе оцениваются по 23-балльной шкале.
НАЗНАЧЕНИЕ ДОКУМЕНТА
УМК предназначен для преподавателей дисциплины «Основы искусственного интеллекта» в СПО, а также для студентов, которые могут использовать его для самостоятельной подготовки к лекциям, практическим занятиям, тестам, контрольным работам и дифференцированному зачёту. Документ даёт полное представление о содержании курса, формах работы и требованиях к уровню подготовки специалистов в области информационных систем, с особым вниманием к практическим навыкам работы с современными AI-сервисами, созданию промптов, анализу данных и пониманию этических вызовов, связанных с использованием искусственного интеллекта в профессиональной деятельности.
