09.02.13 ПМ.01 «Разработка кода для обучения искусственного интеллекта» Презентации к лекциям по МДК
Презентации по МДК.01.01 «Разработка программных модулей в системах искусственного интеллекта»
Полный комплект презентационных материалов для проведения лекций по всему курсу МДК.01.01. Каждая презентация содержит структуру, слайды и подробный текст для преподавателя («Что говорит преподаватель»).
Что это за документ: Это текстовый сценарий лекций — подробное описание содержания слайдов с готовым текстом для устного объяснения преподавателя. На основе этого материала можно подготовить готовую презентацию (в PowerPoint или другом формате), используя описанные слайды и их содержание.
Структура и содержание презентаций: Тема 1.1.1. Введение в ИИ (3 лекции)
• История и эволюция ИИ (от 1940-х до ChatGPT)
• Основные направления: ML, DL, нейронные сети (иерархия понятий)
• Примеры применения ИИ и этические вопросы (предвзятость, «чёрный ящик», безопасность) Тема 1.1.2. Методы сбора и предобработки данных (4 лекции)
• Важность качества данных («Garbage In, Garbage Out»)
• Методы сбора: открытые датасеты, API, веб-скрапинг, базы данных
• Предобработка: очистка, работа с пропусками, кодирование (One-Hot, Label), масштабирование (StandardScaler, MinMaxScaler)
• Подготовка данных: разделение на выборки, балансировка классов, отбор признаков, предотвращение утечки данных Тема 1.1.3. Основы алгоритмов ML (7 лекций)
• Введение в ML: типы обучения (с учителем, без учителя, с подкреплением)
• Линейная регрессия: математика, MSE, градиентный спуск
• Логистическая регрессия: Sigmoid, порог принятия решений
• Деревья решений: энтропия, построение, преимущества и недостатки
• Обучение без учителя: кластеризация (K-Means, метод локтя), PCA, поиск аномалий
• Обучение с подкреплением: агент, среда, награда, exploration vs exploitation Тема 1.1.4. Оценка качества и улучшение алгоритмов (4 лекции)
• Метрики: матрица ошибок, Precision, Recall, F1, ROC-кривая, AUC-ROC
• Валидация: train/test split, кросс-валидация (K-fold), стратификация
• Регуляризация: L1 (Lasso), L2 (Ridge), выбор alpha
• Оптимизация гиперпараметров: Grid Search, Random Search Тема 1.1.5. Глубокое обучение и нейронные сети (7 лекций)
• Введение в нейросети: архитектура, нейрон, функции активации (ReLU, Sigmoid, Softmax)
• MLP (многослойный перцептрон): полносвязные слои, прямое распространение
• CNN (свёрточные сети): свертка, pooling, известные архитектуры (AlexNet, ResNet)
• RNN и LSTM: работа с последовательностями, проблема градиентов
• Процесс обучения: backpropagation, SGD, Adam, Batch Normalization, Dropout
• Функции активации (углублённо): Leaky ReLU, ELU, инициализация весов
• Применение: классификация, детекция объектов, сегментация, временные ряды, NLP Тема 1.1.6. Проектирование ИИ-систем (4 лекции)
• Принципы: модульность, масштабируемость (вертикальная/горизонтальная), эффективность (квантование, кеширование)
• Внедрение и MLOps: жизненный цикл, Experiment Tracking (MLflow), CI/CD/CT, Model Registry, мониторинг (дрейф данных, PSI)
• Контейнеризация: Docker (Dockerfile, образы, контейнеры), Docker Compose
• Безопасность и надёжность: adversarial attacks, human-in-the-loop, health checks, алерты
Ключевые особенности: Готовый материал для преподавателя: Каждый слайд сопровождается подробным текстом для устного объяснения. Полное покрытие курса: 29 лекций по всем темам МДК.01.01. Визуализация: Схемы, таблицы, примеры кода, графики для наглядного объяснения. Практическая направленность: Примеры кода на Python (sklearn, TensorFlow), реальные кейсы (Google Flu Trends, Amazon Recruiting Tool). Современные технологии: Рассматриваются трансформеры, диффузионные модели, MLOps, Docker.
Презентации по МДК.01.02 «Разработка мобильных приложений с поддержкой искусственного интеллекта»
Полный комплект презентационных материалов для проведения лекций по всему курсу МДК.01.02. Каждая презентация содержит структуру, слайды и подробный текст для преподавателя («Что говорит преподаватель»).
Что это за документ: Это текстовый сценарий лекций — подробное описание содержания слайдов с готовым текстом для устного объяснения преподавателя. На основе этого материала можно подготовить готовую презентацию (в PowerPoint или другом формате), используя описанные слайды и их содержание.
Структура и содержание презентаций:
Тема 1.2.1. Платформы и инструменты мобильной разработки (5 лекций)
• Введение в мобильную разработку: платформы (Android/iOS), способы разработки (нативная, кроссплатформа)
• Установка и настройка Android Studio, создание AVD, подключение устройства
• Основы Java для Android: Activity, жизненный цикл, Intent, многопоточность
• Разработка UI: Layout-ы (LinearLayout, ConstraintLayout), ресурсы, Material Design
• Работа с Android API: SharedPreferences, RecyclerView, файлы, HTTP-запросы
Тема 1.2.2. Интеграция ИИ в мобильные приложения (3 лекции)
• TensorFlow Lite: основы, конвертация моделей (SavedModel → .tflite)
• Квантование (Int8, Float16): уменьшение размера модели в 4 раза
• Интеграция TFLite в Android: загрузка модели, инференс, предобработка данных
• Оптимизация: GPU Delegate, NNAPI Delegate, ускорение инференса
• Предобученные модели: MobileNetV2 (классификация), SSDLite (детекция), OCR, SpeechRecognizer
• Оптимизация моделей: квантование, обрезка (pruning), дистилляция (knowledge distillation)
Тема 1.2.3. Разработка интерактивных мобильных ИИ-приложений (3 лекции)
• Взаимодействие с пользователем: показ уверенности модели, обработка ошибок, онбординг
• Обратная связь и UX: анимации, доступность, сбор данных для дообучения
• ИИ в реальном времени: работа с камерой (CameraX, ImageAnalyzer), оптимизация (кадр-скиппинг)
• Голосовое управление: SpeechRecognizer, обработка голосовых команд
• Сенсоры устройства: акселерометр (распознавание активности, детекция падения), гироскоп, магнитометр (компас), GPS, датчики освещённости и приближения
• Комбинирование сенсоров для ИИ-задач, фоновый сбор данных (WorkManager)
Тема 1.2.4. Развертывание и тестирование мобильных приложений с ИИ (3 лекции)
• Системы контроля версий: Git, GitHub, .gitignore для Android, Git LFS для моделей
• Автоматизация тестирования: Unit-тесты (JUnit, Mockito), инструментальные тесты (Espresso), тестирование точности модели
• CI/CD: GitHub Actions для автоматической сборки и тестирования Android-приложений
• Публикация в Google Play: подготовка подписанного APK/AAB, Play Console, декларация ИИ, модерация
• Публикация в App Store: требования, сравнение платформ, чек-лист перед публикацией
Ключевые особенности: Готовый материал для преподавателя: Каждый слайд сопровождается подробным текстом для устного объяснения. Полное покрытие курса: 14 лекций по всем темам МДК.01.02. Практическая направленность: Примеры кода на Java (Android Studio), работа с TFLite, CameraX, сенсорами. Современные технологии: TensorFlow Lite, квантование, GPU/NNAPI Delegate, Git LFS, GitHub Actions, Google Play Console. Сквозной проект: Материал построен так, чтобы студент мог создать полноценное ИИ-приложение «от идеи до публикации».
Презентации по МДК.01.03 «Тестирование программных модулей»
Полный комплект презентационных материалов для проведения лекций по всему курсу МДК.01.03. Каждая презентация содержит структуру, слайды и подробный текст для преподавателя («Что говорит преподаватель»).
Что это за документ: Это текстовый сценарий лекций — подробное описание содержания слайдов с готовым текстом для устного объяснения преподавателя. На основе этого материала можно подготовить готовую презентацию (в PowerPoint или другом формате), используя описанные слайды и их содержание.
Структура и содержание презентаций:
Тема 1.3.1. Основы тестирования ИИ-систем (7 лекций)
• Виды тестирования: пирамида тестов (юнит, интеграционные, системные)
• Особенности тестирования ИИ: недетерминированность, отсутствие оракула, метаморфное тестирование
• Garbage In – Garbage Out, состязательные атаки, дрейф данных
• Матрица ошибок (Confusion Matrix), TP, TN, FP, FN
• Precision и Recall — когда какая метрика важна
• F-мера (F1, Fβ) — гармоническое среднее, выбор метрики под задачу
• ROC-кривые и AUC — интерпретация и выбор порога
• Дополнительные метрики: Log-loss, Brier score, MCC, Cohen's Kappa, IoU, mAP
Тема 1.3.3. Интеграционное тестирование ИИ-систем (3 лекции)
• Интеграционное тестирование: виды, место в пирамиде, моки и стабы
• Тестирование ИИ-пайплайнов и микросервисной архитектуры
• Тестирование API эндпоинтов: REST API, инструменты (Postman, curl, pytest + requests)
• Негативные сценарии, обработка ошибок, асинхронные API
• Мониторинг и профилирование: три столпа (метрики, логи, трейсы)
• Prometheus (сбор метрик, PromQL) и Grafana (визуализация)
• Профилирование: cProfile, memory_profiler — поиск узких мест
• Алертинг — автоматическое оповещение о проблемах
Ключевые особенности: Готовый материал для преподавателя: Каждый слайд сопровождается подробным текстом для устного объяснения. Полное покрытие курса: 13 лекций по всем темам МДК.01.03. Практическая направленность: Примеры кода на Python (pytest, requests, Prometheus), реальные сценарии тестирования. Современные инструменты: Pytest, GitHub Actions, Prometheus, Grafana, Firebase Test Lab, Espresso, Appium. Связь с ИИ: Акцент на особенностях тестирования моделей ML (дрейф данных, метаморфное тестирование, состязательные атаки).
Презентации по МДК.01.04 «Основы алгоритмизации и программирования»
Полный комплект презентационных материалов для проведения лекций по всему курсу МДК.01.04. «Основы алгоритмизации и программирования». Каждая презентация содержит структуру, слайды и подробный текст для преподавателя («Что говорит преподаватель»).
Что это за документ: Это текстовый сценарий лекций — подробное описание содержания слайдов с готовым текстом для устного объяснения преподавателя. На основе этого материала можно подготовить готовую презентацию (в PowerPoint или другом формате), используя описанные слайды и их содержание.
Структура и содержание презентаций:
Тема 1.4.1. Моделирование решения задач на компьютере (1 лекция)
• Пять этапов решения задач (постановка → модель → алгоритм → код → тестирование)
• Классификация языков программирования (низкий/высокий уровень)
• Парадигмы программирования (императивная, ООП, функциональная, логическая)
Тема 1.4.2. Основы алгоритмизации (3 лекции)
• Понятие алгоритма, свойства (дискретность, детерминированность, конечность, результативность, массовость)
• Способы описания: словесный, блок-схема, псевдокод
• Базовые конструкции: следование, ветвление, цикл
• Решение задач: сумма цифр, проверка на простоту, алгоритм Евклида, поиск максимума, бинарный поиск
Тема 1.4.3. Основы Python (1 лекция)
• История и философия Python (The Zen of Python)
• Типы данных: int, float, str, bool
• Операторы: арифметические, сравнения, логические
• Ввод/вывод: input(), print(), f-строки
Тема 1.4.5. Циклы (2 лекции)
• Циклы while и for, функция range()
• Вложенные циклы, таблица умножения
• Операторы break, continue, for-else / while-else
Тема 1.4.6. Функции (1 лекция)
• Определение и вызов функций, параметры и аргументы
• return, *args, **kwargs
• Область видимости переменных (LEGB, global)
Тема 1.4.7. Структуры данных (1 лекция)
• Списки (list): методы, срезы, копирование
• Кортежи (tuple): неизменяемость, распаковка
• Множества (set): уникальность, операции (union, intersection, difference)
• Словари (dict): ключи-значения, методы keys(), values(), items()
Тема 1.4.8. Файлы (1 лекция)
• Открытие и закрытие файлов (with open), режимы доступа
• Чтение: read(), readline(), readlines()
• Запись: write(), writelines()
• Форматы CSV (модуль csv) и JSON (модуль json)
Тема 1.4.9. Модульное программирование (1 лекция)
• Понятие модуля, виды модулей (стандартные, сторонние, собственные)
• Способы импорта (import, from ... import, as)
• Создание собственных модулей и пакетов (__init__.py)
Тема 1.4.10. ООП (2 лекции)
• История ООП, классы и объекты, конструктор __init__, параметр self
• Атрибуты и методы, атрибуты класса vs атрибуты объекта
• Инкапсуляция (public, _protected, __private), геттеры/сеттеры, @property
• Наследование (super(), переопределение методов)
• Полиморфизм («утиная типизация», перегрузка операторов)
Тема 1.4.11. Разработка оконного приложения (1 лекция)
• Этапы разработки приложения, понятие GUI
• Обзор библиотек: Tkinter (встроен, простой) и PyQt (мощный, современный)
• Основы Tkinter: root, mainloop, виджеты, менеджеры геометрии (pack, grid, place)
• Основы PyQt: QApplication, QWidget, layouts, сигналы и слоты
Ключевые особенности: Готовый материал для преподавателя: Каждый слайд сопровождается подробным текстом для устного объяснения. Полное покрытие курса: 15 лекций по всем темам МДК.01.04. Пошаговое обучение: От основ алгоритмизации до ООП и создания оконных приложений. Практическая направленность: Примеры кода на Python, блок-схемы, разбор задач. Современные инструменты: Рассматриваются match-case, f-строки, свойства (@property), работа с CSV и JSON.
