Самостоятельная работа студента З-ЭО-21-33. Самостоятельная работа студента Дисциплина Введение в сквозные цифровые технологии
 Скачать 25.6 Kb.
|
|
Самостоятельная работа студента Дисциплина: Введение в сквозные цифровые технологии Группа: З-ЭО-21 Четвертая промышленная революция. Основные тренды. Источник: файл 4tr.pdf Задание: привести примеры компаний, корпораций функционирующих на протяжении 75 и более лет с указанием производимой продукции в определенный период времени:
Введение в IoT.
Источник: файл ЛекцияИнтернетВещейВШЭ_УмныйГород.pdf Задание: кривая Гартнера. Кратко описать технологии, расположенные на кривой Гартнера:
Примечание: год, автора и отрасль применения технологии можно не указывать, если данная технология еще не реализована на практике (лежит в области фантастики). Введение в нейротехнологии. Источник:https://www.youtube.com/watch?v=Ga-KLalZzZE Задание: просмотреть лекцию и на основе видеолекции создать глоссарий терминов нейротехнологий в области образования и медицины:
Большие данные и искусственный интеллект. Источник: файлы Большие данные и машинное обучение (часть 1).pdf, Большие данные и машинное обучение (часть 2).pdf, Большие данные и машинное обучение (часть 3).pdf Задание: конспект Большие данные и машинное обучение (часть 1) Big Data — это наборы данных такого объема, что традиционные инструменты не способны осуществлять их захват, управление и обработку за приемлемое для практики время. Big Data — структурированные и неструктурированные данные огромных объёмов и значительного многообразия, эффективная обработка которых может быть произведена только путем масштабного распараллеливания вычислений. Большие данные – новое поколение технологий, предназначенных для экономически эффективного извлечения полезной информации из очень больших объемов разнообразных данных путем высокой скорости их сбора, обработки и анализа. Основные этапы выстраивания инфраструктуры для работы с большими данными: 1. Сбор данных 2. Организация хранения 3. Аналитика 4. Применение 5. Управление Ключевые области знаний и навыков в профессиональной деятельности: • Системное мышление • Управление проектами • Программирование • Искусственный интеллект • Бизнес-аналитика MapReduce (Google) – это фреймворк для вычисления некоторых наборов распределенных задач с использованием большого количества компьютеров (называемых «нодами»), образующих кластер. Hadoop (Apache Software Foundation) – набор утилит, библиотек и программный каркас для разработки и выполнения распределённых программ, работающих на кластерах из сотен и тысяч узлов. NoSQL – ряд подходов, направленных на реализацию хранилищ баз данных, имеющих существенные отличия от моделей, используемых в традиционных реляционных СУБД с доступом к данным средствами языка SQL. Применяется к базам данных, в которых делается попытка решить проблемы масштабируемости и доступности за счёт атомарности и согласованности данных Искусственный нейрон – это такая функция, которая преобразует несколько входных фактов в один выходной, и каким образом многочисленные входящие сигналы формируются в выходящий, как раз и определяет алгоритм вычисления. Нейросеть – система из множества таких нейронов (процессоров) Синапсы – межнейронные связи Нейроны Искусственные нейронные сети (ИНС) С точки зрения машинного обучения ИНС – это метод распознавания образов С математической точки зрения ИНС – это многопараметрическая задача С точки зрения кибернетики ИНС – это модель адаптивного управления робототехникой Для искусственного интеллекта ИНС – это основополагающее составляющее для моделирования естественного интеллекта с помощью вычислительных алгоритмов Business Intelligence (сокращённо BI) – обозначение компьютерных методов и инструментов для организаций, обеспечивающих перевод транзакционной деловой информации в человекочитаемую форму, пригодную для бизнесанализа, а также средства для массовой работы с такой обработанной информацией. Цель BI — интерпретировать большое количество данных, заостряя внимание лишь на ключевых факторах эффективности, моделируя исход различных вариантов действий, отслеживая результаты принятия решений. Большие данные и машинное обучение (часть 2) Множество – набор неповторяющихся однотипных элементов Признаковое пространство – набор характеристик в системе классификации, выделяющий определенную группу (класс) объектов от остальных или разделяющий все объекты на несколько групп (классов) Прецедент – характеристики конкретного объекта или его набор признаков (признаковое описание) Машинное обучение (ML – Machine learning) — класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. Модель в машинном обучении – это класс алгоритмов, решающих поставленную задачу. Датасет (Dataset) для машинного обучения – это обработанная и структурированная информация в табличном виде. Строки такой таблицы называются объектами, а столбцы – признаками. Гипотеза компактности (основная гипотеза ML) – близкие объекты, как правило, лежат в одном классе (похожие объекты ведут себя одинаково). Метод k ближайших соседей (kNN – k Nearest Neighbours) – метод решения задач классификации и задач регрессии, основанный на поиске ближайших объектов с известными значениями целевой переменной. Решающие деревья – логический алгоритм классификации, основанный на поиске конъюнктивных закономерностей. Большие данные и машинное обучение (часть 3). Алгоритм – бинарное решающее дерево 1. Вычислить значение функции v0 в корневой вершине 2. Если оно равно нулю, то перейти в левую дочернюю вершину, иначе в правую. Если вершина не листовая, вычислить предикат в новой вершине и повторить пункт 2, иначе вернуть тот класс, который приписан этой вершине. Деревья решений строятся жадно Локально оптимальный выбор предиката не является глобально оптимальным. В случае неудачного выбора алгоритм не способен вернуться на уровень вверх и заменить неудачный предикат. Деревья решений склонны к переобучению Алгоритм будет строить дерево, до тех пор, пока в листе не останется объектов одного класса (энтропия 0) Основные проблемы машинного обучения • Малый объем обучающей выборки • Некорректность входных данных (отсутствие отдельных признаков, противоречивость данных, разнородность признаков) • Переобучение или недообучение Переобучение (переподгонка, пере- в значении «слишком», overfitting) — явление, когда построенная модель хорошо объясняет примеры из обучающей выборки, но относительно плохо работает на примерах, не участвовавших в обучении (на примерах из тестовой выборки). Недообучение – явление, обратное переобучению, при котором алгоритм не полностью использует предоставленные ему для обучения данные (слишком упрощенная закономерность X Y). • Искусственный интеллект (ИИ) – комплекс технологических и программных решений, приводящих к результату, аналогичному интеллектуальной деятельности человека, с помощью систем компьютерного зрения, обработки естественного языка, распознавания и синтеза речи, рекомендательных систем и интеллектуальных систем поддержки принятия решений. • Диагностика на Платформе Университета 20.35 бесплатный доступ к онлайн-курсам, которые позволят освоить компетенции в сфере искусственного интеллекта. • Рекомендации курсов на основе уровня подготовки и специализации обучающихся. • Доступ к сервисам формирования персональных траекторий обучения в сфере искусственного интеллекта, примерам задач от участников рынка, а также возможность участия в очных и заочных мероприятиях и курсах по развитию компетенций в области искусственного интеллекта. Блокчейн технологии. Источник: файл Основы блокчейн и криптовалюты.pdf Задание: создать презентацию по материалу источника. Приведение примеров из других источников добавить баллы за работу. Технологии виртуальной, дополненной и смешанной реальностей. Источник: файл VRAR_вводная.pdf Задание: написать реферат об использовании виртуальной, дополненной или смешанной реальности в области энергосбережения. |