Прикладные задачи машинного обучения и обработки больших данных

Цели и задачи дисциплины

Формирование у студентов практических навыков решения прикладных задач анализа и обработки больших данных с использованием методов машинного обучения и генеративных ИИ-инструментов для автоматизации программирования, отладки и внедрения интеллектуальных решений. Задачи: - Освоение принципов генерации кода с помощью ИИ; - Применение ИИ для анализа и предобработки больших массивов данных; - Решение прикладных задач, таких как: - извлечение информации из документов (техпаспортов, актов, жалоб); - анализ видеопотока и формирование инструкций; - выявление аномалий в работе оборудования; - автоматическая генерация и проверка кода для систем 1С, SQL, Python, Spark;

Краткое содержание дисциплины

Дисциплина «Прикладные задачи машинного обучения и обработки больших данных» направлена на формирование у студентов практических навыков применения методов машинного обучения и генеративных ИИ-моделей для решения реальных задач обработки данных. В рамках курса студенты изучают типовые задачи ML (классификация, регрессия, кластеризация, выявление аномалий), принципы генерации и отладки кода с использованием искусственного интеллекта (ChatGPT, YandexGPT, Copilot и др.), методы промт-инжиниринга и автоматизированного тестирования. Особое внимание уделяется решению прикладных задач: извлечению информации из технической документации, автоматизации процессов в 1С, видеоаналитике и анализу производственных данных. Студенты учатся интегрировать ИИ-инструменты в среду разработки, анализировать ограничения и риски (лицензирование, безопасность, качество кода), а также разрабатывать и внедрять интеллектуальные решения в профессиональной среде.

Компетенции обучающегося, формируемые в результате освоения дисциплины

Выпускник должен обладать:

ПК-9 Способен применять искусственный интеллект (ИИ) для генерации и отладки программного кода