Сбор, анализ и формирование наборов данных для моделей машинного

Сбор, анализ и формирование наборов данных для моделей машинного обучения в металлургии

Цели и задачи дисциплины

Целью показать практические аспекты технологий, связанных с хранением, обработкой, подходами к анализу больших объёмов данных в металлургической промышленности. Задачами данного курса является: - изучение источников информации на объектах металлургического производства для анализа и формирования наборов данных для моделей машинного обучения в металлургии; - приобретение теоретических и практических знаний в части сбора, обработки и хранения данных; - приобретение навыков формирования наборов данных для моделей машинного обучения в металлургии. Краткое содержание дисциплины

Краткое содержание дисциплины

В дисциплине «Сбор, анализ и формирование наборов данных для моделей машинного обучения в металлургии» изучаются алгоритмы управления технологическим процессом; технологические параметры металлургических процессов как источник данных для машинного обучения; датчики и исполнительные механизмы; средства автоматизации измерения физических величин. Рассматриваются вопросы анализа, систематизации и хранения данных технологических процессов и контроля качества готовой продукции. Изучаются принципы формирования наборов данных для машинного обучения. Связь с другими дисциплинами. Искусственные нейронные сети Знать: принципы построения и типы искусственных нейронных сетей, принципы обучения искусственных нейронных сетей, требования к наборам данных для обучения и методы подготовки наборов данных для обучения, методы аугментации; Уметь ориентироваться в существующих библиотеках предобученных нейронных сетей, применять их для решения типовых задач, готовить наборы данных для обучения. Искусственный интеллект и машинное обучение Знать методы машинного обучения, задачи решаемые методами машинного обучения.

Компетенции обучающегося, формируемые в результате освоения дисциплины

Выпускник должен обладать:

ПК-8 Способен адаптировать и применять методы и алгоритмы машинного обучения для решения прикладных задач в различных предметных областях