Системи штучного інтелекту в розробці ІТ-продуктів

Анотація навчальної дисципліни

Мета вивчення дисципліни: Формування системного уявлення про застосування систем штучного інтелекту в розробці IT-продуктів; розвиток вміння використовувати алгоритми машинного навчання, нейронні мережі та інші методи штучного інтелекту для автоматизації обробки інформації, прогнозування та прийняття рішень в IT-продуктах; оволодіння практичними навичками аналізу та проектування інтелектуальних систем, адаптованих до конкретних задач і умов проектування IT-продуктів.

Практичне значення та використання отриманих знань: Здатність використовувати математичні методи для аналізу формалізованих моделей предметної області; здатність застосовувати сучасні алгоритми машинного навчання для вирішення задач класифікації, прогнозування та розпізнавання образів; здатність розробляти програмне забезпечення на основі методів штучного інтелекту для реалізації інтелектуальних функцій в IT-продуктах, включно з адаптацією до змінних умов; здатність проектувати та оптимізувати архітектурні рішення інформаційних систем, що використовують штучний інтелект, з урахуванням якості та ефективності їх застосування.

Тематика та види навчальних занять

Для денної форми здобуття освіти

Лекційні заняття
Лекція 1. «Основи систем штучного інтелекту: поняття та класифікація».
Лекція 2. «Машинне навчання: основні алгоритми та їх застосування».
Лекція 3. «Нейронні мережі та їх роль у розвитку штучного інтелекту».
Лекція 4. «Глибоке навчання: архітектура та принципи роботи».
Лекція 5. «Обробка природної мови в штучному інтелекті».
Лекція 6. «Розпізнавання образів і класифікація в штучному інтелекті».
Лекція 7. «Генетичні алгоритми та еволюційне програмування».
Лекція 8. «Нечітка логіка і її застосування в IT-продуктах».
Лекція 9. «Роль штучного інтелекту у великих даних та Data Science».
Лекція 10. «Алгоритми та моделі прогнозування в штучному інтелекті».
Лекція 11. «Моделі штучного інтелекту для кластеризації та пошуку асоціативних правил».
Лекція 12. «Реалізація та впровадження систем штучного інтелекту у бізнес-процеси».
Лекція 13. «Оптимізація та адаптація систем штучного інтелекту в умовах невизначеності».
Лекція 14. «Оцінка ефективності алгоритмів штучного інтелекту: метрики та показники».
Лекція 15. «Етичні та соціальні аспекти впровадження штучного інтелекту в IT-продуктах».

Лабораторні заняття
Лабораторне заняття № 1. «Застосування методів машинного навчання для класифікації даних». 
Мета заняття: навчитися використовувати алгоритми машинного навчання для класифікації наборів даних.

Лабораторне заняття № 2. «Розробка та навчання нейронних мереж для розпізнавання зображень». 
Мета заняття: створити та навчити нейронну мережу для розпізнавання зображень на основі наборів даних.

Лабораторне заняття № 3. «Обробка природної мови з використанням алгоритмів штучного інтелекту». 
Мета заняття: застосувати методи обробки природної мови для вирішення задач аналізу тексту.

Лабораторне заняття № 4. «Реалізація алгоритмів прогнозування з використанням штучного інтелекту». 
Мета заняття: навчитися створювати прогностичні моделі на основі алгоритмів штучного інтелекту.

Лабораторне заняття № 5. «Застосування генетичних алгоритмів для вирішення оптимізаційних задач». 
Мета заняття: дослідити можливості генетичних алгоритмів для розв'язання задач оптимізації.

Лабораторне заняття № 6. «Аналіз даних за допомогою кластеризації та пошуку асоціативних правил». 
Мета заняття: навчитися кластеризації даних та використанню асоціативних правил у системах штучного інтелекту.
Лабораторне заняття № 7. «Тестування та оптимізація моделей штучного інтелекту». 
Мета заняття: дослідити методи тестування та оптимізації моделей штучного інтелекту для підвищення їх ефективності.

Для заочної форми здобуття освіти

Лекційні заняття
Лекція 1. «Основи систем штучного інтелекту: класифікація та застосування».
Лекція 2. «Машинне навчання та його роль у розробці IT-продуктів».

Лабораторні заняття
Лабораторне заняття № 1. «Застосування методів машинного навчання для аналізу даних».
Мета заняття: навчитися використовувати алгоритми машинного навчання для аналізу наборів даних.
Лабораторне заняття № 2. «Розробка простих нейронних мереж для вирішення прикладних задач».
Мета заняття: створити та навчити нейронну мережу для розв'язання прикладних задач в IT-продуктах.

Консультації здійснюються впродовж семестру згідно встановленого розкладу.

 Індивідуальна робота

Для денної форми здобуття освіти
Не передбачено.

Для заочної форми здобуття освіти
Завдання для виконання контрольної роботи здобувач отримує на установчій лекції.

Робота містить 2 теоретичних питання.

Обсяг відповіді на кожне теоретичне питання: не менше, ніж 5 сторінок машинописного тексту. Текст відповіді повинен бути виконаний самостійно, а не скопійованим з навчального посібника.

Лабораторне заняття № 1. «Застосування методів машинного навчання для аналізу даних». Лабораторне заняття № 2. «Розробка простих нейронних мереж для вирішення прикладних задач».

 Форми контрольних заходів та оцінювання результатів навчання

Для денної форми здобуття освіти
Поточний контроль полягає у:
1) виконанні 7-ти лабораторних робіт. Лабораторні роботи виконуються письмово і полягають у виконанні завдання відповідно до мети та завдань лабораторних занять. Бездоганне виконання лабораторних робіт оцінюється максимально у 8 балів кожна;

2) виконанні двох модульних контрольних робіт. Модульні контрольні роботи складаються з практичної частини та виконуються письмово. Бездоганне виконання кожної модульної контрольної роботи становить 22 бали.

Підсумковий контроль – залік. Залік усний. Максимальна оцінка, яку може отримати студент – 100 балів.

Для заочної форми здобуття освіти
Захист контрольної роботи. Бездоганне виконання контрольної роботи оцінюється у 50 балів. При її захисті студент може отримати до 50 балів.

Підсумковий контроль – залік. Залік усний. Максимальна оцінка, яку може отримати студент – 100 балів.

 Політика освітнього процесу та умови допуску до підсумкового контролю

Активна участь на лабораторних заняттях, дотримання графіків здачі контрольних та індивідуальних завдань, самостійна робота здобувача при підготовці до всіх видів аудиторних занять, присутність на консультаціях. Здобувачі зобов’язані дотримуватись принципів академічної доброчесності при виконанні модульних контрольних робіт, поточних контрольних та індивідуальних завдань, складання заліку.
Робота, яка виконана після встановлених викладачем термінів, не приймається.
Відсутність здобувача на контрольній роботі відповідає оцінці «0».
Під час всіх видів аудиторних занять здійснювати телефонні дзвінки забороняється.
Заборонено використання будь-яких підручників, посібників, конспектів лекцій, шпаргалок під час проходження модульних та підсумкового контролів.

Підсумковий контроль з дисципліни – залік. До складання заліку допускаються здобувачі, які виконали всі види навчальних елементів навчальної дисципліни та накопичили протягом семестру не менш, ніж 60 балів.
Складання/перескладання заліків відбувається за встановленим деканатом розкладом.