Искусственный интеллект и большие данные в строительстве
не для ИТ направлений
300 часов
ГГНТУ
О программе
- ЦельЦелью реализации программы профессиональной переподготовки является
формирование компетенций, необходимых для выполнения нового вида
профессиональной деятельности в области информационных технологий, для
обучающихся по специальностям и направлениям подготовки, не отнесенным к ИТ-сфере и приобретение новой квалификации «Искусственный интеллект и большие данные в строительстве». - Целевая аудиторияПрограмма предназначена для обучающихся по специальностям и направлениям подготовки, не отнесенным к ИТ-сфере.
- Необходимая подготовкаК освоению программы в рамках проекта допускаются лица, получающие
высшее образование по очной (очно-заочной) форме, освоившие основную
профессиональную образовательную программу бакалавриата – в объеме не менее первого курса, специалитета – не менее первого и второго курсов
Программа курса
Раздел 1. Подходы и направления исследований в ИИ. Основы
функционирования интеллектуальных информационно-поисковых систем.
Раздел 2. Способы представления знаний в интеллектуальных системах.
Основные виды интеллектуальных систем.
функционирования интеллектуальных информационно-поисковых систем.
Раздел 2. Способы представления знаний в интеллектуальных системах.
Основные виды интеллектуальных систем.
Раздел 1. Нейронные сети. Разбор принципов действия интеллектуальных
систем на нейронных сетях. Рекуррентные нейронные сети.
Раздел 2. Классы задач, решаемых с помощью интеллектуальных систем.
Раздел 3. Алгоритмы логического вывода на знаниях
Раздел 4. Представление нечетких знаний. Принятие решений в условиях
неполной определенности.
систем на нейронных сетях. Рекуррентные нейронные сети.
Раздел 2. Классы задач, решаемых с помощью интеллектуальных систем.
Раздел 3. Алгоритмы логического вывода на знаниях
Раздел 4. Представление нечетких знаний. Принятие решений в условиях
неполной определенности.
Раздел 1. Docker. Введение в Docker.
Раздел 2. Настройка среды nympy. Библиотека Pandas.
Раздел 3. Библиотека Matplotlib для визуализации данных.
Раздел 4. Модели прогнозирования рисков и потенциальных задержек. ИИ в
оценке состояния конструкций и выявлении дефектов.
Раздел 2. Настройка среды nympy. Библиотека Pandas.
Раздел 3. Библиотека Matplotlib для визуализации данных.
Раздел 4. Модели прогнозирования рисков и потенциальных задержек. ИИ в
оценке состояния конструкций и выявлении дефектов.
Раздел 1. Понятие машинного обучения. Виды машинного обучения. Обучение с
учителем. Задачи классификации и регрессии. Оценка качества алгоритмов машинного
обучения.
Раздел 2. Задачи кластеризации. Поиск выбросов и аномалий в данных. Работа с
категориальными данными. Временные ряды.
Раздел 3. Решающие деревья. Случайный лес. Ансамбли алгоритмов
классификации и регрессии. Градиентный бустинг. Рекомендательные системы.
Ранжирование. Компьютерное зрение.
учителем. Задачи классификации и регрессии. Оценка качества алгоритмов машинного
обучения.
Раздел 2. Задачи кластеризации. Поиск выбросов и аномалий в данных. Работа с
категориальными данными. Временные ряды.
Раздел 3. Решающие деревья. Случайный лес. Ансамбли алгоритмов
классификации и регрессии. Градиентный бустинг. Рекомендательные системы.
Ранжирование. Компьютерное зрение.
аздел 1. Большие данные основные понятия и определения. Методы анализа
данных. Data mining.
Раздел 2. Системы управления Большими данными. Масштабирование и
многоуровневое хранение данных.
данных. Data mining.
Раздел 2. Системы управления Большими данными. Масштабирование и
многоуровневое хранение данных.
Раздел 1. Ассоциативные правила. Методы поиска ассоциативных правил.
Метод главных компонент для сжатия больших данных.
Раздел 2. Иерархические методы кластерного анализа больших данных.
Раздел 3. Библиотека Pytorch. Автокодировщики. Массово-паралельная
обработка и анализ данных. Работа с PySpark.
Метод главных компонент для сжатия больших данных.
Раздел 2. Иерархические методы кластерного анализа больших данных.
Раздел 3. Библиотека Pytorch. Автокодировщики. Массово-паралельная
обработка и анализ данных. Работа с PySpark.
Раздел 1. Защита сетевой инфраструктуры. Управление доступом и
аутентификация.
Раздел 2. Реагирование на инциденты безопасности.
аутентификация.
Раздел 2. Реагирование на инциденты безопасности.
Раздел 1. Автоматизация процессов управления строительством с помощью
технологий ИТ. Большие данные и их роль в решении задач строительства с
применением ИИ. Мониторинг и контроль качества строительных процессов с
помощью анализа данных и ИИ
Раздел 2. Эффективное использование цифрового двойника здания (Building
Information Modeling) в строительном процессе. Этические вопросы и вызовы,
связанные с использованием ИИ в строительстве.
технологий ИТ. Большие данные и их роль в решении задач строительства с
применением ИИ. Мониторинг и контроль качества строительных процессов с
помощью анализа данных и ИИ
Раздел 2. Эффективное использование цифрового двойника здания (Building
Information Modeling) в строительном процессе. Этические вопросы и вызовы,
связанные с использованием ИИ в строительстве.
Записаться на обучение
Заполните данные
Нажимая кнопку "Отправить" Вы даете согласие на обработку персональных данных