Навыки работы с большими объёмами данных с помощью ИИ: сбор, хранение и предварительная обработка, извлечение полезной информации, построение аналитических отчётов, применение методов машинного обучения для прогнозирования и принятия решений.
Навыки обработки, анализа и визуализации данных, разработки алгоритмов рекомендаций, построения и оценки моделей машинного обучения, а также понимания архитектуры и обучения нейронных сетей, включая создание простых архитектур с использованием фреймворков, таких как Keras или PyTorch, обучение сетей на данных, использование предобученных моделей (CNN / RNN) для решения задач.
Навыки работы с текстовыми данными и применения NLP-моделей: обработка и очистка текста, токенизация, преобразование текста в числовые форматы, использование готовых NLP-моделей для решения задач классификации текстов, генерации текста и анализа тональности.
Навыки обработки изображений и видеоданных: обработка и улучшение качества изображений, выделение объектов на изображениях, распознавание лиц и других объектов, отслеживание движения в видео, анализ сцен с использованием моделей машинного обучения, прогнозирование поведения объектов, генерация новых изображений на основе данных.
Основы науки о данных и функционирования нейросетей
Алгоритмы работы с большими данными, построение и оценка моделей машинного обучения, понимание архитектуры и обучение нейронных сетей
Результаты определены по уровням освоения, без деления на классы. Охват — 9–11 классы.
Начальный
Раскрывает на примерах основные принципы больших данных.
Называет ключевые характеристики больших данных в контексте науки о данных.
Определяет источники больших данных для анализа.
Приводит примеры многомерных данных.
Объясняет на примерах типы наглядного отображения данных (графики, гистограммы, ящик с усами).
Описывает данные в различных типах признаков: бинарном, категориальном, порядковом, количественном и других.
Различает типы структурированных и неструктурированных данных для обработки.
Вычисляет статистические характеристики признаков с помощью библиотек алгоритмов.
Анализирует значения признаков данных с точки зрения нормального распределения.
Исследует простейшую корреляцию данных.
Объясняет роль анализа данных в жизни.
Выполняет сортировку и группировку данных с помощью библиотеки алгоритмов.
Выполняет очистку некорректных данных в наборе.
Выполняет заполнение пропусков значений в признаковых данных.
Выполняет отсечение несущественных для задачи признаков данных.
Осуществляет перевод категории признака из одного типа в другой.
Производит нормализацию данных в датасете.
Производит векторизацию данных (в т. ч. многомерных) в тензоры.
Выполняет преобразование данных для повышения точности задачи.
Формирует тренировочный и тестовый датасеты для задачи машинного обучения.
Выполняет разметку набора данных.
Использует необходимые структуры данных на языке программирования высокого уровня для хранения признаковых данных.
Приводит примеры различных задач машинного обучения (с учителем, без учителя, с подкреплением) и находит отличия между ними.
Указывает базовые примеры применения алгоритмов машинного обучения.
Классифицирует метрики оценки производительности алгоритма машинного обучения.
Осуществляет выбор функции активации в заданных условиях задачи.
Строит дерево решений для простейших задач классификации.
Применяет метод k ближайших соседей в простейших задачах классификации.
Формирует тренировочный и тестовый датасеты для задачи машинного обучения.
Производит векторизацию данных (в т. ч. многомерных) в тензоры.
Осуществляет оценку производительности алгоритма машинного обучения по выбранной метрике.
Объясняет принципы и применение матричной алгебры в задачах машинного обучения.
Описывает процесс обратного распространения ошибок с помощью матричной алгебры.
Формулирует суть метода градиентного спуска.
Производит регуляризацию модели машинного обучения.
Осуществляет выбор функции активации в заданных условиях задачи.
Определяет и устанавливает необходимые для конкретной задачи машинного обучения библиотеки и другие инструменты.
Пользуется готовыми цифровыми инструментами и решениями анализа данных и работы с ИИ.
Сбор данных о любимых книгах.
Исследование популярных мест отдыха.
Анализ данных о продажах в магазине.
Изучение скорости обработки данных о посещаемости кинотеатров.
Классификация отзывов о фильмах.
Разделение данных о покупках (чеки, фото чеков).
Прогнозирование загруженности общественного транспорта.
Предсказание результатов спортивных матчей.
Создание голосового помощника для расписания занятий.
Настройка системы для автоматической сортировки фотографий.
Оценка влияния анализа данных на планирование городских мероприятий.
Средний
Визуализирует табличные данные в наглядной форме с помощью программных средств аналитики данных и интерпретирует их.
Разделяет и подготавливает данные для анализа.
Сравнивает источники больших данных с точки зрения их пригодности для алгоритмов.
Описывает влияние характеристик больших данных на выбор алгоритмов.
Решает задачи с использованием методов машинного обучения.
Выполняет разметку набора данных.
Решает задачу классификации с использованием различных классификаторов.
Производит регуляризацию модели машинного обучения.
Проводит первичную подборку и дальнейшую корректировку весов нейронной сети.
Обосновывает количество нейронов входного и выходного сло`в нейронной сети.
Обсуждает влияние анализа данных и внедрения ИИ на разные процессы.
Сравнение данных из социальных сетей и опросов о хобби.
Анализ источников данных о популярности видеороликов.
Оптимизация анализа данных о продажах билетов на концерты.
Преобразование текстовых отзывов о кафе в таблицу.
Влияние объёма данных о загрязнении воздуха на выбор инструментов.
Подготовка данных о времени, проведённом в соцсетях.
Оценка связи количества тренировок с успехом в соревнованиях.
Прогнозирование успеваемости на основе времени учёбы.
Настройка модели для прогнозирования погоды.
Влияние анализа данных на организацию массовых праздников.
Продвинутый
Оценивает качество и релевантность источников данных для сложных алгоритмов.
Анализирует влияние характеристик больших данных на архитектуру алгоритмов.
Преобразует и оптимизирует данные для машинного обучения.
Машинное обучение
Выбирает и реализует наиболее эффективный алгоритм машинного обучения для решения задачи с помощью базовых инструментов и библиотек языка программирования высокого уровня.
Решает задачи с помощью инструментов аналитики данных.
Выбирает и реализует наиболее эффективный алгоритм машинного обучения для решения задачи с помощью базовых инструментов и библиотек языка программирования высокого уровня.
Прогнозирует эффективность моделей машинного обучения и нейронных сетей.
Разрабатывает и оценивает модели машинного обучения с пониманием архитектуры.
Выявляет переобучение модели и анализирует возможные причины этого процесса.
Производит цикл разработки (доработки), обучения и тестирования модели нейронной сети.
Формализует модель нейронной сети с использованием языка программирования высокого уровня.
Анализ данных о предпочтениях участников онлайн-курсов.
Оценка качества данных о загрязнении окружающей среды.
Анализ данных о движении транспорта в реальном времени.
Преобразование текстов новостей в таблицу с эмоциональной окраской.
Оптимизация данных о времени выполнения задач.
Прогнозирование результатов опросов / голосований.
Создание модели для классификации музыкальных жанров.
Анализ данных о прогрессе в обучении языкам.
Исследование влияния ИИ на персонализацию обучения.
