[{"data":1,"prerenderedAt":112},["ShallowReactive",2],{"topic:aidt-iot-mii:topic-00":3},{"content":4,"pz":37,"lr":37,"additional":37,"courseMeta":49},{"id":5,"title":6,"body":7,"course_slug":36,"description":17,"env_label":37,"env_url":37,"extension":38,"group":37,"is_course_project":39,"is_index":39,"level":37,"meta":40,"navigation":41,"path":42,"section":43,"seo":44,"stem":45,"topic_number":46,"topic_slug":47,"__hash__":48},"courses\u002Fcourses\u002Faidt-iot-mii\u002Ftopic-00-content.md","Введение",{"type":8,"value":9,"toc":32},"minimark",[10,14,18,26,29],[11,12,6],"h1",{"id":13},"введение",[15,16,17],"p",{},"Настоящее пособие посвящено алгоритмическим подходам, на которых строятся современные системы прогнозирования, классификации и автоматического рассуждения. Центральный вопрос — что по имеющимся данным можно предсказать, автоматизировать или объяснить, и какими средствами это делается. Предполагается, что читатель уже владеет базовыми навыками работы с данными — их загрузкой, очисткой, разведочным анализом и построением признакового пространства; задача пособия — научить строить по этим данным модели.",[15,19,20,21,25],{},"Под методами искусственного интеллекта (англ. ",[22,23,24],"em",{},"artificial intelligence, AI","; далее — ИИ) здесь понимается совокупность алгоритмических подходов, позволяющих компьютерной программе решать задачи, традиционно считавшиеся прерогативой человеческого интеллекта: распознавание образов, классификацию ситуаций, прогнозирование, рассуждение по неполным сведениям, понимание текста. Современный ИИ — это в первую очередь машинное обучение: построение моделей не через явное программирование правил, а через обучение на примерах. Однако сводить всю дисциплину к одному машинному обучению было бы неверно. Историческое ядро ИИ — символьные методы: поиск в пространстве состояний, логический вывод, представление знаний. Они продолжают применяться в навигационных сервисах, игровых движках, системах планирования и проверке программного обеспечения. Поэтому изложение охватывает оба больших класса методов: сначала кратко рассматриваются символьные подходы, что даёт исторический и концептуальный контекст, а затем основное внимание сосредоточено на машинном обучении — формализации задачи, классических алгоритмах, ансамблевых методах, нейронных сетях и современных моделях на основе трансформеров.",[15,27,28],{},"Девять тем пособия складываются в четыре смысловых блока. Первый — исторический и концептуальный контекст: что такое ИИ, какие подходы в нём сложились исторически, какое место занимает машинное обучение и какова роль символьных методов. Второй блок — классическое машинное обучение: формализация задачи, алгоритмы классификации и регрессии, обучение без учителя. Третий — методология и ансамбли: кросс-валидация, подбор гиперпараметров, случайный лес, градиентный бустинг, стэкинг; он намеренно идёт после конкретных алгоритмов, так как без понимания того, какие модели сравниваются, методология выбора лишена смысла. Четвёртый блок — нейронные сети и современный ИИ: многослойный перцептрон, обратное распространение ошибки, свёрточные и рекуррентные архитектуры, обработка естественного языка, большие языковые модели и трансформеры.",[15,30,31],{},"Изложение рассчитано на студента бакалавриата, прослушавшего вводный курс по анализу данных. Потребуются уверенное владение Python и библиотеками NumPy и Pandas, знакомство с типовыми операциями анализа данных, а также базовые сведения из линейной алгебры (векторы, матрицы, умножение матриц), математического анализа (производная, градиент) и теории вероятностей (случайная величина, распределение, математическое ожидание). Глубокого знакомства с математической статистикой не требуется: необходимые понятия вводятся по ходу изложения. Однако пробелы в перечисленных областях стоит закрыть заранее — обращаться к справочникам в момент, когда уже идёт разбор алгоритма, значительно менее эффективно.",{"title":33,"searchDepth":34,"depth":34,"links":35},"",2,[],"aidt-iot-mii",null,"md",false,{},true,"\u002Fcourses\u002Faidt-iot-mii\u002Ftopic-00-content","content",{"title":6,"description":17},"courses\u002Faidt-iot-mii\u002Ftopic-00-content",0,"topic-00","gyhZ-6-lRW-RntOkpd5OhMAijLPkrtO-wEUH1OF2InY",{"id":50,"title":51,"body":52,"course_slug":36,"description":33,"env_label":37,"env_url":37,"extension":38,"group":82,"is_course_project":39,"is_index":41,"level":83,"meta":84,"navigation":41,"path":108,"section":37,"seo":109,"stem":110,"topic_number":37,"topic_slug":37,"__hash__":111},"courses\u002Fcourses\u002Faidt-iot-mii\u002Findex.md","Методы искусственного интеллекта",{"type":8,"value":53,"toc":79},[54,59],[55,56,58],"h2",{"id":57},"документы","Документы",[60,61,62,72],"ul",{},[63,64,65,66,71],"li",{},"Требования к содержанию и оформлению — ",[67,68,70],"a",{"href":69},".\u002Fshared\u002FSTYLEGUIDE","shared\u002FSTYLEGUIDE.md",".",[63,73,74,75,71],{},"Содержание курса — ",[67,76,78],{"href":77},".\u002Ftopics","topics.md",{"title":33,"searchDepth":34,"depth":34,"links":80},[81],{"id":57,"depth":34,"text":58},"iot","бакалавриат",{"topics_count":85,"has_lr":41,"has_pz":41,"has_course_project":39,"final_assessment":33,"tech_focus":86,"kind":87,"authors":88,"publication":99,"annotation":107},9,"scikit-learn, Keras\u002FTensorFlow, Hugging Face","Учебное пособие",[89,94],{"last_name":90,"first_name":91,"patronymic":92,"role":93,"affiliation":33},"Корчагин","Сергей","Геннадьевич","автор",{"last_name":95,"first_name":96,"patronymic":97,"role":93,"affiliation":98},"Рындин","Никита","Александрович","ВГТУ",{"city":100,"year":101,"founder":102,"publisher":103,"udk":33,"bbk":33,"shelf_mark":33,"isbn":33,"approval_body":106},"Воронеж",2026,"Министерство науки и высшего образования Российской Федерации",{"short":98,"full":104,"address":105},"Федеральное государственное бюджетное образовательное учреждение высшего образования «Воронежский государственный технический университет»\n","394026, Воронеж, Московский проспект, 14","Издается по решению редакционно-издательского совета\nВоронежского государственного технического университета\n","Учебное пособие охватывает основные методы искусственного интеллекта:\nклассические алгоритмы поиска и логического вывода, постановку задач\nмашинного обучения, классические алгоритмы классификации и регрессии,\nобучение без учителя, методологию оценки и выбора моделей, нейронные\nсети и обработку естественного языка с применением современных\nпредобученных моделей.\n\nПредназначено для студентов бакалавриата, изучающих дисциплины\n«Методы искусственного интеллекта» и смежные курсы по машинному\nобучению. Предполагается базовое владение языком Python и навыки\nпредварительной обработки данных.","\u002Fcourses\u002Faidt-iot-mii",{"title":51,"description":33},"courses\u002Faidt-iot-mii\u002Findex","piE67Aq1EFie5slrRu4oHnVNvzYsc6XAWuF13eVVSic",1779455410590]