Комплексный подход к преподаванию основ машинного и глубокого обучения: методы и практические инструменты
https://doi.org/10.46845/2071-5331-2025-1-71-188-197
Аннотация
Обучение современным информационным технологиям невозможно представить без освоения подходов машинного и глубокого обучения, широко применяемых для анализа и обработки больших данных. Эти подходы активно используются для решения таких задач, как регрессия, прогнозирование, классификация и кластеризация, которые имеют высокую значимость для образовательных программ инженерных направлений. Рассматривается структура курсов «Основы машинного обучения» и «Математические основы глубокого обучения», включающая ключевые алгоритмы, методики и практические инструменты, способствующие развитию компетенций студентов в области анализа данных и построения моделей искусственного интеллекта.
Об авторе
Д. В. Власов
Российский государственный педагогический университет им. А. И. Герцена
Россия
Россия
Дмитрий Викторович Власов - кандидат физико-математических наук, доцент
Санкт-Петербург
Список литературы
1. Власова, Е. З. Большие данные в анализе IT-успешности преподавателей университета / Е. З. Власова, Д. В. Власов // Известия Балтийской государственной академии рыбопромыслового флота : психолого-педагогические науки. – 2024. – № 1(67). – С. 7–12.
2. Власова, Е. З. Анализ готовности преподавателей высшей педагогической школы к профессиональной деятельности в условиях электронного обучения на основе больших данных / Е. З. Власова, Д. В. Власов // Цифровая экосистема педагогического образования. Актуальные вопросы. Достижения. Инновации. – Санкт-Петербург : НИЦ АРТ, 2022. – С. 40–52.
3. Власов, Д. В. Цифровой след и перспективы его использования в высшем образовании / Д. В. Власов // Балтийский морской форум : материалы XI Международного Балтийского морского форума. В 8-ми томах, Калининград, 25–30 сентября 2023 года. – Калининград : Издательство БГАРФ, 2023. – С. 36–42.
4. Шафорост, Н. В. Анализ алгоритмов машинного обучения для разработки модели рекомендательной системы по созданию учебных планов / Н. В. Шафорост, Д. В. Власов // Современное образование: традиции и инновации. – 2023. – № 2. – С. 226–230.
5. Hastie, T. The Elements of Statistical Learning: Data Mining, Inference, and Prediction : учебное пособие / Hastie, T., Tibshirani, R., Friedman, J. – 2-е изд. – New York : Springer, 2009. – 745 p. – ISBN 978-0-387-84858-7
6. Goodfellow, I. Deep Learning : учебное пособие / Goodfellow, I., Bengio, Y., Courville, A. – Cambridge : MIT Press, 2016. – 800 p. – ISBN 978-0-2620-3561-3.
7. McKinney, W. Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter : учебное пособие – 3-е изд. – Sebastopol : O’Reilly Media, 2022. – 579 p. – ISBN 978-1-098-10403-0.
8. Géron, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems : учебное пособие / Géron, A. – 3-е изд. – Sebastopol, CA : O'Reilly Media, 2022. – 864 p. – ISBN 978-1-0981-2597-4
9. Paszke, A. PyTorch: An Imperative Style, High-Performance Deep Learning Library / A. Paszke, S. Gross, F. Massa, A. Lerer, J. Bradbury, G. Chanan, T. Killeen, Z. Lin, N. Gimelshein, L. Antiga, A. Desmaison, A. Kopf, E. Yang, Z. DeVito, M. Raison, A. Tejani, S. Chilamkurthy, B. Steiner, L. Fang, J. Bai, S. Chintala. – Текст : электронный // Advances in Neural Information Processing Systems. – Vol. 32: Proceedings of the 33rd International Conference on Neural Information Processing Systems, Vancouver, 8–14 декабря 2019 / Neural Information Processing Systems Foundation. – Vancouver : NeurIPS, 2019. – URL: https://papers.nips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library (дата обращения: 23.01.2025).
10. Sarangpure N. Automating the Machine Learning Process Using PyCaret and Streamlit / N. Sarangpure, S. Tamboli, J. Doye, V. Dhamde, A. Roge, S. Patle. – Текст : электронный // Proceedings of the 2nd International Conference for Innovation in Technology (INOCON), Nagpur, 24–26 ноября 2023 / Institute of Electrical and Electronics Engineers. – Nagpur : IEEE, 2023. – URL: https://ieeexplore.ieee.org/document/10101357 (дата обращения: 23.01.2025).
11. What is CRISP DM? – URL: https://www.datascience-pm.com/crisp-dm-2 / (дата обращения 24.01.2025).
12. Шафорост, Н. В. Развертывание модели машинного обучения с использованием современного фреймворка FastAPI / Н. В. Шафорост, Д. В. Власов // Современное образование: традиции и инновации. – 2023. – № 3. – С. 102–106.
Рецензия
Для цитирования:
Власов Д.В. Комплексный подход к преподаванию основ машинного и глубокого обучения: методы и практические инструменты. ИЗВЕСТИЯ Балтийской государственной академии рыбопромыслового флота. Психолого-педагогические науки. 2025;(1(71)):188-197. https://doi.org/10.46845/2071-5331-2025-1-71-188-197
For citation:
Vlasov D.V. An integrated approach to teaching machine learning and deep learning: methods and practical tools. The Tidings of the Baltic State Fishing Fleet Academy: Psychological and pedagogical sciences. 2025;(1(71)):188-197. (In Russ.) https://doi.org/10.46845/2071-5331-2025-1-71-188-197
Просмотров:
3
Послать статью по эл. почте 