Производственная (эксплуатационная) практика – Витте — часть 2

МОСКОВСКИЙ УНИВЕРСИТЕТ ИМ С.Ю. ВИТТЕ
ИНДИВИДУАЛЬНОЕ ЗАДАНИЕ
Студент: Направление подготовки: 09.03.03 Прикладная информатика
Направленность (профиль): Искусственный интеллект и анализ данных
Вид практики: Производственная практика
Тип практики: Эксплуатационная практика
Срок прохождения практики: с 2025-03-31 по 2025-06-08
Место проведения практики
(профильное подразделение Университета): Кафедра информационных систем

С требованиями охраны труда, техники безопасности, пожарной безопасности, а также правилами внут-реннего трудового распорядка на предприятии ознакомлен.

* для практики на базе Университета не вносится

Содержание работ
Виды проделанной работы, результаты которой необходимо отразить в отчете:
– оформить документы на практику, ознакомление с требованиями по прохождению практики и правилами оформления документов по практике.
– получить индивидуальное план-задание прохождения практики от руководителя практики от Университета
– Организовать рабочее место в рамках структурного подразделения Университета. Ознакомиться с правилами внутреннего трудового распорядка Университета.
– Пройти инструктаж по технике безопасности и правилах поведения при возникновении нештатных ситуаций.
– Выбрать предметную область для практического применения нейронной сети из предоставленного в программе практики списка, или согласовать свой вариант предметной области с руководителем практики.
– Провести анализ теоретических аспектов создания нейросетей в выбранной предметной области с использованием современной литературы и интернет-источников.
– Выбрать и при необходимости развернуть среду разработки нейросетевого решения с использованием языка программирования Python на ПК. Установить требуемые для работы с нейронными сетями в выбранной предметной области библиотеки. Использование других языков программирование возможно, по согласованию с руководителем практики.
– Произвести проектирование первого варианта рабочей нейронной сети. Описать требуемые слои и обосновать необходимость этих слоёв. Необходимо произвести математический расчёт работы слоёв, с использованием описывающих их работу математических формул, а так же объяснить принципы их работы с использованием диаграмм, графиков или схем.
– Рассчитать скорость обучения нейросети как функцию от её топологии, понять сколько по времени учится первый вариант сети и что произойдёт со скоростью обучения если изменить количество слоёв или их внутренние настройки. Представить соответствующие расчёты в соответствующем разделе работы.
– Произвести окончательный выбор топологии сети, создать её слои.
– Произвести экспериментальный подбор характеристик сети (число слоев, число блоков в скрытых слоях, наличие или отсутствие обходных соединений, передаточные функции нейронов).
– Найти данные для обучения нейронной сети, соответствующие выбранной предметной области.
– Подготовить данные к работе с нейронной сетью. По необходимости, организовать эти данные в виде соответствующих объектов-загрузчиков. Применить к этим данным необходимые трансформации, включая такие возможные варианты, как векторизация, нормализация, преобразование в тензоры итд.
– Произвести обучение нейросети на основе обучающей выборки.
– Выбрать способ оценки того, насколько хорошо сеть справляется с задачами.
– Рассчитать количество потерь в тренировке и произвести их минимизацию.
– Проверить адекватность обучения с точки зрения конкретной предметной области.
– Добиться базового уровня эффективности работы нейронной сети в выбранной предметной области. Достаточным считается уровень рейтинга accuracy >= 70. Если в конкретной предметной области оценка Accuracy не имеет смысла, то согласовать с руководителем практики альтернативный способ оценки и требуемый уровень точности.
– Разработать предположения о возможностях улучшения архитектуры нейронной сети для нужд выбранной предметной области
– Реализовать, обучить и протестировать один или несколько вариантов таких улучшений
– Оформить отчет по практике. Разместить отчет по практике и созданные файлы в соответствующем разделе Электронного университета.
– Защита итогов практики, отраженных в отчете – в соответствии с расписанием.
Содержание компетенции
Способность разработки прикладного программного обеспечения, автоматизации работы с базами данных и документами, программирования бизнес-логики приложений, интеграции разнородных данных
Способность использовать отечественные и международные стандарты при проектировании и обеспечении качества прикладного программного обеспечения.
Знать методы и инструментальные средства интеллектуального анализа больших данных
Код и наименование индикатора достижения профессиональной компетенции
ПК-1.1 Знает технологии программирования прикладного программного обеспечения и бизнес-логики приложений
ПК-1.2 Умеет разрабатывать и конфигурировать прикладное программное обеспечение
ПК-1.3 Владеет навыками автоматизации решения типовых задач, работы с базами данных и документами, интеграции разнородных данных в корпоративных информационных системах
ПК-7.1 Знает правовые нормы, действующего законодательства, отечественные и международные стандарты в области информационных систем и технологий
ПК-7.2 Умеет использовать нормативно-правовые документы, международные и отечественные стандарты при решении стандартных проблем, возникающих в профессиональной деятельности
ПК-7.3 Владеет навыками в объеме, позволяющем использовать и составлять нормативно-правовые документы в своей профессиональной деятельности
ПК-8.1 Знать методы и инструментальные средства интеллектуального анализа больших данных
ПК-8.2 Уметь выбирать средства представления результатов аналитики больших данных
ПК-8.3 Владеть техническими, программными средствами для разработки алгоритмов и программ в области интеллектуального анализа данных/18385