Эволюционные алгоритмы

Код специальности / Specialty code: Код специальности / Specialty code: 7-06-0533-04

Специальность / Specialty: Математика и компьютерные науки / Mathematics and Computer Sciences

Учебная дисциплина, модуль / Academic discipline, module: Эволюционные алгоритмы / Evolutionary Algorithms

Краткое содержание учебной дисциплины, модуля / Brief summary

Курс «Эволюционные алгоритмы» обеспечивает углублённую подготовку специалистов в области анализа больших данных и искусственного интеллекта с использованием процессов естественного отбора. Темы включают: теорию эволюционных алгоритмов (генетические алгоритмы, эволюционные стратегии, генетическое программирование), методы машинного обучения и их связь с эволюционными подходами, оценку и сравнение качества моделей, а также практическую реализацию алгоритмов на языке Python.

The course «Evolutionary Algorithms» provides advanced training of specialists in the field of big data analysis and artificial intelligence using natural selection processes. Topics include: theory of evolutionary algorithms (genetic algorithms, evolutionary strategies, genetic programming), machine learning methods and their connection with evolutionary approaches, quality assessment and comparison of models, and practical implementation of algorithms in Python.

Формируемые компетенции / The formed competences

специализированные компетенции: Быть способным эффективно использовать алгоритмы обработки данных и нейронные сети.

specialized competencies: Be able to effectively use data processing algorithms and neural networks.

Результаты обучения (знать, уметь, владеть) / Learning outcomes (know, can, be able)

знать: 

– основные задачи, методы и типологию задач анализа данных;

– базовые понятия теории эволюционных алгоритмов и принципы их работы;

– базовые понятия теории машинного обучения и подходы к решению задач;

– языки программирования, библиотеки и пакеты для анализа данных;

уметь: 

– использовать современные методы компьютерного моделирования для исследования информационных систем;

– проектировать, обучать и использовать эволюционные алгоритмы для решения практических задач;

– использовать алгоритмы машинного обучения для решения практических задач;

– оценивать и сравнивать качество моделей на базе эволюционных алгоритмов;

– сравнивать результаты решения задачи различными алгоритмами и обосновывать выбор наилучшего;

– использовать языки программирования и пакеты для решения прикладных задач;

владеть: 

– навыками построения эволюционных алгоритмов;

– навыками решения задач извлечения, анализа и обработки данных с использованием математических компьютерных приложений;

– навыками программирования в контексте анализа данных.

know: 

– main tasks, methods and typology of data analysis problems;

– basic concepts of evolutionary algorithms theory and operating principles;

– basic concepts of machine learning theory and problem-solving approaches;

– programming languages, libraries and packages for data analysis;

be able to: 

– use modern computer modeling methods for studying information systems;

– design, train and use evolutionary algorithms to solve practical problems;

– use machine learning algorithms to solve practical problems;

– evaluate and compare quality of models based on evolutionary algorithms;

– compare results of solving problems using different algorithms and justify the best choice;

– use programming languages and packages to solve applied problems;

possess: 

– skills in constructing evolutionary algorithms;

– skills in solving data extraction, analysis and processing problems using mathematical computer applications;

– programming skills in the context of data analysis.

Семестр изучения учебной дисциплины, модуля / Semester of study

3

3

Пререквизиты / Prerequisites

«Математика машинного обучения», «Методы программирования», «Теория вероятностей и математическая статистика».

«Mathematics of Machine Learning», «Programming Methods», «Probability Theory and Mathematical Statistics».

Трудоемкость в зачетных единицах (кредитах) / Credit units

3

3

Количество аудиторных часов и часов самостоятельной работы / Academic hours of students’ class work, hours of self-directed learning

всего 90 часов, в том числе 60 аудиторных часов, из них: лекции – 30 часов, лабораторные занятия – 30 часов.

total 90 hours, including 60 classroom hours, including: lectures – 30 hours, laboratory classes – 30 hours.

Требования и формы текущей и промежуточной аттестации / Requirements and forms of current and interim certification

зачёт

pass/fail exam