🔍 Поиск готовых работ

🔍 Поиск работ

ЛАБОРАТОРНЫЙ ПРАКТИКУМ «АНАЛИЗ ДАННЫХ И МАШИННОЕ ОБУЧЕНИЕ»

Работа №145248

Тип работы

Дипломные работы, ВКР

Предмет

информационная безопасность

Объем работы51
Год сдачи2019
Стоимость4215 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
171
Не подходит работа?

Узнай цену на написание


Введение 5
1 Анализ литературы по проблеме исследования 7
1.1 Машинное обучение в информационной безопасности 7
1.2 Обзор литературных источников 11
1.3 Обзор интернет-источников 14
1.4 Обзор рабочей программы дисциплины 15
1.5 Анализ онлайн курсов по машинному обучению 17
1.6 Анализ межгосударственных стандартов 19
2 Описание лабораторного практикума «Анализ данных и машинное
обучение» 21
2.1 Педагогический адрес 21
2.2 Описание интерфейса программного продукта 21
2.3 Описание структуры лабораторных работ и проектных заданий 26
2.4 Описание лабораторных работ 27
2.4.1 Описание лабораторной работы «Основы языка Python» 27
2.4.2 Описание лабораторной работы «Классификация данных» 28
2.4.3 Описание лабораторной работы «Классификация методом "К-
ближайших соседей"» 29
2.4.4 Описание лабораторной работы «Основы работы с Pandas» 30
2.4.5 Описание лабораторной работы «Анализ данных с помощью
Pandas» 30
2.4.6 Описание лабораторной работы «Линейная регрессия» 31
2.4.7 Описание лабораторной работы «Деревья решений» 31
2.4.8 Описание лабораторной работы «Метод случайного леса» 32
2.4.9 Описание лабораторной работы «Работа с OpenCV» 32
2.5 Описание проектных заданий 33
2.5.1 Описание задания «Машинное зрение и распознавание лиц в
реальном времени» 33
2.5.2 Описание задания «Оптимизация и переобучение на примере
метода "К-соседей"» 34
2.5.3 Описание задания «Анализ данных, визуализация и
классификация» 34
2.6 Видеосопровождение лабораторных работ 35
2.7 Презентационное сопровождение лабораторных работ 36
2.8 Апробация лабораторного практикума 40
Заключение 43
Список использованных источников 45
Приложение 49

В последние годы искусственный интеллект развивается очень быстрыми темпами, даже сама технология нейронных сетей стала более доступной обычным пользователям. Каждый день разрабатываются новые нейронные сети для биометрических измерений, маркетинговых и научных исследований. Также появилось множество технологий, использующих нейронные сети для ускорения или упрощения процессов. Так, например, корпорация In¬tel планируют выпускать все новые поколения процессоров со встроенным модулем искусственного интеллекта для ускорения сложных расчетов.
Нейросети нашли свое применение и в сфере медицины. Разработано множество интеллектуальных систем, которые способны выявлять заболевания по различным прямым или косвенным признакам. Сфера развлечений также не осталась без внимания. Множество голосовых ассистентов, поисковых систем, компьютерных игр и бортовых компьютеров автомобилей ис-пользуют технологии нейронных сетей.
Машинное обучение являет собой самый простой вариант искусственного интеллекта. Оно предполагает, что с помощью различных методов на основе большого количества «тренировочных» данных можно классифицировать или предсказать любой объект, явление или событие.
Актуальность выбранной темы состоит в том, что отсутствуют аналоги, а также электронный вариант поможет улучшить восприятие информации и упростить к ней доступ.
Объект выпускной квалификационной работы — процесс обучения студентов направления подготовки 09.03.02 Информационные системы и технологии, 09.03.03 Прикладная экономика дисциплине «Интеллектуальные системы и технологии».
Предметом выпускной квалификационной работы являются учебные материалы по дисциплине «Интеллектуальные системы и технологии».
Цель работы — разработать лабораторный практикум «Анализ данных и машинное обучение».
В соответствии с поставленной целью в работе определены следующие задачи:
1. Проанализировать литературу и интернет-источники по теме «Анализ данных и машинное обучение», с целью сбора информации о методах машинного обучения и особенностях их применения.
2. Спроектировать структуру лабораторного практикума «Анализ данных и машинное обучение».
3. Разработать лабораторные работы, видеоуроки и презентационный материал по теме «Анализ данных и машинное обучение».
4. Реализовать лабораторный практикум «Анализ данных и машинное обучение».

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

Машинное обучение и нейросети стали новой отраслью науки, технологий и бизнеса. Они позволяют решать самые разнообразные задачи, будь то распознавание лиц и поиск людей, медицинский анализ, анализ рынка продаж, предсказание катастроф или подбор музыки, которая вам может понравиться. Машинное обучение — это не обучение в общепринятом понимании. Даже глубокое обучение не позволяет машине стать по-настоящему интеллектуальной. Её решения складываются исключительно из ранее изученных ситуаций и не могут порождать другие нестандартные или нелогичные на первый взгляд решения или ответы, как это может делать человек. Ведь человек может выстраивать свои логические цепочки основываясь не только на полученном ранее опыте, но и на основе своих догадок и предчувствий, а также на основе неявных связей между вещами и явлениями. В последнее время потребность в таком мышлении сильно возросла и машинное обучении стало применяться повсеместно и находит все новые и новые сферы применения. Если раньше оно применялось только в IT-сфере и алгоритмизации, то сейчас машинное обучение начинает просачиваться во все сферы деятельности и всё более ориентируется на потребителей.
Большая потребность в сфере разработки нейросетевых технологий породило большое количество различных форумов, книг, журналов и онлайн курсов, связанных с изучением данной тематики. Именно данный скачок интереса позволил развиться этой технологии в краткие сроки и вызвать интерес у людей со всего мира. У большинства материалов, связанных с искусственным интеллектом, есть проблема с доступностью излагаемой информации, они написаны сложным техническим языком и это вызывает у обучающихся трудности с усвоением материала. Переработка материала является первоочередной задачей при создании любого курса по изучению искусственного интеллекта. Так как доступность этого материала напрямую повлияет на качество знаний и умений, полученных обучающимися.
Именно по этим причинам данная тема очень актуальна в наше время. Также данная тема оказалась очень интересной, потому что, «искусственный интеллект» вызвал много интереса как со стороны простых людей, так со стороны учёных и бизнесменов. Машинное обучение уже проникло в такие сферы деятельности как:
1. IT-сфере: приложения на основе нейросетей, машинное зрение.
2. Кибербезопасность.
3. Маркетинг.
4. Медицина.
5. Диагностика техники.
6. Биоинформатика.
В ходе выполнения дипломной работы были проанализированы:
1. Интернет-ресурсы, содержащие самую актуальную информацию, связанную с исследуемой темой.
2. Государственные образовательные стандарты.
3. Онлайн курсы по машинному обучению и компьютерному зрению.
4. Рабочие программы дисциплины «Интеллектуальные системы и технологии».
Задачи выполненные в ходе разработки выпускной квалификационной работы:
1. Проанализирована литература, связанная с машинным обучением, компьютерным зрением и анализом данных.
2. Разработан интерфейс приложения, необходимый для размещения лабораторного практикума и методических материалов в сети Интернет.
3. Разработан лабораторный практикум.
4. Разработаны видеоуроки и сопровождающий презентационный материал.
Таким образом, все поставленные задачи были выполнены, а цель достигнута.



1. Алгоритмы создания дерева принятия решений [Электронный ресурс]. — Режим доступа: http://econf.rae.ru/pdf72014/03/3245.pdf(дата обращения: 09.04.2019).
2. Алпайдин Э. Машинное обучение: новый искусственный интеллект [Текст] / Э. Алпайдин. — Москва: «Точка», 2017. — 208 с.
3. Баргесян А. А. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP [Текст] / А. А. Баргесян, М. С. Куприянов, В. В. Степаненко, и т. д. — 2-е изд., перераб. и доп. — Санкт-Петербург: БХВ-Петербург, 2007. — 384 с.
4. Бринк Х. Машинное обучение [Текст] / Х. Бринк, Дж. Ричардс, М. Феверолф. — пер. с англ. Рузмайкина И. — Санкт-Петербург: Питер, 2017. — 336 с.
5. Васильев В. И. Интеллектуальные системы защиты информации [Текст]: учебное пособие / В. И. Васильев. — изд. 2-е, испр. — Москва: Машиностроение, 2012. — 171 с.
6. Видеолекции курса «Машинное обучение» [Электронный ресурс]. — Режим доступа: https://yandexdataschool.ru/edu-process/courses/machine- learning#item-1(дата обращения: 09.04.2019).
7. Вьюгин В. В. Математические основы теории машинного обучения и прогнозирования [Текст] / В. В. Вьюгин. — Москва: МЦНМО 2013. — 305 с.
8. Генрихов И. В. Построение и исследование полных решающих деревьев для задач классификации по прецедентам [Электронный ресурс]. — Режим доступа: http://www.ccas.ru/avtorefe/101avtor.pdf(дата обращения: 10.04.2019).
9. ГОСТ Р ИСО 14915-1 Эргономика мультимедийных пользовательских интерфейсов: Часть 1 [Электронный ресурс]. — Введ. 29.06.2016. — Режим доступа: http://docs.cntd.ru/document/1200141132(дата обращения: 10.05.2019)
10. ГОСТ Р ИСО 14915-2 Эргономика мультимедийных пользовательских интерфейсов: Часть 2 [Электронный ресурс]. — Введ. 02.11.2016. — Режим доступа: http://libnorm.rU/Files2/1/4293750/4293750537.pdf(дата обращения 10.05.2019)
11. ГОСТ Р ИСО 14915-3 Эргономика мультимедийных пользовательских интерфейсов: Часть 3 [Электронный ресурс]. — Введ. 25.11.2016. — Режим доступа: http://docs.cntd.ru/document/1200142467(дата обращения 10.05.2019)
12. ГОСТ Р ИСО 55751 Электронные учебно-методические комплексы
[Электронный ресурс]. — Введ. 08.11.2013.— Режим доступа:
http://docs.cntd.ru/document/1200108264(дата обращения 13.05.2019)
13. Деревья решений — общие принципы работы [Электронный ресурс]. — Режим доступа: https://basegroup.ru/community/articles/description(дата обращения: 10.04.2019).
14. Загинайлов Ю. Н. Теория информационной безопасности и методология защиты информации [Текст] : курс лекций / Ю. Н. Загинайлов. — Барнаул: АлтГТУ им. И. И. Ползунова, 2010. — 104 с.
15. Знакомство с машинным обучением [Электронный ресурс]. — Режим доступа: https://www.google.ru/about/main/machine-learning-qa/(дата обращения: 08.04.2019).
16. Искусство анализа данных: взгляд изнутри [Электронный ресурс]. — Режим доступа: https://www.osp.ru/cio/2018/02/13054071/(дата обращения: 08.04.2019).
17. Курс «Введение в машинное обучение» [Электронный ресурс]. — Режим доступа: https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie /home/welcome (дата обращения: 19.05.2019).
18. Курс «Нейронные сети и машинное зрение» [Электронный ресурс]. — Режим доступа: https://stepik.org/course/50352/promo(дата обращения: 19.05.2019).
19. Логистическая регрессия и ROC-анализ — математический аппарат [Электронный ресурс]. — Режим доступа: https://basegroup.ru/commu- nity/articles/logistic(дата обращения: 01.04.2019).
20. Машинное обучение в Offensive Security [Электронный ресурс]. — Режим доступа: https://habr.com/ru/company/pm/blog/419617/(дата обращения: 14.05.2019).
21. Машинное обучение — это легко [Электронный ресурс]. — Режим доступа: https://habr.com/post/319288/(дата обращения: 08.03.2019).
22. Машинное обучение [Электронный ресурс]. — Режим доступа: http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение (дата обращения: 24.03.2019).
23. Машинное обучение для чайников [Электронный ресурс]. — Режим доступа: https://newtonew.com/tech/machine-learning-novice(дата обращения: 20.03.2019).
24. Машинное обучение и анализ данных [Электронный ресурс]. — Режим доступа: http://www.uic.unn.ru/~zny/ml/(дата обращения: 04.04.2019).
25. Машинное обучение и анализ данных [Электронный ресурс]. — Режим доступа: https://elibrary.ru/title_about.asp?id=32828(дата обращения: 09.03.2019).
26. Мерков А. Б. Распознавание образов. Построение и обучение вероятностных моделей [Текст] / А. Б. Мерков. — Москва: Ленанд, 2014. — 240 с.
27. Методы построения деревьев решений в задачах классификации в Data Mining [Электронный ресурс]. — Режим доступа: https://ami.nstu.ru/ ~vms/lecture/data_mining/trees.htm (дата обращения: 03.04.2019).
28. Метрики в задачах машинного обучения [Электронный ресурс]. — Режим доступа: https://habr.com/company/ods/blog/328372/(дата обращения: 08.03.2019).
29. Мюллер А. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными [Текст] / А. Мюллер, С. Гвидо. — пер. Груздев А. — Москва: Альфа-книга, 2017. — 480 с.
30. Нестеров С. А. Основы информационной безопасности [Электронный ресурс]. — Режим доступа: https://e.lanbook.com/book/90153(дата обращения: 04.03.2019).
31. Основные принципы подготовки презентаций [Электронный ресурс]. — Режим доступа: https://studme.org/50391/menedzhment/osno-vnye _printsipy_podgotovki_prezentatsiy (дата обращения: 22.02.2018).
32. Простыми словами: как работает машинное обучение [Электронный ресурс]. — Режим доступа: https://www.kaspersky.ru/blog/machine-learning- explained/13605/(дата обращения: 14.03.2019).
33. Советы по изучению машинного обучения [Электронный ресурс]. — Режим доступа: https://www.youtube.com/watch7vMiDmp-O2Yok(да¬та обращения: 12.03.2019).
34. Тархов Д. А. Нейросетевые модели и алгоритмы [Текст] / Д. А. Тархов. — Москва: Радиотехника, 2014. — 352 с.
35. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных [Текст] / П. Флах. — пер. с англ. Слинкина А. А. — Москва: ДМКПресс, 2015. — 400 с.
36. Hastie Т. The Elements of Statistical Learning: Data Mining, Inference, and Prediction [Text] / T. Hastie, R. Tibshirani, J. Friedman. — Springer, 2003. — 552 p.
37. SVM регрессия [Электронный ресурс]. — Режим доступа: http://www.machinelearning.ru/wiki/index.php?title=SVM_%D1%80%D0%B5%D0 %B3%D1%80%D0%B5%D1%81%D1%81%D0%B8%D1%8F_%28%D0%BF%D 1%80%D0%B8%D0%BC%D0%B5%D1%80%29 (дата обращения: 08.03.2019).

Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ
.