Технологии искусственного интеллекта
Покупка
Новинка
Тематика:
Общенаучное знание и теории
Издательство:
Поволжский государственный технологический университет
Авторы:
Абдулаев Вячеслав Ибрагимович, Бородин Андрей Викторович, Еклашева Ольга Витальевна, Порядина Ольга Викторовна, Швецов Андрей Владимирович
Под общ. ред.:
Мещихина Елена Дмитриевна
Год издания: 2026
Кол-во страниц: 86
Дополнительно
Вид издания:
Учебное пособие
Уровень образования:
ВО - Магистратура
ISBN: 978-5-8158-2447-8
Артикул: 893408.01.99
Рассмотрены основные понятия, подходы и методы разработки и при-менения систем с искусственным интеллектом. Кратко представлен материал по дисциплинам «Нейросетевые технологии в бизнес-аналитике», «Машинное обучение», «Системы искусственного интеллекта в бизнес-аналитике», «Технологии и инструментальные средства анализа больших данных», «Проектирование интеллектуальных информационных систем», «Системы логического программирования». Для студентов направления подготовки 09.04.03 «Прикладная информатика».
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов
ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Учебное пособие Йошкар-Ола 2026
УДК 004.8 (075.8) ББК 32.813я73 Т 38 Авторы: В. И. Абдулаев, А. В. Бородин, О. В. Еклашева, О. В. Порядина, А. В. Швецов Рецензенты: профессор кафедры прикладной статистики и цифровых технологий Марийского государственного университета, доктор экономических наук А. В. Бурков; директор ООО «Юнисистемс», кандидат экономических наук, доцент А. С. Царегородцев Печатается по решению редакционно-издательского совета ПГТУ Технологии искусственного интеллекта: учебное пособие / В. И. Абдулаев и др.; под общ. ред. Е. Д. Мещихиной. – ЙошкарОла: Поволжский государственный технологический университет, 2026. – 86 с. ISBN 978-5-8158-2447-8 Рассмотрены основные понятия, подходы и методы разработки и применения систем с искусственным интеллектом. Кратко представлен материал по дисциплинам «Нейросетевые технологии в бизнес-аналитике», «Машинное обучение», «Системы искусственного интеллекта в бизнесаналитике», «Технологии и инструментальные средства анализа больших данных», «Проектирование интеллектуальных информационных систем», «Системы логического программирования». Для студентов направления подготовки 09.04.03 «Прикладная информатика». УДК 004.8 (075.8) ББК 32.813я73 ISBN 978-5-8158-2447-8 © В. И. Абдулаев, А. В. Бородин, О. В. Еклашева, О. В. Порядина, А. В. Швецов, 2026 © Поволжский государственный технологический университет, 2026 Т 38
ВВЕДЕНИЕ Технологии искусственного интеллекта все более активно используются в различных сферах жизнедеятельности, начиная от простейших исследований и заканчивая вопросами прогнозирования, обработкой большого количества данных, управления рисками, оптимизации процессов, распознавания и анализа изображений и видео и т.д. В связи с этим изучение подходов и методов разработки и применения систем с искусственным интеллектом весьма актуально. Предлагаемое вниманию читателей учебное пособие посвящено актуальной проблеме современного мира – искусственному интеллекту (ИИ), который играет довольно серьезную роль в выполнении множества процессов. Важность ИИ заключается в его способности повышать эффективность, производительность и генерировать инновации в самых разных отраслях, что ведет к ускорению экономического роста и улучшению качества жизни. В настоящем издании представлены основные технологии искусственного интеллекта, такие как машинное обучение, нейросетевые технологии, технологии и инструментальные средства анализа больших данных. Дополнительно рассмотрены особенности проектирования интеллектуальных информационных систем и системы логического программирования. Сегодня все говорят о том, что технологии искусственного интеллекта значительно преобразуют бизнес-аналитику, расширяя возможности больших организаций и облегчая доступ к аналитическим данным для малых и средних предприятий (СМП). Действительно, большие организации и компании в состоянии иметь аналитические отделы, укомплектованные хорошо подготовленными и высокооплачиваемыми специалистами. Если такие специалисты, используя ИИ, снизят затраты всего на 1–2 %, то, учитывая многомиллионные обороты компании, они не только окупят свою зарплату, но и внесут значимый вклад в инвестиционный фонд компании. У СМП обороты много меньше и, чтобы оправдать высокую зарплату, его бизнес-аналитикам нужно добиваться в разы большей эффективности, чем в большом бизнесе. Получаем парадокс: чем меньше бизнес, тем выше требования к знаниям и умениям работающих в нем аналитиков. Этот парадокс работает как насос, перекачивающий аналитиков СМП, достигающих высоких профессиональных результатов, в большие бизнесы и оставляющий малые бизнесы без хороших аналитиков. Но так будет только в условиях дефицита высококлассных бизнес-аналитиков.
Если же их будет больше, чем нужно большому бизнесу, то и СМП достанется какая-то часть. Поэтому в конце 2010-х годов начался пересмотр учебных планов специальностей бакалавриата и магистратуры в российских университетах с целью значительного увеличения учебных дисциплин, изучающих разработку и применение систем с искусственным интеллектом, а также для роста числа выпускников с соответствующими знаниями и навыками. Данное пособие является следствием этой образовательной политики. В нем рассматриваются основные понятия и методы учебных курсов по шести дисциплинам: М.1.2.1 – Нейросетевые технологии в бизнес-аналитике; М.1.2.2 – Машинное обучение; М.1.2.3 – Системы искусственного интеллекта в бизнес-аналитике; М.1.2.4 – Технологии и инструментальные средства анализа больших данных; М.1.2.5 – Проектирование интеллектуальных информационных систем; М.1.2.6 – Системы логического программирования. Учебное пособие «Технологии искусственного интеллекта» может использоваться обучающимися не только при изучении дисциплин, связанных с искусственным интеллектом, но и при подготовке выпускной квалификационной работы студентами направления «Прикладная информатика».
СПИСОК ОСНОВНЫХ СОКРАЩЕНИЙ CNN (Convolutional Neural Networks) – сверточные нейросети ETL-процессы (Extract, Transform, Load) GDPR – общий регламент по защите данных KNN (k-nearest neighbors) – метод ближайших соседей LLM – большие языковые модели LSTM (Long Short-Term Memory) – долгая кратковременная память MLP – многослойные перцептроны MSE – среднеквадратическая ошибка NLP – обработка естественного языка PCA – метод главных компонент RAG (Retrieval Augmented Generation) – технология «генерации с дополненным извлечением» RL (reinforcement learning) – обучение с подкреплением RNN (Recurrent Neural Networks) – рекуррентные нейросети SVM (Support Vector Machines) – метод опорных векторов БА – бизнес-аналитика ВБД (VDB – vector database) – векторная база данных ВО – виртуальное окружение ГПУ – графический процессор ИИ – искусственный интеллект ИС – информационная система ОС – операционная система СМП – малые и средние предприятия ЯЛП – язык логического программирования
1. НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ В БИЗНЕС-АНАЛИТИКЕ Учебный курс «Нейросетевые технологии в бизнес-аналитике» призван познакомить студентов с основами нейросетевых технологий и их применением в бизнес-аналитике. Он включает необходимый теоретический материал, практические задания по каждой теме и кейс-стадии, что поможет студентам не только получить общее представление о фундаментальных концепциях развития нейросетевых технологий и бизнес-аналитики, но и даст возможность освоить методы анализа и интерпретации данных, а также научиться применять нейросети для эффективного решения реальных бизнес-задач. 1.1. Введение в бизнес-аналитику и нейросетевые технологии В этом разделе студенты познакомятся с основами бизнес-аналитики, ролью данных в принятии решений, а также принципами работы нейросетей. Основные темы: ✓ Определение бизнес-аналитики. ✓ История развития нейросетевых технологий. ✓ Основные понятия и терминология. На начальном этапе курса студенты получат общее представление о бизнес-аналитике и нейросетевых технологиях, их значении и взаимосвязи. Этот раздел служит основой для дальнейшего изучения более сложных тем в области данных и машинного обучения. Определение бизнес-аналитики Бизнес-аналитика (БА) — это процесс контроля, анализа и интерпретации данных с целью принятия обоснованных решений в бизнесе. Важным аспектом бизнес-аналитики является использование данных для оптимизации процессов, повышения эффективности, уменьшения затрат и улучшения качества обслуживания клиентов. Студенты узнают о различных методах БА, включая описательную, предсказательную и предписывающую аналитики. Описательная аналитика отвечает на вопрос «Что произошло?» и предоставляет сводки, отчеты и визуализации для анализа прошедших событий. Предсказательная аналитика стремится прогнозировать будущие события («Что может произойти?») на основе имеющихся данных, а предписывающая аналитика, отвечая на вопрос «Что делать?»,
предлагает рекомендации по оптимизации решений и действий. Студенты смогут понять, как эти методы используются для создания моделей, которые помогают в стратегическом планировании и управлении бизнесом. История развития нейросетевых технологий История нейросетевых технологий уходит своими корнями в середину XX века, когда исследователи начали разрабатывать модели, имитирующие работу человеческого мозга. Студенты познакомятся с основными этапами развития нейросетей, начиная с ловкости перцептрона, первой искусственной нейронной сети, разработанной Фрэнком Розенблаттом в 1958 году, и заканчивая современными глубокими нейросетями, которые стали основой для многих современных приложений. Важно обсудить ключевые достижения и прорывы в области нейросетей, такие как создание алгоритма обратного распространения (backpropagation), который позволил эффективно обучать многослойные сети. Студенты также изучат, как с ростом вычислительных мощностей и объемов данных техника глубокого обучения начала активно развиваться и находить применение в различных областях, таких как обработка естественного языка, компьютерное зрение, медицина и финансовые технологии. Основные понятия и терминология В этом разделе студенты ознакомятся с основными терминами и концепциями, которые являются фундаментальными для дальнейшего изучения как бизнес-аналитики, так и нейросетевых технологий. Это включает в себя понимание таких важнейших понятий: - Д а н н ы е Важность данных как базового элемента любого анализа. Студенты узнают о различных типах данных — структурированных и неструктурированных — и об их роли в бизнес-аналитике. - М о д е л и Что такое модели данных и как они используются для представления реальных процессов и взаимосвязей? Обсуждаются различия между статистическими моделями и моделями машинного обучения. - А л г о р и т м ы Основные алгоритмы, используемые в нейросетях, такие как градиентный спуск и различные функции активации, включая сигмоидальную, ReLU и другие. - О б у ч е н и е Изучение понятий, связанных с обучением нейросетей, включая обучение с учителем, обучение без учителя и обучение с подкреплением,
даст студентам представление о различных подходах к обучению моделей. Завершает раздел обзор того, как нейросетевые технологии могут дополнительно усилить методы бизнес-аналитики, предоставляя мощные инструменты для анализа больших объемов данных и извлечения из них полезной информации. Студенты изучат примеры успешного применения нейросетей в бизнесе, такие как анализ клиентских данных, автоматизация процессов и создание интеллектуальных рекомендационных систем. Таким образом, первый раздел курса будет основополагающим для понимания более сложных концепций и применения нейросетей в бизнес-аналитике. Студенты приобретут ключевые знания, которые станут основой для их дальнейшего обучения и практической работы в этой области. ПРАКТИЧЕСКОЕ ЗАДАНИЕ Создайте краткий обзор современных трендов в бизнес-аналитике, включая примеры нейросетей, используемых в различных отраслях. 1.2. Основы и архитектуры нейросетей Данный раздел охватывает различные типы нейросетей, их структуры и принципы работы, включая многослойные перцептроны, сверточные и рекуррентные сети. Основные темы: ✓ Базовые архитектуры нейросетей. ✓ Процесс обучения нейросетей: обучение с учителем и без учителя. ✓ Переобучение и регуляризация. Основы и архитектуры нейросетей представляют собой ключевой элемент обучения, посвящённый различным типам нейросетей, их структурам и принципам работы. Данное исследование позволит студентам понять, как работают нейросети и как они применяются в реальных задачах. Базовые архитектуры нейросетей Нейросети являются мощным инструментом в области машинного обучения и искусственного интеллекта, и их архитектура играет критическую роль в том, как они обрабатывают данные. Студенты ознакомятся с несколькими основными архитектурами нейросетей, включая: - многослойные перцептроны (MLP). Это одна из самых простых форм нейросетей, состоящая из входного слоя, одного или нескольких
скрытых слоёв и выходного слоя. Каждый нейрон в одном слое связан со всеми нейронами в следующем, что позволяет сети принимать и обрабатывать сложные данные. Многослойный перцептрон обучается с помощью алгоритма обратного распространения ошибки, который минимизирует функцию потерь; - сверточные нейросети (CNN). Эти сети специально разработаны для обработки данных с решетчатой структурой, например, изображений. CNN используют свёрточные слои, которые применяют фильтры к входным данным, выявляя при этом высокоуровневые признаки. Это делает CNN особенно эффективными для задач компьютерного зрения, таких как классификация изображений и распознавание объектов; - рекуррентные нейросети (RNN). Эти сети предназначены для работы с последовательными данными, такими как текст или временные ряды. Каждый нейрон в RNN имеет связи с самим собой или предыдущими нейронами, что позволяет передавать информацию на протяжении последовательности. RNN находят применение в таких задачах, как обработка естественного языка и прогнозирование временных рядов. Важным развитием RNN стали сети с долгой кратковременной памятью (LSTM) и сети с механизмом внимания, которые улучшают возможность захвата долгосрочных зависимостей в данных. Процесс обучения нейросетей: обучение с учителем и без учителя Обучение нейросетей можно разбить на два основных типа: обучение с учителем и обучение без учителя. Обучение с учителем происходит тогда, когда сеть обучается на размеченных данных, где каждому входному примеру соответствует соответствующий выходной результат. Сеть получает пары «вход-выход», и во время обучения она минимизирует ошибку, корректируя свои веса таким образом, чтобы уменьшить разницу между предсказанным и истинным значениями. Этот подход широко используется в задачах классификации и регрессии. Обучение без учителя, с другой стороны, не требует размеченных данных. Вместо этого алгоритмы, такие как кластеризация или снижение размерности, пытаются выявить скрытые структуры или закономерности в неподходящих выборках данных. Алгоритмы, такие как K-средние или главные компонентные анализы, направлены на нахождение группы объектов с похожими характеристиками или на уменьшение количества признаков при сохранении значимого контента. Наличие разных методов обучения позволяет гибко подбирать подходящие модели в зависимости от доступных данных и поставленных задач.