Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Технологии искусственного интеллекта

Покупка
Новинка
Артикул: 893408.01.99
Доступ онлайн
300 ₽
В корзину
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».
Технологии искусственного интеллекта : учебное пособие / В. И. Абдулаев, А. В. Бородин, О. В. Еклашева [и др.] ; под общ. ред. Е. Д. Мещихиной. – Йошкар-Ола : Поволжский государственный технологический университет, 2026. - 86 с. – ISBN 978-5-8158-2447-8. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2279494 (дата обращения: 18.11.2026). – Режим доступа: по подписке.
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. 


Доступ онлайн
300 ₽
В корзину