 | Кафедра інформаційно-комунікаційних технологій та систем |
[TS-21] Інтелектуальна обробка інформації в глобальних системах
Робоча програма навчальної дисципліни (Силабус)
Реквізити навчальної дисципліни
| Рівень вищої освіти | Третій (освітньо-науковий) |
| Галузь знань | - |
| Спеціальність | |
| Освітня програма | Всі ОП |
| Статус дисципліни | Вибіркова (Ф-каталог) |
| Форма здобуття вищої освіти | Очна |
| Рік підготовки, семестр | Доступно для вибору починаючи з 1-го курсу, весняний семестр |
| Обсяг дисципліни | 5 кред. (Лекц. 36 год, Практ. 36 год, Лаб. год, СРС. год ) |
| Семестровий контроль/контрольні заходи | Екзамен |
| Розклад занять | https://rozklad.kpi.ua |
| Мова викладання | Українська |
| Інформація про керівника курсу / викладачів | Лекц.: Новогрудська Р. Л., Практ.: Новогрудська Р. Л., |
| Розміщення курсу | https://classroom.google.com/u/2/c/NjAzMDEwOTk0MTgy |
Програма навчальної дисципліни
1. Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання
1.1. Опис навчальної дисципліни
Дисципліна присвячена опису підходів до аналізу даних, знань та інформації які зберігаються та циркулюють у сучасних інфокомунікаційних системах, а також висвітленню основних методів та алгоритмів вирішення задач інтелектуальної обробки інформації в таких системах. Дисципліна надає практичні навички у використанні програмних засобів, які забезпечують таку обробку. Матеріал, що викладається, зібрано таким чином, щоб висвітлити концепції і продемонструвати особливості обробки інформації з використаням основних моделями представлення знань: логічної, продукційної, сематичної, фреймової, моделей на основі нечіткої логіки та нейронних мереж. Дисципліна розглядає також і методи та інструментарій аналізу інформаційних ресурсів в середовищі Intranet. Дисципліна націлена на освоєння студентами навичок роботи із сучасним програмним забезпеченням інтелектуальної обробки інформаційних ресурсів та представлення знань.
1.2. Мета навчальної дисципліни
Метою курсу є формування знань, вмінь і навичок, необхідних для розуміння теорій, моделей та методів формалізації знань, інтелектуального аналізу та обробки інформації.
1.3. Предмет вивчення дисципліни
Предмет навчальної дисципліни – формальні теорії, що застосовуються для представлення знань, інтелектуального аналізу та обробки інформації.
1.4. Результати навчання
Завданнями вивчення навчальної дисципліни є:
- оволодіння принципами пошуку, збору, систематизації (класифікації) мережевих інформаційних ресурсів засобами інтелектуальної обробки інформації з метою їх подальшої аналітичної обробки;
- оволодіння навичками практичної реалізації власних проектів за допомогою сучасних інформаційних засобів, технологій та програмного забезпечення інтелектуальної обробки інформації в телекомунікаційному середовищі;
- отримання основних навичок роботи з програмним забезпеченням, що реалізує семантико-лінгвістичний аналіз природномовних текстів та побудову на основі його результатів трансдисциплінарних баз знань для подальшої роботи із тематично та просторово розподіленими інформаційними ресурсами та системами, інтегрованими в середовищі інформаційно-аналітичної системи.
У результаті вивчення даної навчальної дисципліни студент повинен:
знати:
- алгоритми і механізми інтелектуальної обробки інформації, сучасні інформаційні технологій та програмне забезпечення представлення знань засобами моделей представлення знань та моделей на основі нечіткої логіки та нейронних мереж;
- теоретичні основи створення та використання баз знань в розподіленому інформаційно-телекомунікаційному середовищі.
вміти:
- розробляти та експлуатувати програмне забезпечення, яке реалізує розподілену обробку інформації засобами сучасних технологій на основі інтелектуальних алгоритмів;
- працювати з інструментарієм аналітичної обробки інформації, який є у вільному доступі в Internet;
- працювати з програмним забезпеченням, що реалізує онтологічні моделі представлення знань;
- розробляти та працювати із базами знань та інструментарієм аналітичної обробки інформації.
2. Пререквізити та постреквізити дисципліни (місце в структурно-логічній схемі навчання за відповідною освітньою програмою)
...
|
Перелік дисциплін або знань та умінь, |
Перелік дисциплін, |
|
Дисципліна вивчається базуючись на знаннях таких дисциплін:
|
BigData та методи їх обробки |
3. Зміст навчальної дисципліни
Розділ 1. Загальні поняття інтелектуальної обробки інформації
Тема 1. Вступ до інтелектуальної обробки інформації. Об’єкти процесу інтелектуальної обробки інформації. Дані, інформація, знання. Data Mining, Data Extraction, Data Science. Майбутнє Big Data.
Розділ 2. Теоретичні основи аналізу та представлення мережевих інформаційних ресурсів.
Тема 2. Технології інтерактивного використання інформаційних ресурсів. Технології представлення мережевої інформації, рекомендовані W3C. Інформаційний пошук. Основні напрямки досліджень в області штучного інтелекту.
Тема 3. Засоби обробки та аналізу інформації. Обробка зображень. Обробка природномовних текстів.
Тема 4. Моделі представлення знань. Основні види моделей представлення знань, їх переваги та недоліки. Семантична мережа. Нейронні мережі. Онтології.
Розділ 3. Технологія реалізації трансдисциплінарних баз знань.
Тема 5. Робота з трансдисциплінарними базами знань. Бази знань. Трансдисциплінарність. Інтероперабельність. Реалізація трансдисциплінарних баз знань.
Тема 6. Ергономіка трансдисциплінарної бази знань. Поняття ергономіки трансдисциплінарної бази знань. Критерії оптимізації баз знань. Оптимізації структури та змісту онтології.
Тема 7. Комп’ютерна лінгвістика. Базові поняття комп’ютерної лінгвістики. Обробка природомовного тексту. Семантичний аналіз. Перевірка правопису. Словники та депозитарії. Машинний переклад.
4. Навчальні матеріали та ресурси
4.1. Базова література
1. Електронний конспект лекцій «Інтелектуальна обробка інформації в глобальних системах».
2. Інформаційно-навчальні ресурси. Капсули знань : колективна монографія / за ред. С. О. Довгого, О. Є. Стрижака; НАН України [та ін.]. – Київ : Інститут обдарованої дитини НАПН України, 2019. – 162 с. ISBN 978-617-7734-19-1
3. Інтелектуальні інформаційні системи: навч. посіб. / С.В. Шаров, Д.В. Лубко, В.В. Осадчий. – Мелітополь: Вид-во МДПУ ім. Б. Хмельницького, 2015. – 144 с.
4. Інтелектуальні інформаційні системи: конспект лекцій / В. М. Коцовський. – Ужгород: ДВНЗ "Ужгородський національний університет", 2019. – 73 c.
5. Трансдисциплінарна інтелектуальна інформаційно-аналітична система супроводження процесів реабілітації при пандемії: колект.монографія / Палагін О.В., Величко В.Ю., Стрижак О.Є. [та ін.]; за ред. Палагіна О.В. // Ін-т кібернетики ім. В.М. Глушкова НАН України, Нац. фонд дослідж. України. – Київ: Просвіта, 2021. – 348 с. DOI1054521/ibs34
4.2. Додаткова література
1. Stephens-Davidowitz Seth. Everybody Lies: Big Data, New Data, and What the Internet Can Tell Us About Who We Really Are. 2017. 338 р. ISBN: 0062390856
2. The Relentless Growth of Big Data and the Challenge to APM and Developers. Pepperdata. 2019. URL: https://www.pepperdata.com/blog/the-relentless-growth-of-big-data-and-the-challenge-to-apm-and-developers/
3. Berners-Lee T., Hendler J., Lassila O. The Semantic Web. Scientific American. 2001. P. 29-37.
4. Gruber T. R. A translation approach to portable ontologies. Knowledge Acquisition. 1993. №5(2). P. 199–220
5. Andreas Kaplan; Michael Haenlein (2019) Siri, Siri in my Hand, who’s the Fairest in the Land? On the Interpretations, Illustrations and Implications of Artificial Intelligence, Business Horizons, 62(1)
Навчальний контент
5. Методика опанування навчальної дисципліни (освітнього компонента)
5.1 Лекційні заняття – 36 годин
Тема 1. Вступ до інтелектуальної обробки інформації.
Лекція 1. Об’єкти процесу інтелектуальної обробки інформації. Дані, інформація, знання. Data Mining, Data Extraction, Data Science. Майбутнє Big Data.
Тема 2. Технології інтерактивного використання інформаційних ресурсів.
Лекція 2. Технології представлення мережевої інформації, рекомендовані W3C. Систематизація контенту. Засоби навігації для користувачів.
Лекція 3. Інформаційний пошук. Пошукові системивань. Моделі інформаційного пошуку. Види пошуку в корпоративних пошукових системах.
Лекція 4. Основні напрямки досліджень в області штучного інтелекту. Основні підходи до розробки штучного інтелекту. Підходи до побудови систем штучного інтелекту.
Лекція 5. Напрями розвитку штучного інтелекту. Області застосування штучного інтелекту. Зв’язок штучного інтелекту з іншими науками.
Тема 3. Засоби обробки та аналізу інформації.
Лекція 6. Обробка зображень. Методи обробки цифрових зображень. Засоби обробки цифрових зображень.
Лекція 7. Обробка природномовних текстів. Методи обробки тексту. Застосування обробки тексту. Обробка природномовних текстів. Методи обробки природномовного тексту. Застосування обробки природномовного тексту.
Тема 4. Моделі представлення знань.
Лекція 8. Основні види моделі представлення знань. Харатері особливості МПЗ, їх переваи та недоліки. Логічна МПЗ. Фреймова МПЗ. Мережева МПЗ. Продукціна МПЗ.
Лекція 9. Алгебраїчний підхід до представлення знань. Логічний підхід до представлення знань.
Лекція 10. Семантична мережа. Компоненти семантичних мереж. Види семантичних мереж. Побудова та використання семантичних мереж.
Лекція 11. Нейронні мережі. Основи штучних нейронних мереж. Математична модель нейрона. Види штучних нейронних мереж. Застосування нейронних мереж. Навчання штучних нейронних мереж. Персептрон.
Лекція 12. Онтологічні моделі. Елементи онтологій. Етапи розробки онтологій. Компоненти онтологічної моделі. Підходи до формалізації онтологічної моделі. Класифікація онтологій.
Лекція 13. Розробка онтологій. Онтологічні моделі знань різного рівня. Онтології предметної області. Середовища розроки онтологій. Мови опису онтологій.
Тема 5. Робота з трансдисциплінарними базами знань.
Лекція 14. Поняття бази знань. Трансдисциплінарність. Структурні характеристики трансдисциплінарності. Принципи проєктування трансдисциплінарного дослідження. Проблеми реалізації трансдисциплінарних баз знань. Інтероперабельність.
Лекція 15. Реалізація трансдисциплінарних баз знань. Багаторівненва онтологія як базис трансдисциплінарної бази знань. Реалізація онтологічної трансдисциплінарної бази знань.
Тема 6. Ергономіка трансдисциплінарної бази знань.
Лекція 16. Поняття ергономіки трансдисциплінарної бази знань. Критерії оптимізації баз знань. Оптимізації структури та змісту онтології.
Тема 7. Комп’ютерна лінгвістика.
Лекція 17. Базові поняття комп’ютерної лінгвістики. Семантичний аналіз. Перевірка правопису. Словники та депозитарії. Машинний переклад.
Лекція 18. Модульна контрольна робота.
5.2 Практичні заняття – 36 годин
Тема 1. Вступ до інтелектуальної обробки інформації.
Практичне заняття 1. Об’єкти процесу інтелектуальної обробки інформації. Дані, інформація, знання. Data Mining, Data Extraction, Data Science. Майбутнє Big Data.
Тема 4. Моделі представлення знань.
Практичне заняття 2. Побудова логічної моделі представлення знань.
Практичне заняття 3. Побудова фреймової моделі представлення знань.
Практичне заняття 4. Побудова продукційної моделі представлення знань.
Практичне заняття 5. Побудова мережевої моделі представлення знань.
Практичне заняття 6. Семантична мережа.
Практичне заняття 7. Нейронні мережі.
Практичне заняття 8. Проектування онтологічної моделі. Аналіз предметної області.
Практичне заняття 9. Проектування онтологічної моделі. Виділення компонент загальної онтології.
Практичне заняття 10. Проектування онтологічної моделі. Виділення та опис елементів онтології (класи, атрибути, відношення, обмеження, дані).
Практичне заняття 11. Проектування онтологічної моделі. Побудова дерева онтології предметної області.
Практичне заняття 12. Розробка онтології у відповідному програмному середовищі.
Практичне заняття 13. Проміжна контрольна робота.
Тема 5. Робота з трансдисциплінарними базами знань.
Практичне заняття 14. Концепт- та контент-аналіз природномовних текстів за допомогою TextTermin КІТ ПОЛІЕДР.
Практичне заняття 15. Використання MS Excel для формування таксономічної структури бази знань.
Практичне заняття 16. Створення та редагування бази знань в ЕДИТОР КІТ ПОЛІЕДР.
Практичне заняття 17. Збереження бази знань в ЕДИТОР КІТ ПОЛІЕДР. Різні рівні представлення бази знань в ЕДИТОР КІТ ПОЛІЕДР.
Практичне заняття 18. Створення трансдисциплінарної бази знань.
6. Самостійна робота студента
Самостійна робота є важливою складовою вивчення дисципліни та спрямована на вивчення основних понять дисципліни «Інтелектуальна обробка інформації в глобальних системах».
Самостійна робота включає:
- підготовку до аудиторних занять;
- пошук (підбір) і вивчення літератури та електронних джерел інформації за заданою проблемою дисципліни;
- самостійну роботу за окремими темами навчальної дисципліни;
- домашнє завдання, що передбачає вивчення тих чи інших розділів дисципліни;
- підготовка до заліку.
Види самостійної роботи:
- самостійна робота студента з викладачем включає в себе індивідуальні консультації протягом семестру та складання контрольних заходів;
- самостійна робота студента в складі групи включає в себе консультації перед заліком;
- самостійна робота студента без викладача, в контексті виконання самостійних домашних завдань.
Під час самостійного вивчення теоретичного курсу студентам необхідно:
- самостійно вивчати теми теоретичного курсу відповідно до програми дисципліни;
- проробити та підготувати відповіді на запитання, що наведені після кожної теми.
Самостійну роботу виконують студенту на підставі навчально-методичних матеріалів дисципліни. Самостійна робота студента оцінюється викладачем за результатами:
- опитувань:
- виконання самостійних завдань;
- виконання практичних занять;
- відповідей під час проведення іспиту.
Політика та контроль
7. Політика навчальної дисципліни (освітнього компонента)
Розподіл навчального часу за видами занять і завдань з дисципліни згідно з робочим навчальним планом.
|
Семестр |
Всього годин |
Розподіл годин за видами занять |
Семестрова атестація |
||||||
|
Лекції |
Практичні |
Семінарські |
Лабораторні роботи |
Кількість МКР |
СРС |
||||
|
Всього |
|
||||||||
|
2 |
150 |
36 |
36 |
– |
– |
1 |
78 |
|
іспит |
Рейтинг студента складається з балів за:
- роботу (розв’язок задач та відповіді на запитання) на практичному завданні;
- проміжну контрольну роботу;
- модульну контрольну роботу.
Система рейтингових (вагових) балів та критерії оцінювання
1. Практичні роботи
Ваговий бал – 5:
– бал за повну відповідь на запитання – 4…5;
– бал за часткову відповідь на запитання – 1...3;
– бал за невірну відповідь або відмову відповідати – 0.
Загальна кількість практичних занять за семестр – 18. Кожен студент має можливість відповісти максимум на 9 пратичних заняттях
Максимальна кількість балів: 5 ´ 9 = 45.
2. Проміжна контрольна робота
Ваговий бал – 5:
– бал за повну відповідь на три тестові запитання – 5;
– бал за правильну відповідь на два запитання, а на одне – часткову – 4;
– бал за правильну відповідь на два запитання , а на одне – неправильну – 3;
– бал за правильну відповідь на одне запитання, а на два – часткову –2;
– бал за правильну відповідь на одне запитання, а на два – неправильну – 1;
– бал за відсутність відповіді чи за неправильну відповідь на всі запитання – 0;
Максимальна кількість балів: 5.
4. Модульна контрольна робота
Ваговий бал – 10:
– бал за повний правильний розв’язок двох завдань – 10;
– бал за повний правильний розв’язок одного завдання, а одного – частковий – 7;
– бал за повний правильний розв’язок одного завдання, а одного – неправильний – 5;
– бал частковий розв’язок обох завдань –3;
– бал за відсутність відповіді чи за неправильний розв’язок обох завдань – 0;
Максимальна кількість балів: 10.
5. Критерії екзаменаційного оцінювання
1. Повні відповіді на теоретичні запитання та вірний розв’язок
задачі – 40;
2. Повні відповіді на теоретичні запитання, задача розв’язана
невірно – 35;
3. Часткові відповіді на теоретичні запитання при розв’язаній задачі – 25;
4. Відсутня відповідь на одне з теоретичних питань – 10;
5. Відсутні відповіді – 0.
Заохочувальні бали:
– за участь у факультетській олімпіаді з дисципліни, модернізації лабораторних робіт, виконання завдань із удосконалення дидактичних матеріалів з дисципліни надається + 5 ... + 10 (заохочувальних) балів.
Розрахунок шкали рейтингу:
– сума максимальних балів контрольних заходів складає:
RС = 45 + 5 + 10 = 60 балів;
– екзаменаційна складова шкали дорівнює:
RЕ = 40 бал;
– шкала рейтингу
R = RС + RЕ = 60 + 40 = 100 балів;
Мінімальний стартовий рейтинг
rС = 50%∙ RС = 34,5 бал
Рейтингова оцінка (RD) формується як сума балів поточної успішності навчання , заохочувальних (штрафних) балів та екзаменаційних балів
Для знаходження відповідних оцінок студента застосовують таблицю переведення рейтингової оцінки RD в шкалу ECTS та традиційну.
|
RD |
Оцінка ECTS |
Традиційна |
|
RD>=0,95R |
А – відмінно |
відмінно |
|
0,85R=<RD< 0,95R |
В – дуже добре |
добре |
|
0,75R=<RD< 0,85R |
С – добре |
|
|
0,65R=<RD< 0,75R |
D – задовільно |
задовільно
|
|
0,6R=<RD< 0,65R |
Е – достатньо задовільно |
|
|
RD < 0,6R |
Fx – незадовільно |
незадовільно |
|
rС <= 48 або не виконані інші умови допуску до екзамену |
F – незадовільно (потрібна додаткова робота) |
не допущений |
Умовою допуску студента до іспиту є:
– відсутність заборгованості з Л.Р.;
– початковий рейтинг rС > 34,5 балів;
– хоча б одна позитивна атестація.
На іспит повинні з’являтися всі студенти. Екзаменатор оцінює відповідь студента згідно з критеріями оцінювання. Після оцінювання відповіді студента на екзамені викладач записує відповідне значення rЕ , підраховує загальний результат ( RD = rС + rЕ ) та проставляє його рейтинг студента за семестр. Далі отриманий загальний результат екзаменатор переводить в оцінку ECTS і традиційну оцінку (відповідно до таблиці переведення), вносить їх в екзаменаційну відомість. Якщо студент не з’явився на екзамен – ставиться “не з’явився”.
Тим студента, які набрали стартовий рейтинг не менше ніж 0,9 від максимально можливого ( rС >0,9RC =87) екзаменатор може запропонувати без додаткового опитування виставити оцінку “Добре” (“В” або “С” за системою ECTS). Це є винятком. Цей варіант має бути обумовлений у кафедральному “Положенні про рейтингову систему оцінки успішності студентів з дисципліни”.
8. Види контролю та рейтингова система оцінювання результатів навчання (РСО)
Поточний контроль: опитування за темою заняття, МКР
Календарний контроль: провадиться двічі на семестр як моніторинг поточного стану виконання вимог силабусу.
Семестровий контроль: екзамен
Умови допуску до семестрового контролю: семестровий рейтинг більше 60 балів.
Таблиця відповідності рейтингових балів оцінкам за університетською шкалою
| Кількість балів | Оцінка |
|---|---|
| 100-95 | Відмінно |
| 94-85 | Дуже добре |
| 84-75 | Добре |
| 74-65 | Задовільно |
| 64-60 | Достатньо |
| Менше 60 | Незадовільно |
| Не виконані умови допуску | Не допущено |
9. Додаткова інформація з дисципліни (освітнього компонента)
...Опис матеріально-технічного та інформаційного забезпечення дисципліни
Робочу програму навчальної дисципліни (силабус):
Складено
Новогрудська Р. Л.;
Ухвалено кафедрою ІКТС (протокол № №9 від 19.05.2022 )
Погоджено методичною комісією факультету/ННІ (протокол № ______ від ______)