up

Машинное обучение в электроэнергетике

19 December 2021 - 27 March 2022 г.
Start In 19 days

The course starts on 12/19/2021

  • Russian

    course language

  • 12 weeks

    course duration

  • от 5 до 7 часов в неделю

    needed to educate

  • 3 credit points

    for credit at your university

About

Целью изучения данной дисциплины является формирование целостного представления о построении интеллектуальных систем и применении методов машинного обучения в области решения прикладных задач электроэнергетики. Курс предполагает проведение теоретических и экспериментальных исследований в области машинного обучения и проектирования прикладных интеллектуальных систем, а также приобретение навыков представления, обработки и анализа данных в MathWorks MATLAB. Курс содержит описание лучших практик интеграции машинного обучения в современном топливно-энергетическом комплексе. Одной из важных составляющих курса являются практические задания – отраслевые кейсы, обеспечивающие необходимые знания и навыки в области анализа данных и машинного обучения для решения реальных прикладных задач. Курс охватывает широкую целевую аудиторию. Специалисты топливно-энергетического смогут получить необходимые цифровые компетенции, а специалисты в области информационных технологий получат детальное представление об области применения машинного обучения для решения задач топливно-энергетического комплекса.

Format

Еженедельные занятия будут включать просмотр тематических видео-лекций, изучение текстовых материалов, выполнение учебных, контрольных, лабораторных и многовариантных тестовых заданий.

При завершении работы с курсом Вам будет предложен итоговый контроль по всему содержанию курса.

Course program

Раздел 1. Введение в машинное обучение. Цифровизация электроэнергетики
Тема 1.1. Цифровая трансформация энергетики. Большие данные и их особенности
Тема 1.2. Интеллектуальные системы
Тема 1.3. Основные понятия и особенности применения методов машинного обучения
Тема 1.4. Математические основы машинного обучения
Тема 1.5. Теория вероятности как основа методов машинного обучения
Тема 1.6. Данные: предварительная обработка и визуализация

Раздел 2. Виды машинного обучения. Формирование выборок и определение метрик
Тема 2.1. Особенности формирования выборок: обучающей, тестовой, валидационной. Метрики для анализа качества работы алгоритмов
Тема 2.2. Нечеткая логика. Основные понятия и особенности применения нечеткой логики в задачах электроэнергетики

Раздел 3. Обучение с учителем. Области применения в задачах электроэнергетики
Тема 3.1. Обучение с учителем. Основные алгоритмы в задачах классификации и регрессии
Тема 3.2. Примеры решения задач классификации в электроэнергетике
Тема 3.3. Обучение с учителем. Ансамблевые алгоритмы
Тема 3.4. Примеры решения задач регрессии в электроэнергетике
Тема 3.5. Примеры использования регрессионных деревьев решений в задачах электроэнергетики

Раздел 4. Обучение без учителя. Области применения в задачах электроэнергетики
Тема 4.1. Обучение без учителя. Основные алгоритмы в задачах кластеризации, метод k-средних
Тема 4.2. Обучение без учителя в задачах кластеризации. Алгоритм DBSCAN
Тема 4.3. Применение методов кластеризации для решения задач топливно-энергетического комплекса

Раздел 5. Нейронные сети. Области применения в задачах электроэнергетики
Тема 5.1. Искусственные нейронные сети, принципы функционирования, виды
Тема 5.2. Практические примеры использования искусственных нейронных сетей для решения задач электроэнергетики

Раздел 6. Генетические алгоритмы. Области применения в задачах электроэнергетики
Тема 6.1. Генетические алгоритмы, принципы функционирования
Тема 6.2. Роевые алгоритмы
Тема 6.3. Практические примеры применения генетических и роевых алгоритмов для решения задач электроэнергетики

Education results

  • Умение обрабатывать массивы статистических данных с помощью алгоритмов машинного обучения для решения различных электроэнергетичсеких задач, анализировать, интерпретировать, оценивать полученные результаты и обосновывать выводы.
  • Умение работать со специализированным программным обеспечением для решения электроэнергетических задач.

Formed competencies

  • Способность применять алгоритмы машинного обучения и знать их основные особенности для решения различных задач в области электроэнергетики.
  • Способность корректно работать со специализированным программным обеспечением для обработки и анализа данных в различных задачах электроэнергетики.

Education directions

Similar courses