Структура за темами

  • Мета, завдання, система знань і умінь, компетентності

    Мета: Навчити студентів сучасним методам оптимізації технологічних процесів за допомогою штучного інтелекту (ШІ), забезпечити розуміння принципів та практичного застосування інструментів машинного навчання та ШІ в промисловості.

    Завдання: є теоретична підготовка студентів із питань:

    – вивчення теоретичних основ ШІ, аналізу основних алгоритмів машинного навчання та їх застосування у виробничих процесах;

    – вивчення методів збору даних з технологічних процесів, використання інструментів для підготовки та очищення даних;

    – оцінка якості моделей за допомогою метрик, валідація моделей на нових даних та адаптація моделей до змінних умов;

    – розробка методів для інтеграції моделей у реальні виробничі системи, вивчення впливу моделей на ефективність та продуктивність технологічних процесів;

    – вивчення практичних випадків успішного застосування ШІ в оптимізації технологічних процесів, аналіз випадків застосування.

    Система знань і умінь після вивчення навчальної дисципліни:

    знати:

    – поняття, принципи та основні алгоритми ШІ, види машинного навчання;

    – основні концепції та техніки оптимізації, включаючи градієнтний спуск, еволюційні алгоритми та інші методи;

    – застосування оптимізаційних методів до технологічних процесів;

    – методи збору даних з різних джерел, техніки попередньої обробки даних;

    – методи аналізу даних, моделювання, прогнозування, оцінки та валідації моделей;

    – методи впровадження моделей у реальні технологічні процеси та оцінка їх ефективності у виробничих умовах;

    – етичні питання, пов’язані з використанням ШІ, правові аспекти зберігання та обробки даних, конфіденційність та захист даних;

    вміти:

    – застосовувати основні методи ШІ для вирішення задач оптимізації технологічних процесів;

    – використовувати інструменти машинного навчання та нейронні мережі для аналізу та оптимізації виробничих даних;

    – розробляти та впроваджувати генетичні алгоритми та інші методи оптимізації;

    – оцінювати ефективність використання ШІ у конкретних промислових сценаріях.

    Навчальна дисципліна має на меті сформувати та розвинути наступні компетентності студентів, необхідні для подальшої професійної діяльності:

    Загальні компетентності:

    ЗК2. Здатність використовувати інформаційні та комунікаційні технології;

    ЗК5. Здатність спілкуватися з представниками інших професійних груп різного рівня (з експертами з інших галузей знань/видів економічної діяльності);

    ЗК6. Здатність вчитися і оволодівати сучасними знаннями.

    Спеціальні (фахові) компетентності:

    ФК1. Здатність застосовувати відповідні методи і ресурси сучасної інженерії для знаходження оптимальних рішень широкого кола інженерних задач із застосуванням сучасних підходів, методів прогнозування, інформаційних технологій та з урахуванням наявних обмежень за умов неповної інформації та суперечливих вимог.

    Програмні результати навчання:

    РН1 Застосовувати спеціалізовані концептуальні знання новітніх методів та методик проєктування, аналізу і дослідження конструкцій, машин та/або процесів в галузі машинобудування та суміжних галузях знань;

    РН2 Розробляти і ставити на виробництво нові види продукції, зокрема виконувати дослідно-конструкторські роботи та/або розробляти технологічне забезпечення процесу їх виготовлення;

    РН4 Використовувати сучасні методи оптимізації параметрів технічних систем засобами системного аналізу, математичного та комп’ютерного моделювання, зокрема за умов неповної та суперечливої інформації;

    РН6 Розробляти, виконувати та оцінювати інноваційні проекти з урахуванням інженерних, правових, екологічних, економічних та соціальних аспектів;

    РН8 Оволодівати сучасними знаннями, технологіями, інструментами і методами, зокрема через самостійне опрацювання фахової літератури, участь у науково-технічних та освітніх заходах;

    РН10 Вести пошук необхідної інформацію в науково-технічній літературі, електронних базах та інших джерелах, засвоювати, оцінювати та аналізувати цю інформацію.


  • Змістовий модуль 1 Введення в ШІ та оптимізацію, машинне навчання

    • Тема 1 Основи штучного інтелекту


      Історія та еволюція штучного інтелекту від перших концепцій Алана Тюрінга до сучасних технологій. Дослідження ключових етапів розвитку ШІ, включаючи появу алгоритмів, нейронних мереж та машинного навчання. Огляд основних понять і термінів, таких як глибоке навчання, обробка природної мови та інші фундаментальні концепції, що лежать в основі сучасних досягнень у галузі ШІ.

    • Тема 2 Вступ до оптимізації


      Розгляд різних типів задач оптимізації, зокрема лінійну, нелінійну, цілочисельну та комбінаторну оптимізацію. Дослідження основних методів та алгоритми, що використовуються для розв'язання цих задач, включаючи градієнтний спуск, симплекс-метод, генетичні алгоритми та методи динамічного програмування. Теоретичний аспект та практичні застосування цих методів у різних галузях, таких як економіка, інженерія та ШІ.

    • Тема 3 Машинне навчання


      Базові концепції машинного навчання, включаючи два основні типи задач: класифікацію та регресію. Класифікація передбачає віднесення об'єктів до певних категорій, тоді як регресія використовується для прогнозування безперервних значень. Розгляд основних алгоритмів машинного навчання, таких як лінійна та логістична регресія, дерева рішень, метод опорних векторів і нейронні мережі.

    • Тема 4 Застосування машинного навчання в оптимізації


      Використання машинного навчання для оптимізації процесів у виробництві. Приклади застосування алгоритмів машинного навчання для підвищення ефективності, зменшення витрат і поліпшення якості продукції. Зокрема, розгляд таких кейсів, як прогнозування попиту на запасні частини, виявлення дефектів на виробничій лінії та прогнозування терміну служби обладнання. Обговорення практичних аспектів впровадження машинного навчання у виробничі процеси, з акцентом на реальні проекти та досягнуті результати.


    • Змістовий модуль 2 Сучасні методи оптимізації та практичне застосування ШІ в промисловості

      • Тема 5 Нейронні мережі


        Огляд фундаментальних принципів нейронних мереж, починаючи з їхньої базової архітектури, включаючи шари, нейрони та функції активації. Аналіз різних типів архітектур нейронних мереж, такі як багатошарові перцептрони, згорткові та рекурентні нейронні мережі. Процес навчання нейронних мереж, який включає етапи прямого проходження, зворотного поширення помилки та оптимізації ваг за допомогою алгоритмів, таких як градієнтний спуск. Основні методи для поліпшення продуктивності та ефективності нейронних мереж, таких як регуляризація, нормалізація та використання адаптивних оптимізаторів.

      • Тема 6 Глибинне навчання


        Розгляд двох основних типів нейронних мереж: конволюційних (CNN) та рекурентних (RNN). Розгляд архітектури та принципу роботи CNN, які широко використовуються для обробки зображень та відео, а також RNN, які застосовуються для роботи з послідовними даними, такими як текст і часоряди. Практичні приклади застосування глибинного навчання у технологічних процесах, таких як автоматизований контроль якості на виробництві, прогнозування технічного обслуговування обладнання та оптимізація виробничих ліній. Сучасні підходи до навчання та вдосконалення цих мереж для досягнення високої продуктивності та точності.

      • Тема 7 Генетичні алгоритми


        Розгляд генетичних алгоритмів, методів оптимізації, що імітують природний процес еволюції. Вивчення принципів роботи генетичних алгоритмів, включаючи такі етапи, як ініціалізація популяції, відбір, кросовер та мутація. Будуть представлені приклади застосування генетичних алгоритмів у різних задачах оптимізації. Використання генетичних алгоритмів у виробничих процесах, таких як оптимізація планування виробництва, мінімізація витрат на логістику та поліпшення дизайну продуктів. Обговорення переваг та обмежень генетичних алгоритмів у порівнянні з іншими методами оптимізації.

      • Тема 8 Інші сучасні методи оптимізації


        Розгляд сучасних методів оптимізації, таких як алгоритм рою частинок (PSO) та стадне навчання. Вивчення принципів роботи алгоритму рою частинок, який базується на колективній поведінці, та його застосування для розв'язання різних оптимізаційних задач. Розгляд стадного навчання, що імітує поведінку груп для пошуку оптимальних рішень. Приклади використання цих методів у виробничих процесах, таких як оптимізація маршруту для логістики, налаштування параметрів виробничих систем та підвищення ефективності енергоспоживання. Обговорення переваг та обмежень кожного методу, а також порівняння з традиційними алгоритмами оптимізації.

      • Тема 9 Приклади успішного використання ШІ у виробництві


        Приклади успішного використання ШІ у виробництві через аналіз кейс-стаді з різних галузей. Огляд конкретних випадків впровадження ШІ, такі як автоматизація виробничих процесів, прогнозування технічного обслуговування обладнання, та поліпшення контролю якості продукції. Аналіз результатів цих впроваджень, включаючи досягнуті покращення в ефективності, зниженні витрат та підвищенні якості продукції. Обговорення факторів, які сприяли успішності реалізації ШІ-рішень у виробничих процесах.

      • Теми практичних занять

        • Практичне заняття № 1 Створення простої моделі машинного навчання для класифікації

          Мета: Ознайомити студентів з основними поняттями машинного навчання, навчити створювати та налаштовувати прості моделі машинного навчання для задач класифікації, використовуючи популярні алгоритми машинного навчання, такі як логістична регресія та метод опорних векторів (SVM).

        • Практичне заняття № 2 Створення моделі регресії для прогнозування

          Мета: ознайомлення з основними етапами побудови регресійної моделі, зокрема з підготовкою даних, вибором відповідного алгоритму регресії, навчанням моделі, оцінкою її точності та використанням моделі для прогнозування.

        • Практичне заняття № 3 Розробка та навчання простої нейронної мережі

          Мета: навчитися створенню простих нейронних мереж, налаштуванні архітектури мережі та виборі активаційних функцій. Продемонструвати, як нейронні мережі можуть бути використані для вирішення реальних завдань у сфері машинного навчання та штучного інтелекту.

        • Практичне заняття № 4 Оптимізація процесу обробки деталей

          Мета: навчитися застосовувати методи оптимізації для покращення технологічних процесів на машинобудівних підприємствах шляхом аналізу та вдосконалення параметрів обробки, зменшення витрат ресурсів і підвищення продуктивності. Ознайомитися з основними підходами до оптимізації, використовуючи конкретні приклади та моделі.

        • Рекомендована література

          Базова

          1. Russell S., Norvig P. Artificial Intelligence: A Modern Approach (Third Edit) [Електронний ресурс] / Russell S., Norvig P. // New Jersey: Prentice Hall, 2010, 1115 р. – Режим доступу до ресурсу: https://people.engr.tamu.edu/guni/csce421/files/AI_Russell_Norvig.pdf.

          2. Andreas C. Müller. Introduction to Machine Learning with Python A Guide for Data Scientists [Електронний ресурс] / Andreas C. Müller, Sarah Guido // O’Reilly Media. – 2017. – Режим доступу до ресурсу: https://www.nrigroupindia.com/e-book/.

          3. Christopher M. Bishop . Pattern Recognition and Machine Learning. [Електронний ресурс] Springer New York, 2006. – Режим доступу до ресурсу: https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf.

          4. Fawcett, Tom & Provost, Foster. (2013). Data Science for Business. [Електронний ресурс] – Режим доступу до ресурсу: https://www.researchgate.net/publication/256438799_Data_Science_for_Business.

          5. Journal of Machine Learning Research (JMLR) [Електронний ресурс] – Режим доступу до ресурсу: https://www.jmlr.org.

          6. Субботін С. О. Нейронні мережі : теорія та практика: навч. посіб. / С. О. Субботін. – Житомир : Вид. О. О. Євенок, 2020. – 184 с. [Електронний ресурс] – Режим доступу до ресурсу: https://eir.zp.edu.ua/server/api/core/bitstreams/2abb401b-9ee6-4afc-a92a-2de5c332d12f/content.

          7. Костюченко А.О. Основи програмування мовою Python: навчальний посібник. Ч.: ФОП Баликіна С.М., 2020. 180 с. [Електронний ресурс] – Режим доступу до ресурсу: http://stepanivka-school1.edukit.sumy.ua/Files/downloads/Book-Python.pdf.

          Допоміжна

          7. Hassani H., Silva E.S., Unger S., TajMazinani M., Mac Feely S. (2020). Artificial Intelligence (AI) or Intelligence Augmentation (IA): What Is the Future? AI, 1, pp. 143–155.

          8. Jordan M. I., Mitchell T. M. (2015). Machine learning: trends, perspectives, and prospects. Science, Vol. 349, No. 6245, pp. 255–260.

          9. Chang C.-W., Lee H.-W., Liu C.-H. (2018). A Review of Artificial Intelligence Algorithms Used for Smart Machine Tools. Inventions, 3, 41

          10. Kulynych, V., Arhat, R., Shlyk, S., Symonova, A., & Drahobetskyi, V. (2024). Analysis of modern methods for optimizing technological processes in machine-building production using artificial intelligence. Сучасні технології в машинобудуванні та транспорті, 1(22), 31-37. doi: 10.36910/automash.v1i22.1342.

          Інтернет-ресурси:

          11. Доступ до статей з електротехніки та комп'ютерних наук / [Електронний ресурс]. – Режим доступу: https://ieeexplore.ieee.org/Xplore/home.jsp.

          12. Репозиторій препринтів статей з комп'ютерних наук та ШІ / [Електронний ресурс]. – Режим доступу: https://arxiv.org.

          13. Форум MachineLearning для обговорення тем з машинного навчання та ШI / [Електронний ресурс]. – Режим доступу: https://www.reddit.com/r/MachineLearning/?rdt=45163.

          14. Дистанційна освіта КрНУ ім. М. Остроградського / [Електронний ресурс]. – Режим доступу: http://krnu.org/.