Шаблон презентации итоговой работы - Специалист по работе с системами ИИ

1.

Итоговая аттестационная работа
по программе профессиональной переподготовки:
«Специалист по работе с системами искусственного
интеллекта»
Период обучения:
Автор: Ф.И.О.
Москва, 2025

2. Задание итоговой практической работы

1. Выберите подходящий датасет (например, из открытых источников, таких как Kaggle или UCI Machine Learning
Repository).
2. Выполните предварительный анализ и обработку данных.
3. Решите задачу одним из предложенных вариантов (слайд 3 или 4).
2

3. Вариант 1: Классификация / Регрессия (ML и Deep Learning)

Этапы выполнения:
1.
Загрузка и первичный анализ данных
• Загрузите датасет, кратко опишите его содержимое (число признаков, количество наблюдений).
• Проверьте наличие пропусков и дубликатов, выполните необходимую очистку данных.
2.
Предобработка данных
• Проведите нормализацию и стандартизацию признаков, если необходимо.
• Выполните кодирование категориальных признаков (One-Hot Encoding, Label Encoding).
3.
Моделирование и подбор параметров (ML)
• Выберите как минимум две традиционные ML-модели (например, Random Forest, XGBoost, Logistic Regression).
• Используя GridSearchCV или RandomizedSearchCV, выполните перебор гиперпараметров.
4.
Моделирование и подбор параметров (Deep Learning)
• Постройте простую нейронную сеть (например, полносвязную или рекуррентную).
• Выполните подбор параметров сети (число слоев, нейронов, learning rate, batch size).
5.
Сравнение и оценка качества моделей
• Сравните результаты ML и DL моделей по выбранным метрикам (accuracy, precision, recall, F1 для классификации или
RMSE, MAE для регрессии).
• Определите наилучшую модель.
Отчёт должен содержать:
1. Подробное описание каждого этапа.
2. Код с комментариями.
3. Таблицу сравнения метрик.
4. Выводы и рекомендации по итогам эксперимента.
3

4. Вариант 2: Кластеризация (K-means, DBSCAN, Агломеративная кластеризация)

Этапы выполнения:
1.
Загрузка и первичный анализ данных
• Загрузите и опишите датасет.
• Проверьте данные на наличие пропусков, дубликатов, и выполните очистку.
2.
Предобработка данных
• Выполните нормализацию или стандартизацию признаков.
3.
Кластеризация данных
• Выполните кластеризацию с использованием K-means, DBSCAN и агломеративной кластеризации.
• Для K-means используйте метод локтя (Elbow method) или силуэтный коэффициент (Silhouette score), чтобы определить
оптимальное количество кластеров K.
• Проанализируйте результаты DBSCAN и агломеративной кластеризации, выберите подходящие параметры (eps и
min_samples для DBSCAN).
4.
Сравнение результатов кластеризации
• Визуализируйте и сравните полученные кластеры.
• Опишите выявленные различия и схожести между подходами
Отчёт должен содержать:
1. Полное описание процесса кластеризации.
2. Графики для определения оптимального K.
3. Код с комментариями.
4. Сравнительную таблицу по результатам различных методов кластеризации.
5. Итоговые выводы и интерпретацию полученных кластеров.
4

5.

Благодарю за внимание!
Автор: Ф.И.О