| Раздел 1. Основы машинного обучения и исследование структуры образовательных данных | Понятия искусственного интеллекта, машинного обучения, модели, признака и целевой переменной. Типы задач: регрессия, классификация и кластеризация. Этапы ML-проекта. Математические основы: векторы, матрицы, производная, вероятность и случайная величина в объёме, необходимом для понимания алгоритмов. Подготовка данных, масштабирование и кодирование признаков. Разделение данных на обучающую, валидационную и тестовую выборки. Утечка данных. Базовые модели и критерии сравнения. Обучение без учителя. Метод k-средних. Выбор числа кластеров. Иерархическая кластеризация. Основы метода главных компонент. Интерпретация кластеров без автоматического присвоения обучающимся оценочных или психологических характеристик. Организация воспроизводимого эксперимента и журналирование результатов.
Лабораторная работа 1. Исследование и кластеризация сессий учебной активности. Подготовка обезличенных данных о сессиях чтения и работе с цифровыми учебными материалами; выбор признаков; масштабирование; применение метода k-средних и альтернативного метода кластеризации; визуализация структуры данных; оценка устойчивости кластеров; содержательное описание выявленных моделей активности; фиксация параметров и результатов эксперимента. | 22 | 2 | 10 | 10 |
| Раздел 2. Регрессионные и классификационные модели | Постановка задачи обучения с учителем. Линейная регрессия. Функция потерь. Метод наименьших квадратов. Градиентный спуск и стохастический градиентный спуск. Регуляризация. Метрики MAE, MSE, RMSE и коэффициент детерминации. Логистическая регрессия. Вероятность принадлежности классу и порог классификации. Метод ближайших соседей. Выбор расстояния и числа соседей. Масштабирование признаков. Матрица ошибок. Accuracy, precision, recall, F1 и ROC-AUC. Дисбаланс классов. Кросс-валидация. Подбор гиперпараметров. Переобучение, недообучение и компромисс смещения–дисперсии. Выбор метрики с учётом последствий ошибочного решения в образовательной задаче.
Лабораторная работа 2. Прогнозирование и классификация учебных результатов. Построение модели регрессии для оценки количественного образовательного показателя и моделей классификации для выявления риска невыполнения учебного задания. Сравнение линейной и логистической регрессии с методом ближайших соседей; создание конвейера предварительной обработки; кросс-валидация; настройка гиперпараметров; анализ ошибок и влияния порога классификации. Результат модели рассматривается как информационный сигнал для преподавателя, а не как автоматическое педагогическое решение. | 26 | 2 | 12 | 12 |
| Раздел 3. Классические и нейросетевые методы классификации образовательных данных | Вероятностные модели классификации. Формула Байеса. Наивный байесовский классификатор. Сглаживание. Представление текста: мешок слов, частоты терминов и TF-IDF. Классификация сообщений, открытых ответов и учебных материалов. Деревья решений. Критерии разбиения, глубина дерева и обрезка. Переобучение деревьев. Случайный лес и градиентный бустинг. Оценка важности признаков. Основы нейронных сетей. Персептрон, многослойная сеть, функции активации, функция потерь и обратное распространение ошибки. Настройка числа слоёв и нейронов. Ранняя остановка. Сравнение интерпретируемых и более сложных моделей. Требования к объяснимости результатов в образовательной предметной области.
Лабораторная работа 3. Сравнение моделей классификации текстовых образовательных данных. Формирование корпуса обезличенных сообщений LMS, ответов обучающихся или описаний учебных материалов; подготовка TF-IDF-признаков; обучение наивного байесовского классификатора, дерева решений, ансамблевой модели и базовой нейронной сети; сравнение метрик и времени обучения; анализ типичных ошибок; оценка важности или вклада признаков; подготовка обоснованного заключения о выборе модели. | 26 | 0 | 12 | 14 |
| Раздел 4. Современные технологии искусственного интеллекта и разработка образовательного ИИ-приложения | Переход от классического машинного обучения к генеративному ИИ. Общая архитектура языковой модели. Токены, контекст и вероятностная генерация. Ограничения больших языковых моделей. Проектирование инструкций. Системная и пользовательская инструкции. Примеры в запросе. Структурированный вывод. Эмбеддинги и семантическое сходство. Концепция RAG. Использование готовой базы знаний без проектирования инфраструктуры векторного хранения. Инструменты и функции языковой модели. Основы ИИ-агента: цель, состояние, инструменты, последовательность действий и контроль выполнения. Возможности подключения контролируемого SQL-инструмента или поиска по учебным материалам. Человек в контуре принятия решения. Формирование набора проверочных примеров. Оценка полноты, корректности, обоснованности и безопасности ответа. Недостоверные ответы, prompt injection, раскрытие персональных данных и неконтролируемые действия. Журналирование запросов, ответов, параметров и результатов проверки. Карточка модели и описание границ применения.
Лабораторная работа 4. Разработка и тестирование ИИ-ассистента для образовательной задачи. Создание прототипа ассистента для классификации учебных обращений, поиска по методическим материалам, анализа ответа обучающегося либо подготовки проекта обратной связи. Разработка системной инструкции и структурированной схемы результата; подключение предоставленного корпуса материалов или ограниченного инструмента; формирование тестового набора; проверка фактической корректности, устойчивости и безопасности ответов; журналирование результатов и описание ограничений.
Лабораторная работа 5. Итоговый проект «Модель машинного обучения или ИИ-сервис для образования». Разработка законченного прототипа на обезличенных образовательных данных. Проект включает постановку задачи, базовый алгоритм, подготовку признаков, обучение и сравнение моделей, выбор метрик, анализ ошибок, воспроизводимый программный код и пользовательский сценарий. Для проектов на основе генеративного ИИ обязательны тестовый набор, проверка обоснованности ответов, ограничение инструментов и экспертная валидация. | 34 | 0 | 14 | 20 |