Засоби штучного інтелекту у вебтехнологіях

Анотація навчальної дисципліни

Мета дисципліни: дисципліна спрямована на отримання теоретичних знань та практичних навичок з використання систем штучного інтелекту у веб-технологіях, веб-дизайні, аналізі даних.
Задачі дисципліни: набуття компетенцій, знань, умінь та навиків із застосування засобів штучного інтелекту у веб-технологіях, веб-дизайні, аналізі даних.

Спрямованість навчальної дисципліни: навчальну дисципліну рекомендовано для вивчення здобувачами першого (бакалаврського) рівня вищої освіти, які навчаються за освітніми програмами: «Інтелектуальний аналіз даних» (2024, 2025).

Тематика та види навчальних занять

Для денної форми здобуття освіти

Лекційні заняття
Лекція 1. Розвиток систем штучного інтелекту.
Лекція 2. Різновиди систем та методів штучного інтелекту
Лекція 3. Нейромережі
Лекція 4. Генеративний штучний інтелект 
Лекція 5. Системи підтримки прийняття рішень 
Лекція 6. Рекомендаційні системи
Лекція 7. Обробка природної мови
Лекція 8. Розпізнавання та синтез мовлення
Лекція 9. Генерація зображень за допомогою ШІ
Лекція 10. Розпізнавання зображень 
Лекція 11. Підготовка навчального датасету 
Лекція 12. Генетичні алгоритми
Лекція 13. Штучний інтелект та аналіз даних
Лекція 14. Штучний інтелект та законодавство
Лекція 15. Штучний інтелект, етика та академічна доброчесність

Лабораторні заняття
Лабораторне заняття 1. Інструктаж з ТБ. Штучний інтелект та генерація зображень
Мета заняття: ознайомити студентів з основами штучного інтелекту в контексті генерації зображень, ознайомити з інструментами ШІ для створення зображень.
Лабораторне заняття 2. Штучний інтелект та генерація аудіоконтенту
Мета заняття: ознайомитися з  техніками генерації аудіоконтенту за допомогою ШІ
Лабораторне заняття 3. Штучний інтелект та генерація відеоконтенту
Мета заняття: освоїти основні методи генерації відеоконтенту за допомогою ШІ
Лабораторне заняття 4. ЗШІ обробки мови
Мета заняття: ознайомитися з використанням бібліотеки GENSIM для завантаження попередньо навчених моделей Word2Vec і пошуку подібних слів у векторному просторі.
Лабораторне заняття 5. Використання teachablemachine
Мета заняття: ознайомитися з Teachable Machine від Google який дозволяє створювати моделі машинного навчання без написання коду.
Лабораторне заняття 6. Використання orangedatamining
Мета заняття: ознайомитися з можливостями застосування ШІ orangedatamining.
Лабораторне заняття 7. Створення контенту за допомогою систем ШІ. 
Мета заняття: практично застосовувати знання, набуті під час попередніх занять, для створення різноманітного контенту за допомогою систем штучного інтелекту.

Для заочної форми здобуття освіти

Лекційні заняття
Лекція № 1. «Використання штучного інтелекту для генерації контенту». 
Лекція № 2. «Використання штучного інтелекту в аналізі даних».

Лабораторні заняття
Лабораторне заняття № 1. «Використання штучного інтелекту для генерації контенту». 
Мета заняття: ознайомитися з можливостями застосування штучного інтелекту для генерації контенту
Лабораторне заняття № 2. «Використання штучного інтелекту в аналізі даних».
Мета заняття: ознайомитися з можливостями застосування штучного інтелекту в управлінні проєктами та аналізі даних
Консультації здійснюються впродовж семестру згідно встановленого розкладу.

 Індивідуальна робота

Для денної форми здобуття освіти
Не передбачена.

Для заочної форми здобуття освіти
Завдання для виконання контрольної роботи здобувач отримує на установчій лекції.
Робота містить 2 теоретичних питання.
Обсяг відповіді на кожне теоретичне питання: не менше, ніж 5 сторінок машинописного тексту. Текст відповіді повинен бути виконаний самостійно, а не скопійованим з навчального посібника.
Теоретичне питання № 1. «Використання штучного інтелекту для генерації контенту». 
Теоретичне питання № 2. «Використання штучного інтелекту в аналізі даних та управлінні проектами». Термін надання виконаної контрольної роботи на перевірку – не пізніше, ніж за місяць до початку сесії.

 Форми контрольних заходів та оцінювання результатів навчання

Для денної форми здобуття освіти
Система оцінювання рівня навчальних досягнень ґрунтується на принципах ЄКТС та є накопичувальною. Дисципліна поділяється на два семестрові модулі. Здобувачі протягом семестру готуються до лекційних та лабораторних занять, виконують 2 модульні контрольні роботи.
Модульні контрольні роботи № 1 та № 2 виконуються у письмовій формі. Модульна робота складається з теоретичної (3 задачі) та практичної (2 задачі) частин. Правильне розв’язання задач оцінюється в 4 балів. Максимальна сума балів за  МКР № 1 та № 2 – по 20 балів.
ЛР1. Оцінка за виконання – 10 балів. Термін надання – 3 тиждень.
ЛР2. Оцінка за виконання – 10 балів. Термін надання – 5тиждень
ЛР3. Оцінка за виконання – 10 балів. Термін надання – 7 тиждень.
ЛР4. Оцінка за виконання – 10 балів. Термін надання – 9 тиждень.
ЛР5. Оцінка за виконання – 10 балів. Термін надання – 11тиждень
ЛР6. Оцінка за виконання – 5 балів. Термін надання – 14 тиждень.
ЛР7. Оцінка за виконання – 5 балів. Термін надання – 14 тиждень.
Максимальна оцінка за повний обсяг виконаних навчальних елементів дисципліни – 100 балів. Підсумковий контроль – залік. 

Для заочної форми здобуття освіти
Виконання контрольної роботи оцінюється у 50 балів максимально. Виконання лабораторних робіт оцінюється у 25 балів (50 балів загалом за 2 лабораторних роботи). Підсумковий контроль – залік. 

 Політика освітнього процесу

Здобувач зобов’язаний своєчасно та якісно виконувати всі отримані завдання; за необхідністю з метою з’ясування всіх не зрозумілих під час самостійної та індивідуальної роботи питань, відвідувати консультації викладача. Дотримуватись принципів академічної доброчесності. Виконаний не свій варіант завдання здобувачем не оцінюється.
Робота, яка виконана після встановлених викладачем термінів, не приймається. Відсутність здобувача на заліку або на контрольній роботі відповідає оцінці «0». Складання/перескладаннязалку – за встановленим деканатом розкладом. Під час лекції здійснювати телефонні дзвінки забороняється. Під час розв’язання задач на МКР та екзамені дозволяється користуватися програмними середовищами для генерації контенту.