Машинное обучение в энергетике

О курсе

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.

Длительность курса: 12 недель

Количество часов в неделю: 5–7 часов

Количество зачетных единиц: 3 з.е.

Целевая аудитория

Студенты, магистранты и аспиранты, обучающиеся по направлениям, связанным с топливно-энергетическим комплексом, а также специалисты, работающие на предприятиях топливно-энергетического комплекса.

Рекомендуемые входные требования к обучающемуся

Знать основы производства, передачи и потребления электрической энергии.

Формируемые компетенции

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

Результаты обучения

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

Программа курса

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 различных электроэнергетических задач.

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.

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.

Направления подготовки

• 01.04.04 Прикладная математика
• 13.04.02 Электроэнергетика и электротехника
• 13.04.02 Электроэнергетика и электротехника
• 13.04.03 Энергетическое машиностроение
• 09.04.03 Прикладная информатика