У статті зібрано відгуки про вибіркові дисципліни катедри ШІ на 4 курс. Зазначимо, що ця інформація базується на суб'єктивних думках студентів, які вже вивчали ці предмети, і наведена лише з ознайомлювальною метою.

Хочемо звернути увагу:

Вказані відповіді викладачів — викладач або викладачка вперше викладатиме дану дисципліну, тому ми звернулися до нього / неї з проханням розповісти про плани.

Стаття містить статистику 2022-2023 років — відповідей цьогорічного опитування було недостатньо, додана інформація з попередніх статей.

Висловлюємо щиру подяку студентам, які взяли участь у зборі відгуків, та викладачам, що відповіли на наші запитання!

7 семестр

Освітній компонент 9

Генеративні моделі в штучному інтелекті (Синєглазов В.М.)

(Відповідь викладача.)

Що радите додатково вивчити чи особливо передивитися перед відвідуванням Вашої дисципліни?

• «Необхідно знати основні поняття про штучні нейронні мережі, зокрема згорткові нейронні мережі. Додатково доцільно прочитати, що таке віртуальна реальність».

Кому радите цей предмет?

• «Тим, хто збирається працювати за своїм фахом».

Які види роботи плануєте проводити?

• «Лекції й лабораторні».

Які основні знання та навички можна набути після проходження курсу?

• «Уміння створювати навчальні вибірки при навчанні згорткових нейронних мереж, налаштування систем віртуальної та доповненої реальності».

Розкажіть про свій практичний досвід, пов'язаний з темою дисципліни.

• «Штучним інтелектом займаюсь більш як 15 років, маю близько 300 наукових робіт у галузі ШІ. Маю посаду наукового керівника аспірантів та докторантів, керівником проєктів зі штучного інтелекту».

Комп'ютерна інформаційна безпека (Коваленко А.Є.)

(Дивіться Ф-каталог.)

Аналіз фінансово-економічних даних (Кузнецова Н.В.)

Про що предмет, що вивчалося?

• «Підготовка даних, мережі Байєса, дерева рішень».

Які попередні знання необхідні?

• «Для роботи над проєктом — базові знання Python (обробка даних, побудова різного роду моделей машинного навчання), у всіх інших випадках — особливо жодних».

Розкажи про актуальність отриманих знань.

• «Досить актуальна дисципліна, яку можна вважати вступом до аналізу даних, викладачка на прикладах пояснює весь лекційний матеріал, показує сферу використання і дає практичні завдання з цих тем».

Розкажи про РСО.

• «РСО побудовано таким чином, що можна набрати необхідний бал для заліку багатьма способами й не обов'язково здавати всі перелічені далі завдання для отримання «відмінно»: 3 курси на теми машинного навчання, мереж Байєса і регресії; командний проєкт (± 3 людини); домашні завдання (розрахунок прибутку від депозиту, дерева рішень), а також бали за активність на парах».

Які загальні враження від дисципліни?

• «Мені дисципліна сподобалася, вона не вимагає багато сил і часу для закриття, викладач намагається зрозуміло донести матеріал, взаємодіє зі студентами для пояснення прикладів, розв'язання задач і роботи над помилками. Дуже лояльно ставиться в разі виникнення проблем. Якщо людина зацікавлена в аналізі даних, то цей предмет може принести користь».

Освітній компонент 10

Основи комп’ютерного зору (Шаповал Н.В.)

(Викладач не надав відповідей, тому дивіться Ф-каталог.)

Аналіз часових рядів (Гуськова В.Г.)

Про що предмет, що вивчалося?

• «Власне, часові ряди: теорія, типи, їх аналіз та прогнозування у Eviews, Python чи інших мовах програмування».

Які попередні знання необхідні?

• «Теорія ймовірностей і лінал. Зі специфічного: трохи статистики та випадкових процесів».

Розкажи про актуальність отриманих знань.

• «Знання актуальні для прогнозування різноманітних процесів».

• «Корисно для тих, хто планує займатися машинним навчанням».

Розкажи про РСО.

• «У семестрі 4 лабораторних (20 балів) + фінальний тест (20 балів). Залік — автоматом за бажанням (сума балів за семестр)».

Які загальні враження від дисципліни?

• «Дуже класні викладачі: і лекторка, і практик. Щодо дисципліни, то кожен вирішує її цікавість, але зайвою, напевне, не буде, оскільки потім на інших предметах можна зустріти теми з АЧР».

Конфліктно-керовані системи (Канцедал Г.О.)

Про що предмет, що вивчалося?

• «Вивчали ML / DS / нейронки. Можна було поставити викладачеві запитання, але здебільшого отримували необхідні знання на онлайн-курсах. Я бачив конспект старших курсів із цього предмету — незрозуміла математика та програмування… Загалом, підхід Канцедала, можливо, виправданий».

• «ML, Reinforcement learning, Python».

Які попередні знання необхідні?

• «Жодних».

• «Бажано знати Python».

Розкажи про актуальність отриманих знань.

• «Хто хотів навчитися новому — навчився. У цілому, отримані знання не завадять».

Розкажи про РСО.

• «Курси з МЛ / ДС — по 30 балів, замість одного з них можна пройти курс на Python. Також до цього додається від 5 до 10 балів на рандом. Альтернативно можна зробити проєкт: прогнозування часу купівлі-продажу акцій чи криптовалют. Треба власноруч розмітити вибірку й обрати модель для роботи. Теоретично, це мало працювати так: уся команда (до 4 людей) отримує однаковий бал, від 40 до 100, залежно від «прибутку», який їх модель «принесе» на тестовому наборі, порівняного з іншими командами. Фактично, майже всі здали курси, а команди між собою не порівнювалися».

Які загальні враження від дисципліни?

• «Все ок, от тільки викладач майже не виконує свою роботу. Можна вигадати багато речей, які він міг би розповісти тут, але «він не хоче бути говорячою головою»... У порівнянні з альтернативами, дисципліна, напевне, оптимальна, але не впевнений, чи достатньо корисна сама по собі».

• «Дисципліна супер! Пари не проводилися, було запропоновано зробити проєкт або просто здати кілька сертифікатів на вибрані теми. Усім сподобалося».

• «Дуже лайтовий предмет. Курси можна було вибирати самому, головне, щоб вони були по ML / DL або Python. Якщо тобі це цікаво і / або хочеш без проблем закрити предмет — рекомендую».

Освітній компонент 11

Функціональні можливості штучного інтелекту (Гуськова В.Г.)

Містить статистику з 2022-2023 років.

(Відповідь викладача).

Що порадите додатково вивчити чи особливо передивитися перед відвідуванням Вашої дисципліни?

• «Особливих технічних вимог перед дисципліною немає. Будемо розглядати основні можливості ШІ, де та як вони можуть застосовуватись і як ми це можемо використовувати в наших роботах».

Кому порадите цей предмет?

• «Я раджу цей предмет обирати студентам з інтересом до розвитку технологій та бажанням розуміти, як працює штучний інтелект і як він впливає на сучасний світ та загалом на індустрії».

Які види роботи плануєте проводити?

• «Планується проведення практичних лабораторних робіт (2 шт) та фінального тесту».

Які основні знання та навички можна набути після проходження курсу?

• «Після проходження курсу студенти можуть набути знань і навичок у сфері застосування алгоритмів штучного інтелекту, машинного навчання, глибинного навчання, розуміння принципів роботи».

Основи моделювання складних мереж (Данилов В.Я.)

Про що предмет, що вивчалося?

• «Вивчалися різні моделі нейронних мереж: автокодувальники, GAN, CNN, трансформери, RNN, їхня архітектура та використання».

Які попередні знання необхідні?

• «Здебільшого необхідні базові знання Python і мінімальне вміння працювати з бібліотеками на кшталт TensorFlow або Torch».

Розкажи про актуальність отриманих знань.

• «Досить актуально, якщо брати до уваги, що метою курсу є навчити базових речей про наведені моделі, пояснити математичне підґрунтя».

Розкажи про РСО.

• «5 лабораторних робіт (автокодувальники, GAN, CNN, трансформери, RNN) в командах по 2-3 людини».

Які загальні враження від дисципліни?

• «Досить легка дисципліна, яка може бути корисною для загального розвитку. Викладач не вимагає вчити все, що дає на лекціях. На захистах, коментуючи, паралельно розповідає додатковий матеріал. Через значний обсяг математики, майже повну відсутність прикладів на практиці й стиль викладання може бути нудно на лекціях».

Байєсівський аналіз даних (Терентьєв О.М.)

(Викладач не надав відповідей, тому дивіться Ф-каталог.)

Освітній компонент 12

Навчання з підкріпленням (Касьянов П.О.)

Про що предмет, що вивчалося?

• «Про складову сучасного машинного навчання та штучного інтелекту».

• «Вивчаються різні методи такого навчання, теоретичні основи тощо».

• «Згідно з назвою RL».

Які попередні знання необхідні?

• «Бажано проходити «Теорію випадкових процесів» А.Б. Ільєнка, адже вибіркова базується на детально розібраних там ланцюгах Маркова. Також базове вміння програмувати, машинне навчання, нейронні мережі (якщо проходили курси Недашківської, має бути ок)».

Розкажи про актуальність отриманих знань.

• «Базова теорія від Касьянова поєднується з сучасною практикою від аспіранта, що працював у Ring і був стажистом Google, Андрія Титаренка».

Розкажи про РСО.

• «5 лабораторних на 20 балів кожна. Таким чином, отримати високі бали дуже просто. Альтернативно можна пройти онлайн-курси й отримати 60-100 балів залежно від обраного курсу. І також можна робити певні доповіді, за що отримувати бали».

• «Домашні завдання / пару курсів / якийсь власний проєкт. Дали багато різних можливостей на вибір, навіть записали жартівливу відеоінструкцію як зробити домашку за допомогою ChatGPT))».

• «Курси на Coursera (100 балів), лабораторні роботи (також до 100 балів) або командний проєкт (до 85 балів). Види робіт можна об'єднувати».

Які загальні враження від дисципліни?

• «Цікавий предмет. Якщо хочеш щось вивчити, можна слухати лекції та робити лаби, щось запитувати у викладачів. А можна просто надіслати 2 сертифікати з курсери й отримати 100 балів)».

• «Дають багато різних матеріалів, рекомендацій, на лекціях розписують мат базу. Для тих, кому цікаво, будуть що робити, а для, тих кому нецікаво, є прості можливості закриття».

• «Усе чудово, дуже якісно, не надто напряжно. Добре організовано. Андрій Титаренко дуже цікава і приємна людина. Павло Олегович теж приємний для спілкування, тільки трохи нуднуватий (затягує те, що можна було б і не затягувати)».

Методи бінарної класифікації (Купенко О.П.)

(Дивіться Ф-каталог).

Системний аналіз предметної галузі із використанням текстової аналітики (Савастьянов В.В.)

Про що предмет, що вивчалося?

• «Назва дисципліни цілком відповідає матеріалу, що розглядався. Розповідалося про особливості постановки задачі для аналізу (визначення предметної галузі), способи збору текстів в межах обраної галузі, використання текстової аналітики для обробки текстового корпусу; специфіку сентимент-аналізу (визначення емоційної оцінки у текстах); використання мовних моделей (на прикладі ChatGPT) для дослідження специфічних предметних областей (приклад з лекцій: тема волонтерської діяльності в умовах війни)».

• «Текстова аналітика, різні її області (наприклад сентимент аналіз)».

• «Аналіз текстів, пошук ключових слів, класифікація текстів тощо».

Які попередні знання необхідні?

• «Досвід роботи з Python може бути корисним, але не є обов'язковим».

• «Особливо непотрібні, бажано мати уявлення про сферу Data Mining загалом.

• «Мати уявлення, що таке машинне навчання, нейромережі. Якихось глибоких знань не треба».

Розкажи про актуальність отриманих знань.

• «Викладач цікаво розповідає матеріал і підкріплює його сучасними прикладами (працюємо з ChatGPT). Також розповідає про проблеми сфери, що теж актуально».

• «Взагалі розглянуті теми цікаві й актуальні. Але викладаються так собі».

Розкажи про РСО.

• «Один проєкт — дослідження текстів (новин) з обраної тематики. Він був розбитий на чотири лабораторні (базова постановка задачі; збір текстового корпусу; уточнення і побудова класифікатора; класифікація текстів і їх аналіз; по завершенню — презентація отриманих результатів). Можна було робити в групах по удвох-утрьох або самому. Кілька опитувальних форм за матеріалами лекцій — на додаткові бали. Була запропонована можливість закрити предмет за допомогою курсу з coursera — після проходження й подальшого діалогу з викладачем можна було отримати ~70 балів».

• «Лабораторні, також є опитування-тести за лекціями. Їх можна закрити курсами, але лише підтвердивши знання матеріалів».

• «Зробити проєкт, що складається з 3 лаб. Й іноді опитування в гугл формах. Але як такого РСО оголошено не було (тут можу помилятися)».

Які загальні враження від дисципліни?

• «Загалом враження позитивні. Матеріали з лекцій часто доповнювалися детальними прикладами (як абстрактними, так і практичними). Багато уваги приділялося взаємодії з ChatGPT і поясненню того, чому саме модель дає певні відповіді, як їх можна покращити. Було цікаво слухати «антилекції», де розказувалося про різні проблеми текстової аналітики, «наївні» методи їх подолання, і чому ці методи не варто застосовувати. Проєкт (лаби) теж був досить інформативним».

• «Викладач компетентний, вміє зацікавити дисципліною. Матеріал актуальний і цікавий».

• «Ніякі. Більше негативні, ніж позитивні. Викладач пояснює дуже загальні речі. Все поверхово без заглиблення у матеріал. Льє багато води. Приділив аж надто багато зайвої уваги цьому ChatGPT. Штука безумовно крута, але не настільки, щоб протриндіти про неї дві лекції й дати лабу. Але як людина викладач доволі приємний».

Освітній компонент 13

Основи обробки природної мови (Шаповал Н.В.)

(Викладач не надав відповідей, тому дивіться Ф-каталог.)

Апаратні основи глибоких нейронних мереж (Тимошенко Ю.О.)

(Дивіться Ф-каталог).

Аналіз економічних і фінансових ризиків (Гуськова В.В.)

Про що предмет, що вивчалося?

• «Про фінансові ризики, а також аналіз фінансових процесів. Про обробку даних, що стосуються фінансів (але насправді ці методи застосовуються де завгодно, не тільки в економічних даних)».

• «Робота з даними, заповнення пропусків, фільтрація, прогнозування, TensorFlow».

Які попередні знання необхідні?

• «Програмування, можливо трохи АЧР і подібні курси».

Розкажи про актуальність отриманих знань.

• «Все стандартно, базово для розуміння. Але досить актуально».

Розкажи про РСО.

• «Дві лабораторні роботи й тест сумарно на 100 балів. Лаби робляться бригадами».

• «Лаба по заповненню пропусків у датафреймі та фільтрації + лаба з прогнозування або курс на вибір».

Які загальні враження від дисципліни?

• «Непогано, точно краще за альтернативи, хоча іноді занадто базово».

• «Гуськова одна з моїх улюблених викладачок, гарно пояснює на різних прикладах, не вимагає забагато, у лекціях дає поради по диплому. Рекомендую)».

Освітній компонент 14

Основи розуміння природної мови та мультимодальні системи на базі штучного інтелекту (Гаврилович М.П.)

(Відповідь викладача.)

Що радите додатково вивчити чи особливо передивитися перед відвідуванням Вашої дисципліни?

• «Курс потребує базового знання програмування (бажано мовою Python). А також основи побудови моделей за допомогою машинного навчання та інтелектуального аналізу даних».

Кому радите цей предмет?

• «Цей предмет бути корисним студентам які розглядають можливість подальшого професійного розвитку в професіях таких як: Data Scientist, Machine Learning Engineer, Software Engineer».

Які види роботи плануєте проводити?

• «Лекції, практичні заняття такі як: побудова демонстраційних застосунків, виконання особистих проєктів».

Які основні знання та навички можна набути після проходження курсу?

• «Ознайомитися з сучасним станом справ в сфері моделей штучного інтелекту. Навчитися застосовувати ці моделі для побудови життєздатних застосунків для вирішення конкретних бізнес задач».

Розкажіть про свій практичний досвід, пов'язаний з темою дисципліни.

• «Більше ніж 7 років комерційного досвіду в 4 продуктових компаніях на позиціях Data Scientists та Machine Learning Engineer».

Прикладні технології штучного інтелекту та машинного навчання для БпЛА(Кот А.Т.)

(Відповідач не надав відповідей, тому дивіться Ф-каталог).

Ліса дерев в задачі багатокласової класифікації (Жиров О.Л.)

Про що предмет, що вивчалося?

• «Про ліса дерев... Імовірно, ви це все вже давно знаєте, просто повторення теорії».

Які попередні знання необхідні?

• «Знати, як користуватися руками».

• «Уміння читати».

Розкажи про актуальність отриманих знань.

• «Не розумію, як це описати. Конкретних знань ви не отримаєте, повторити те, що колись чули».

Розкажи про РСО.

• «1 контрольна робота й 1 лаба».

• «Ґрунтується на груповому рефераті та контрольній роботі».

Які загальні враження від дисципліни?

• «Напружувати нікого не будуть. Усе вивчене та прочитане залежить від студента. Загалом, просто прохідна штука: закрити й забути».

---

Ви можете ознайомитися з відгуками про викладачів на каналі IASA Analytics.

Із запитаннями та пропозиціями звертайтеся до нас у @IASAsuggestionBot.