Прикладне машинне навчання – новий курс для магістрантів ОПП СКС спеціальності F7 Комп’ютерна інженерія
Асистент кафедри АПОТ, канд. техн. наук Хаханов Іван Володимирович розпочав розробку курсу з прикладного машинного навчання, що викладатиметься для магістрантів у межах ОПП «Спеціалізовані комп’ютерні системи» спеціальності F7 Комп’ютерна інженерія 2025 року набору, яка оприлюднена для обговорення на сайті університету.
>>Посилання на сайт університету: Освітня програма Спеціалізовані комп’ютерні системи<<<
Лекції, що демонструють досягнення у застосуванні алгоритмів машинного навчання для аналізу великих обсягів даних та оптимізації процесів у різних сферах, доступні для всіх бажаючих на YouTube-каналі:
Машинне навчання є актуальним для досягнення Цілей сталого розвитку (ЦСР) ООН, надаючи інструменти для аналізу даних, прогнозування та оптимізації процесів у різних галузях. Ось кілька прикладів того, як машинне навчання сприяє досягненню ЦСР.
ЦСР 2 Стійке сільське господарство: оптимізація використання ресурсів – машинне навчання допомагає оптимізувати використання води, добрив та пестицидів у сільському господарстві, підвищуючи врожайність та знижуючи негативний вплив на навколишнє середовище; прогнозування врожайності – алгоритми машинного навчання можуть прогнозувати врожайність сільськогосподарських культур, що допомагає планувати виробництво та розподіл продовольства.
ЦСР 3 Охорона здоров’я: діагностика захворювань – алгоритми машинного навчання можуть аналізувати медичні зображення та дані для діагностики захворювань на ранніх стадіях; розробка ліків – машинне навчання допомагає прискорити розробку нових ліків та методів лікування.
ЦСР 4 Якісна освіта: персоналізація навчання – алгоритми машинного навчання можуть аналізувати дані про успішність учнів для персоналізації навчання та підвищення його ефективності; доступність освіти – машинне навчання допомагає створювати освітні ресурси, доступні для людей з обмеженими можливостями.
ЦСР 7 Чиста енергія: оптимізація роботи відновлюваних джерел енергії – алгоритми машинного навчання можуть оптимізувати роботу відновлюваних джерел енергії, таких як сонячні та вітрові електростанції, підвищуючи їхню ефективність; прогнозування вироблення енергії – машинне навчання допомагає прогнозувати вироблення енергії з відновлюваних джерел, що допомагає планувати енергопостачання.
ЦСР 11 Стійкі міста та спільноти: оптимізація транспортних потоків – машинне навчання допомагає оптимізувати транспортні потоки в містах, знижуючи пробки та викиди шкідливих речовин; управління відходами – алгоритми машинного навчання можуть оптимізувати збирання та переробку відходів, знижуючи їх негативний вплив на навколишнє середовище.
ЦСР 13 Боротьба зі зміною клімату: прогнозування кліматичних змін – моделі машинного навчання аналізують великі обсяги кліматичних даних для прогнозування майбутніх змін клімату, що допомагає приймати обґрунтовані рішення щодо адаптації та пом’якшення наслідків; оптимізація енергоспоживання – алгоритми машинного навчання можуть оптимізувати енергоспоживання у будівлях, промислових процесах та транспортних системах, знижуючи викиди парникових газів; моніторинг вирубки лісів та стихійних лих – машинне навчання допомагає аналізувати супутникові знімки для моніторингу вирубки лісів та прогнозування стихійних лих, таких як лісові пожежі та повені.
Це лише кілька прикладів, як машинне навчання сприяє досягненню ЦСР. У міру розвитку технологій машинне навчання відіграватиме все більш важливу роль у вирішенні глобальних проблем та створенні стійкого майбутнього.
Ми запрошуємо всіх зацікавлених ознайомитися з презентацією курсу на YouTube-каналі та приєднатися до обговорення цих важливих досліджень.
#ЦСР