CC BY
7
ВЕСТНИК МОСКОВСКОГО УНИВЕРСИТЕТА. СЕРИЯ 20. Педагогическое образование. 2023. T. 21 № 4 LOMONOSOV PEDAGOGICAL EDUCATION JOURNAL. 2023. T. 21. No. 4
ТЕОРИЯ, МЕТОДИКА И ОРГАНИЗАЦИЯ ОБРАЗОВАТЕЛЬНОГО ПРОЦЕССА
О.А. МИГАЧЁВА
МЕТОДОЛОГИЧЕСКИЕ ПОДХОДЫ К РАЗРАБОТКЕ
И ОРГАНИЗАЦИИ МЕЖФАКУЛЬТЕТСКИХ КУРСОВ ПО
НАПРАВЛЕНИЮ «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ» ДЛЯ
СТУДЕНТОВ НЕПРОФИЛЬНЫХ ФАКУЛЬТЕТОВ
(Некоммерческий Фонд развития науки и образования «Интеллект»; ФГБОУ ВО МГУ имени М. В. Ломоносова;
e-mail: [email protected]; [email protected])
doi: 10.55959/MSU2073-2635-2023-21-4-141-160
В данной статье рассматривается вопрос о реализации межфакультетских курсов по искусственному интеллекту в Московском государственном университете имени М. В. Ломоносова: от этапа исследовательской и аналитической работы, проведения интервью, опросов, изучения образовательных процессов в различных учебных заведениях до практической реализации программы.
В статье представлена информация о реализации межфакультетских курсов «Введение в программирование», «Основы программирования и анализа данных на Python», «Машинное обучение для решения прикладных задач», «Введение в глубокое обучение» и дополнительного факультатива «Математика для анализа данных».
Автор анализирует основные темы каждого курса и список умений и навыков, которые обучающиеся получат после прохождения программы: студенты, завершившие курсы, приобретут ценные практические навыки работы с данными, овладеют инструментами машинного обучения, освоят язык программирования Python, научатся работать с библиотеками NumPy, Pandas, Matplotlib, Scikit-learn, PyTorch, смогут анализировать и визуализировать данные и, наконец, углубятся в мир машинного обучения, изучая различные алгоритмы и способы их применения для решения задач из разных областей.
Специфика организации междисциплинарных курсов заключается в тщательном отборе содержания и методических приемов, позволяющих студентам непрофильных специализаций успешно овладеть инструментами искусственно-
го интеллекта. В статье отображены особенности организации курсов, приемы использования инструментов коммуникации между участниками образовательного процесса, в том числе для поддержания психологического комфорта в учебной деятельности.
Межфакультетские курсы по искусственному интеллекту — это актуальные образовательные ресурсы, позволяющие студентам приобрести современные компетенции в области искусственного интеллекта. Они предоставляют учащимся возможность ознакомиться с теоретическими основами программирования и машинного обучения, а также получить практические навыки работы с разнообразными инструментами и технологиями.
Ключевые слова: искусственный интеллект; анализ данных; программирование; алгоритмы; машинное обучение; нейронные сети; Python; межфакультетские курсы; междисциплинарное обучение; обучение студентов непрофильных факультетов.
О развитии искусственного интеллекта
Вопросы и проблемы моделирования естественного интеллекта человека, создания искусственного интеллекта поднимались и обсуждались в научном сообществе с 40-х годов XX столетия.
В продолжение длительного исторического периода основное внимание человечества было направлено в первую очередь на автоматизацию физической деятельности человека. В ходе эволюции человек создал механические инструменты и интегрировал их в производственный процесс, что позволило ему научиться выполнять новые операции и расширить границы своих энергетических возможностей, выходя далеко за рамки физических способностей отдельных организмов. Появление кибернетики внесло важное изменение в механизацию умственной деятельности человека. Это способствовало дополнению аппарата человеческого тела «внешней нервной системой — информационной техникой» [1, с. 103].
Создание компьютеров в середине 40-х годов XX века и последующее их развитие, а также разработка теории программирования доказали на практике, что компьютеры способны выполнить интеллектуальные задачи, которые ранее выполнял человек и для которых уже существуют готовые алгоритмы. Эти задачи включают вычислительные функции, логические операции, моделирование, математические эксперименты, научные, экономические, технологические и другие сложные задачи. Советский и рос-
Появление кибернетики внесло важное изменение в механизацию умственной деятельности человека
сийский философ С.М. Шалютин, занимавшийся вопросами абстрактного мышления и возможностями кибернетики, в своих работах отмечал, что в 50-х годах XX века, в силу ряда обстоятельств, кибернетики начали искать альтернативные способы использования компьютеров. Особенно это стало актуальным из-за наличия задач, которые нельзя было решить с помощью обычных алгоритмов [1, с. 117].
В научных исследованиях периода 60-70-х годов XX века изучаются вопросы, связанные с распознаванием объектов, автоматическим доказательством теорем, способностью машин воспринимать окружающий мир и понимать естественный язык. Понятие
Понятие «искусственный интеллект» в про- «искусственный
шлом веке имело разные интерпретации — от при- интеллект» в прошлом знания интеллектуальных способностей у элек- веке имело разные тронных вычислительных машин решать простые интерпретации
вычислительные задачи до решения ими сложных системных задач.
Человеческому мышлению свойственны гибкость и адаптация к разнообразным условиям. С.М. Шалютин отмечает, что «специфика человеческого мышления (в отличие от рассудочной деятельности животных) состоит в том, что человек вырабатывает и накапливает знания, храня их в своей памяти. Выработка схем внешних действий происходит не по принципу «стимул — реакция», а на основе знаний, получаемых дополнительно из среды, для поведения в которой вырабатывается схема действия». Этот способ накапливания, хранения и переработки информации, по мнению С.М. Шалютина, характеризует интеллект. Отсюда следует, что «к системам искусственного интеллекта относятся те, которые, используя заложенные в них правила переработки информации, вырабатывают новые схемы целесообразных действий на основе анализа моделей среды, хранящихся в их памяти» [1, с. 122].
Математик А. Тьюринг в своих исследованиях описал сущность теста, который определял способность машины мыслить. Человек обращался к машине по вопросам, касающимся различных сфер жизни. При этом если он не мог отличить ответы машины от ответов человека, то машина признавалась обладающей интеллектом [2]. Не все ученые признали этот тест эффективным, так как он не отражал всех аспектов человеческого мышления.
Исследования У. С. Мак-Каллока и У. Питтса заложили основу для теории нейронных сетей. Они доказали серию теорем, указывающих на то, что события в нейронных сетях могут быть описаны с помощью логического исчисления. Ученые предполагали, что эти теоремы сыграют важную роль в объяснении структуры и функций реальных нервных систем [3].
В настоящее время интерес к искусственному интеллекту возрос благодаря серьезному развитию технологий, их доступности и широкому практическому применению. Сейчас с помощью технологий искусственного интеллекта мы можем генерировать текст и изображения, редактировать иллюстрации и видео, расшифровывать аудиофайлы в текстовые документы, получать качественный перевод не только текста, но и аудиоданных и др. Одна из самых обсуждаемых тем 2023 года — это ChatGPT, который был запущен в конце ноября 2022 года и представлен компанией OpenAI. Этот чат-бот наделен продвинутыми возможностями генерации текста, что позволяет выполнить широкий спектр задач, таких как создание текстов, написание программного кода, перевод текстов и даже получение точных ответов на вопросы. ChatGPT базируется на модели глубокого обучения. Основным отличием ChatGPT от предыдущих моделей искусственного интеллекта является его способность работать в диалоговом режиме. Он использует контекст предыдущих сообщений, чтобы понимать запросы и давать связанные с ситуацией ответы. Это позволяет создавать более последовательные и понятные диалоги с искусственным интеллектом [4]. Наиболее продвинутая языковая модель от компании OpenAI на текущий момент (27 августа 2023 года) — это GPT-4 [5].
Государственная политика в области искусственного интеллекта
Эффективное использование искусственного интеллекта в различных сферах жизни человека: в экономике, социальной сфере, образовании, промышленности и других областях — становится как никогда актуальным, не случайно вопросы развития технологий искусственного интеллекта рассматриваются на государственном уровне во многих странах мира.
Указом Президента Российской Федерации от 10 октября 2019 г. № 490 была утверждена Национальная стратегия развития искусственного интеллекта на период до 2030 года [6]. В данном документе декларируется важная роль использования технологий искусственного интеллекта в развитии общества. Благодаря прогрессу в области искусственного интеллекта ожидается рост мировой экономики. Интерес к технологиям искусственного интеллекта с каждым годом увеличивается со стороны государств и крупного бизнеса.
В настоящее время интерес к искусственному интеллекту возрос благодаря серьезному развитию технологий, их доступности
и широкому практическому применению
Интерес государств к данной теме обусловлен возможным влиянием новых технологий на различные отрасли экономики и на различные сферы жизни людей. «Использование технологий искусственного интеллекта в отраслях экономики носит общий ("сквозной") характер и способствует созданию условий для улучшения эффективности и формирования принципиально новых направлений деятельности хозяйствующих субъектов» [6, с. 9]. Применение технологий искусственного интеллекта в социальной сфере способствует формированию среды для повышения качества жизни населения [6, с. 10].
В стратегии отмечено, что одна из основных задач развития искусственного интеллекта — увеличение количества квалифицированных кадров на российском рынке технологий искусственного интеллекта. Для подготовки этих кадров необходимо разрабатывать и внедрять образовательные модули «в рамках образовательных программ всех уровней образования, программ повышения квалификации и профессиональной переподготовки для получения гражданами знаний, приобретения ими компетенций и навыков в области математики, программирования, анализа данных, машинного обучения, способствующих развитию искусственного интеллекта» [6, с. 18]. Важное значение отдается конвергентному знанию, интеграции математического, естественно-научного и социально-гуманитарного образования.
Согласно стратегии развития искусственного интеллекта в ближайшее время «должно существенно увеличиться число граждан, имеющих компетенции в области искусственного интеллекта и в смежных областях его использования» [6, с. 19], «к 2030 году в России должны реализовываться образовательные программы мирового уровня для подготовки высококвалифицированных специалистов и руководителей в области искусственного интеллекта» [6, с. 20].
Действительно, цифровые технологии с каждым днем все сильнее и сильнее проникают в нашу жизнь. Специалисту любой отрасли важно грамотно использовать технологии для повышения эффективности труда, для решения рутинных, а иногда и новых, нестандартных задач. Важно уметь обрабатывать данные самому и уметь делегировать эту задачу компьютеру.
Интерес государств к вопросам развития искусственного интеллекта обусловлен возможным влиянием новых технологий на различные отрасли экономики и на различные сферы жизни людей
Необходимость предоставления базовых и углубленных знаний в области технологий искусственного интеллекта школьникам и студентам
Исходя из вышеизложенного, можно сделать выводы о необходимости предоставления базовых и углубленных знаний в области технологий искусственного интеллекта школьникам и студентам. Это также подтверждается письмом Министерства науки и высшего образования России от 14.06.2023 № МН-5/179660 о модуле «Системы искусственного интеллекта» [7] и запуском федерального проекта «Цифровые кафедры» [8]. На совещании с членами Правительства Президент Российской Федерации Владимир Владимирович Путин предложил рассмотреть вопрос об обязательном внедрении модуля «Системы искусственного интеллекта» в учебные программы высших учебных заведений [9].
На мировой арене уделяется особое внимание развитию технологий искусственного интеллекта, подготовке кадров и повышению уровня образования в данной сфере.
В 2023 г. в США был обновлен «Национальный стратегический план исследования и разработок в области искусственного интеллекта» [10].
В этом документе целый раздел (Стратегия 7) посвящен вопросу потребностей в кадрах для проведения исследований и создания новых разработок в области искусственного интеллекта. В нем говорится, что развитие искусственного интеллекта значительно влияет на рынок труда, вызывая рост спроса на профессионалов в области информационных технологий и компьютерных наук. Отмечается важность распространения образовательных материалов, результатов исследований в области искусственного интеллекта на широкую аудиторию.
Также в документе уделяется внимание междисциплинарности, взаимодействию области искусственного интеллекта с другими сферами, а именно отмечается значимость:
• партнерства между государством, академической средой и представителями индустриального сектора;
• повышения квалификации специалистов, которые будут применять системы искусственного интеллекта в своей текущей профессиональной сфере;
• этических, правовых и социальных аспектов искусственного интеллекта [10, с. 27-30].
В 2017 году Китаем была представлена «Программа развития искусственного интеллекта нового поколения» [11], в которой подчеркивается важность поиска и развития талантов в области искусственного интеллекта. В документе говорится, что создание высококлассной талантливой коман-
Развитие технологий искусственного интеллекта, подготовка кадров и повышение уровня образования в области искусственного интеллекта
ды следует рассматривать как главный приоритет в развитии искусственного интеллекта. Отмечается, что необходимо объединять теоретическое обучение и практическую работу, совершенствовать систему образования в сфере искусственного интеллекта, создавать новые дисциплины, расширять образовательные программы. Уделяется внимание междисциплинарной теории, подчеркивается важность взаимопроникновения различных наук: искусственного интеллекта с естественными и социально-экономическими науками. Ставится задача развития новых кадров на стыке дисциплин: искусственный интеллект и экономика, общество, управление, юриспруденция и т.д.
Образование в области искусственного интеллекта
В 2021 году в Московском государственном университете имени М.В. Ломоносова (далее — МГУ) был издан приказ об обязательном прохождении межфакультетского курса по тематике искусственного интеллекта для всех студентов МГУ, обучающихся на очном отделении [12].
В том же году была начата работа над программой по тематике искусственного интеллекта, состоящей из нескольких межфакультетских курсов в МГУ, и формированием команды преподавателей и ассистентов. Программа была реализована МГУ и некоммерческим Фондом развития науки и образования «Интеллект» [13].
Перед началом работы над программой были сформулированы следующие вопросы, на которые требовалось найти ответы:
1. Какие компетенции в области наук о данных и в сфере искусственного интеллекта необходимы специалистам непрофильных направлений?
2. Какие темы включить в программу с учетом ограниченного количества часов, отведенных на занятия, так как студенты большую часть времени посвящают обучению по основной специальности?
3. Каким образом организовать комфортное обучение для студентов, помочь им преодолеть психологический дискомфорт и повысить их мотивацию к обучению?
Для того чтобы ответить на два первых вопроса, для начала необходимо разобраться с терминами и определениями. Для этого снова обратимся к стратегии развития искусственного интеллекта, в которой говорится, что «искусственный интеллект — это комплекс технологических реше-
Какие компетенции в области наук о данных и в сфере искусственного интеллекта необходимы специалистам непрофильных направлений?
ний, позволяющий имитировать когнитивные функции человека», при выполнении задач получать результаты, сопоставимые с результатами интеллектуальной деятельности человека, то есть искать решения без заранее заданного алгоритма, самообучаться и др. Искусственный интеллект как полная копия человеческого интеллекта пока не создан, но есть методы машинного обучения, которые позволяют решать определенные нестандартные задачи достаточно хорошо: распознавать изображения, классифицировать объекты, находить закономерности в данных, предсказывать значения (например, стоимость акций, температуру и погодные условия) и др. Отдельный подкласс подходов в машинном обучении — это глубокое обучение, которое сейчас особо популярно. Чтобы научить машину находить закономерности в данных, нужно сначала данные обработать и проанализировать. Удобный инструмент для анализа данных — это язык программирования Python.
Далее были проведены исследовательские и аналитические работы: изучение опыта других университетов в области преподавания компьютерных наук и наук о данных студентам не ИТ-специальностей, проведение интервью с выпускниками МГУ, со студентами старших курсов, с представителями индустрии.
Был проведен анализ опыта зарубежных университетов, таких как Массачусетский технологический институт, Гарвардский университет, Стэнфордский университет, а также анализ опыта Национального исследовательского университета «Высшая школа экономики».
В вузах США помимо основной траектории обучения студентам предоставляется возможность выбора дополнительного направления обучения — «майнора». Основная цель дополнительного направления обучения заключается в том, чтобы предоставить студентам экспертизу в областях знаний, которые дополняют или расширяют их основную специализацию. Например, студент, изучающий юриспруденцию или педагогику как основное направление, может дополнительно получить знания в области искусственного интеллекта.
Интересно отметить, что подобная практика реализована и в Национальном исследовательском университете «Высшая школа экономики». Этот опыт подчеркивает важность гибкости и адаптивности образовательных программ, позволяющих студентам разнообразить свою учебную траекторию, что в конечном итоге способствует формированию более компетентных и глубоко подготовленных профессионалов.
Основная цель дополнительного направления обучения —
предоставить студентам экспертизу в областях знаний, которые дополняют или расширяют
их основную специализацию
Примеры дополнительных направлений обучения:
1. Компьютерные науки в Массачусетском технологическом институте. Студенты изучают разнообразные аспекты программирования, алгоритмов, компьютерных систем и технологий [14].
2. Статистика и наука о данных в Массачусетском технологическом институте. Студенты изучают методы сбора, обработки и интерпретации данных, а также основы статистического моделирования [15].
3. Компьютерные науки в Гарвардском университете. Студенты изучают основы программирования, алгоритмы, структуры данных и информационные технологии [16].
4. Интеллектуальный анализ данных в НИУ «Высшая школа экономики». Студенты изучают методы обработки и анализа больших объемов данных, а также получают навыки построения и применения алгоритмов машинного обучения [17].
5. Прикладной статистический анализ в НИУ «Высшая школа экономики». Студенты изучают методы статистического моделирования, анализа временных рядов, эконометрики и другие техники, применяемые для извлечения информации из данных [18].
6. Нейросетевые технологии в НИУ «Высшая школа экономики». Студенты погружаются в теорию и практику создания и применения нейронных сетей в различных задачах [19].
Были проведены интервью с выпускниками, преподавателями, аспирантами и студентами старших курсов механико-математического, физического, химического, геологического, биологического, психологического, филологического факультетов. Интервьюируемым были заданы вопросы о том, с какими задачами обработки данных они сталкиваются в ходе практической деятельности по своему направлению, какие инструменты используют для их решения, возникают ли при этом трудности и какие (например, недостаточный уровень навыков в использовании инструментов у самого опрошенного или коллег в его команде, платное программное обеспечение и др.). В ходе беседы с представителями компании «Яндекс» был обозначен круг необходимых для сотрудника компании компетенций в области наук о данных. Также представители компании поделились опытом организации обучения и преподавания в «Школе анализа данных».
Межфакультетские курсы по тематике «Искусственный интеллект» в МГУ
После проведения исследовательского этапа работы были сформулированы основные компетенции, необходимые специалисту не ИТ-сферы для
эффективной работы с данными и технологиями искусственного интеллекта в рамках своей основной деятельности, а именно:
1. Умение обрабатывать и анализировать данные.
2. Понимание базовых принципов программирования и методов машинного обучения.
3. Умение использовать методы машинного обучения на практике.
4. Понимание работы нейронных сетей.
5. Базовое представление о технологиях искусственного интеллекта.
В качестве рабочего инструмента на протяжении
всей программы был выбран язык программирования Python за его простой и понятный синтаксис, наличие удобных библиотек для анализа данных и машинного обучения, большое комьюнити разработчиков.
Студентам была предложена линейка курсов: «Введение в программирование», «Основы программирования и анализа данных на Python», «Машинное обучение для решения прикладных задач», «Введение в глубокое обучение» и дополнительный факультатив «Математика для анализа данных».
Курс «Основы программирования и анализа данных на Python» был разработан для студентов непрофильных факультетов. В нем рассматриваются вопросы по основам программирования на языке Python, основным конструкциям этого языка и базовым алгоритмам, раскрываются способы анализа и визуализации данных. Цель данного курса — изучение основ работы с текстовыми и числовыми данными на языке программирования Python.
На курсах студенты имеют возможность изучить этапы анализа данных и познакомиться с библиотеками для анализа данных Pandas, NumPy, Matplotlib. У них есть возможность научиться использовать библиотеку Matplotlib для визуализации данных, что позволит им представлять информацию в наглядной форме. Более того, они смогут освоить работу с массивами из библиотеки NumPy, что облегчит обработку данных и выполнение операций с ними. Обучение также включает анализ данных при помощи библиотеки Pandas. Студенты учатся получать и предобрабатывать данные для последующего анализа.
Важным аспектом программы является изучение методов работы с файлами в различных форматах. Студенты учатся считывать данные из файлов в форматах TXT, CSV, XLS, XLSX.
Курс формирует практические навыки студентов, включая способность запускать программы на
В качестве рабочего инструмента на протяжении всей программы был выбран язык программирования Python
На курсах студенты имеют возможность изучить этапы анализа данных и познакомиться с библиотеками для анализа данных Pandas, NumPy, Matplotlib
языке Python на своем компьютере и читать код, разбираясь в его содержании. Во время обучения студенты будут писать программный код с применением стандартных библиотек, а также использовать документацию языка Python и встроенную систему помощи.
Вся работа студентов осуществляется в средах Jupyter Notebook, Jupyter Lab и/или Google Colab. Студентам предоставляются инструкции для работы с данными средами.
Курс не только обладает собственной ценностью как курс по анализу данных, но и является важным предварительным этапом для последующего курса по машинному обучению.
Курс «Введение в программирование» является более легким вариантом курса «Основы программирования и анализа данных на Python» и не включает в себя темы, связанные с анализом данных. Изучая данный курс, студенты знакомятся с азами программирования, совершают первые шаги в мир искусственного интеллекта. Основная цель курса — мотивировать студентов использовать инструменты программирования в своих научных исследованиях, познакомить студентов с основными задачами и направлениями ИТ-сферы, с базовыми алгоритмами и с основным синтаксисом языка Python.
После прохождения данного курса студенты узнают о базовых алгоритмах и фундаментальных задачах компьютерных наук и наук о данных. На курсе подробно разбираются такие базовые темы, как условные конструкции, циклы, функции, подключение дополнительных модулей и пакетов. Курс служит отличным фундаментом для дальнейшего изучения программирования. В программе курс является необязательным и рекомендован в том случае, если курс «Основы программирования и анализа данных на Python» оказывается для студента слишком сложным.
Слушатели курса «Машинное обучение для решения прикладных задач» знакомятся с классическими методами машинного обучения, применимыми для решения разнообразных практических задач.
В процессе обучения студенты: • изучают ключевые теоретические понятия машинного обучения и основные методы машинного обучения, узнают о наборе классических алгоритмов машинного обучения и областях их применения, знакомятся
После прохождения курса студенты узнают о базовых алгоритмах и фундаментальных задачах компьютерных наук
Слушатели курса
знакомятся с классическими методами машинного обучения, применимыми для решения разнообразных практических задач
с достоинствами и недостатками этих алгоритмов, а также учатся применять их на практике;
• осваивают базовые возможности библиотек Scikit-learn и XGBoost, учатся обрабатывать данные, визуализировать результаты и интерпретировать их;
• учатся применять алгоритмы машинного обучения в различных муль-тидисциплинарных контекстах.
На курсе рассматриваются метрические алгоритмы, линейные модели классификации и регрессии, решающие деревья, ансамблевые алгоритмы, метрики качества классификации, задача понижения размерности, задача кластеризации, рекомендательные системы.
Вся работа студентов осуществляется в средах Jupyter Notebook, Jupyter Lab и/или Google Colab. Перед началом обучения на курсе необходимо освоить программирование на Python, библиотеки Pandas, NumPy, Matplotlib.
Межфакультетский курс «Введение в глубокое обучение» посвящен основам глубокого обучения и применению нейронных сетей в разнообразных задачах. Цель этой дисциплины заключается в том, чтобы предоставить студентам возможность овладеть практическими навыками работы с современными моделями и пониманием теоретических аспектов функционирования нейронных сетей. В рамках практической части курса студенты работают с текстами, изображениями, вопросно-ответными системами и генеративными моделями.
По окончании обучения студенты будут обладать следующими навыками и знаниями:
• знание теоретических основ функционирования нейронных сетей;
• знание различных архитектур нейронных сетей и областей их применения;
• понимание достоинств и недостатков использования нейронных сетей;
• умение применять нейронные сети на практике с учетом особенностей задач;
• знание требований к данным для применения конкретных алгоритмов;
• знание возможностей стандартных библиотек по обработке данных для различных задач машинного обучения.
Студенты также научатся использовать алгоритмы, основанные на нейронных сетях, выбирать подходящие архитектуры нейронных сетей для решения конкретных задач, анализировать результаты работы моделей с учетом контекста задачи и пользоваться документацией стандартных би-
Межфакультетский
курс «Введение в глубокое обучение» посвящен основам глубокого обучения и применению нейронных сетей в разнообразных задачах
блиотек. Студенты освоят библиотеку PyTorch и будут обладать навыками работы с классическими средами программирования, такими как Jupyter Notebook и Google Colab, для комплексного анализа данных с использованием современных методов машинного обучения.
На курсе рассматриваются различные виды нейронных сетей: свер-точные нейронные сети, рекуррентные нейронные сети, «автоэнкодеры», «трансформеры».
Перед началом обучения на курсе необходимо освоить программирование на Python, библиотеки Pandas, NumPy, Matplotlib, классические методы машинного обучения, базовые понятия машинного обучения.
Для освоения предложенной линейки курсов необходимы определенные знания по таким разделам математики, как численная линейная алгебра, методы оптимизации и математическая статистика. Для восполнения этой области знаний слушателям был предложен дополнительный факультативный курс «Математика для анализа данных».
Все представленные курсы являются межфакультетскими курсами в МГУ, поэтому мы ограничены одной парой в неделю лекционного формата. На лекциях мы уделяем внимание теоретической части и практике. Теоретическая часть включает введение базовых понятий с применением схем и иллюстраций в процессе повествования для лучшего освоения материала студентами.
Над созданием и реализацией межфакультетских курсов по искусственному интеллекту работают преподаватели, методисты, ассистенты, менеджеры, программисты, дизайнеры. Эта высококвалифицированная команда обеспечивает эффективную организацию учебного процесса: от разработки актуальных учебных и методических материалов, обеспечения качественного дизайна презентаций курса до организации взаимодействия между преподавателями и студентами и автоматизации контроля.
Роль каждого члена команды определена: преподаватели и методисты передают студентам актуальные знания в области искусственного интеллекта, ассистенты и помощники организуют консультации, конференции, помощники и менеджеры организуют обратную связь со слушателями через мессенджеры и другие каналы связи, дизайнеры заняты оформлением лекционных материалов, техническая команда отвечает за автоматизацию процесса проверки работ, выполненных студентами, и выгрузку результатов тестирований.
Над созданием и реализацией межфакультетских курсов по искусственному интеллекту работают преподаватели, методисты, ассистенты, менеджеры, программисты, дизайнеры
Для того чтобы помочь студентам преодолеть психологический дискомфорт при изучении программирования и математики, мы разработали инновационный подход, который способствует бесконтактному взаимодействию между участниками образовательного процесса. Один из таких инструментов — чат-бот, специально созданный как помощник по данным курсам. С его помощью студенты могут легко и быстро найти ответы на часто задаваемые вопросы, а также сформировать более специфичные запросы ассистентам курсов. Этот чат-бот дает студентам возможность обращаться за помощью в удобное для них время, значительно снижает уровень тревожности и повышает мотивацию в изучении сложных дисциплин.
Другой инструмент взаимодействия — регулярные онлайн-консультации, которые проводятся каждые две недели. На этих консультациях студенты могут свободно задавать вопросы по курсу и обсуждать решения сложных задач.
Такой комплексный подход к поддержке студентов является важным моментом в формировании индивидуальной образовательной траектории обучающихся. Мы стремимся не только обеспечить академическую эффективность, но и создать особую образовательную среду, где каждый студент может чувствовать себя уверенно и ощущать поддержку. Это позволяет преодолеть психологический дискомфорт, который может возникнуть при изучении таких сложных предметов, как программирование и математика.
На курсах обучаются студенты разных факультетов с различным уровнем подготовки и разнообразными образовательными целями. Основная задача — активизировать их учебную деятельность, оснастить новыми технологическими инструментами для их научных исследований. Это реализуется через проведение научных конференций, на которых студенты защищают проекты, демонстрирующие применение инструментов искусственного интеллекта в своей будущей профессии или научной работе. Учащиеся имеют возможность поделиться идеями и результатами исследований, продемонстрировать интеграцию полученных знаний в свою научную работу на факультете.
Заключение
Межфакультетские курсы по искусственному интеллекту, представленные в данной статье, запускаются каждый семестр начиная с осени 2021 года. Каждый семестр на курсах в общей сложности обучаются 15002000 студентов. Такой интерес к данной программе свидетельствует об
Комплексный подход к поддержке студентов является важным моментом в формировании индивидуальной образовательной траектории обучающихся
актуальности курсов, связанных с программированием, анализом данных и машинным обучением.
Следует отметить, что исследования в области искусственного интеллекта начали активно проводиться только в конце XX века в связи с технологическим прогрессом в ИТ-сфере, данная область считается еще относительно новой и не имеет достаточного количества проработанных образовательных материалов. Межфакультетские курсы по искусственному интеллекту — это актуальные образовательные ресурсы, позволяющие студентам приобрести современные компетенции в области искусственного интеллекта. Они предоставляют учащимся возможность ознакомиться с теоретическими основами программирования и машинного обучения, а также получить практические навыки работы с разнообразными инструментами и технологиями.
На курсах «Введение в программирование», «Основы программирования и анализа данных на Python», «Машинное обучение для решения прикладных задач» и «Введение в глубокое обучение» разъясняются ключевые принципы и методы программирования, анализа данных и машинного обучения, вырабатываются навыки практической реализации рассматриваемых алгоритмов и методов. Студенты, прошедшие обучение по этой программе, будут готовы к решению реальных задач в разнообразных областях, начиная с анализа данных и заканчивая использованием сложных нейросетевых моделей. Это соответствует решению задач государственной политики и запросам рынка труда.
Следует подчеркнуть, что эти курсы важны не только для тех, кто стремится стать специалистами в сфере информационных технологий, но и для всех, кто желает расширить свой кругозор, освоить новые инструменты и научиться применять их в практической деятельности. Развитие навыков программирования, анализа данных и машинного обучения откроет учащимся новые перспективы в современном информационном мире, где эти области становятся всё более востребованными и влиятельными. Данные межфакультетские курсы позволяют эффективно решать задачу обучения студентов современным «цифровым» компетенциям.
Список литературы
1. Шалютин С.М. Искусственный интеллект: Гносеологический аспект. — М.: Мысль, 1985. — 199 с.
2. Тьюринг А. Может ли машина мыслить? М., 1960.
3. Мак-Каллок У.С., Питтс У. Логическое исчисление идей, относящихся к нервной активности. — Автоматы, 1956.
4. ChatGPT, OpenAI. URL: https://openai.com/chatgpt (дата обращения 28.08.2023). — Режим доступа: сайт "OpenAI". — Текст: электронный.
5. GPT-4, OpenAI. URL: https://openai.com/gpt-4 (дата обращения 28.08.2023). — Режим доступа: сайт "OpenAI". — Текст: электронный.
6. Российская Федерация: Национальная стратегия развития искусственного интеллекта на период до 2030 год (утверждена указом Президента Российской Федерации от 10 октября 2019 г. № 490 «О развитии искусственного интеллекта в Российской Федерации»). URL: http://static. kremlin.ru/media/events/files/ru/AH4x6HgKWANwVtMOfPDhcbRpvd1 HCCsv.pdf (дата обращения 28.08.2023). — Режим доступа: сайт «Официальные сетевые ресурсы Президента России». — Текст: электронный.
7. Письмо от Министерства науки и высшего образования Российской Федерации от 14.06.2023 № МН-5/179660 о модуле «Системы искусственного интеллекта».
8. Приоритет-2030. URL: https://priority2030.ru (дата обращения 28.08.2023). — Режим доступа: сайт «Приоритет-2030». — Текст: электронный.
9. Совещание с членами Правительства. URL: http://kremlin.ru/events/ president/news/71699 (дата обращения: 28.08.2023). — Режим доступа: сайт «Официальные сетевые ресурсы Президента России». — Текст: электронный.
10. США: Национальный стратегический план исследования и разработок в области искусственного интеллекта. URL: https://www.whitehouse. gov/wp-content/uploads/2023/05/National-Artificial-Intelligence-Research-and-Development-Strategic-Plan-2023-Update.pdf (дата обращения 28.08.2023). — Режим доступа: сайт The White House. — Текст: электронный.
11. Китай: Программа развития искусственного интеллекта нового поколения. URL: https://www.gov.cn/zhengce/content/2017-07/20/ content_5211996.htm (дата обращения 28.08.2023). — Режим доступа: сайт Правительства КНР. — Текст: электронный.
12. Приказ Ректора Московского университета от 8 сентября 2021 года № 925 «О дополнении приказа от 13 февраля 2023 года № 43 «Об организации межфакультетских учебных курсов в Московском университете»».
13. Некоммерческий фонд развития науки и образования «Интеллект». URL: https://intellect-foundation.ru/possibilities/studentu/interfaculty/ (дата обращения: 28.08.2023). — Режим доступа: сайт Фонда «Интеллект». — Текст: электронный.
14. Компьютерные науки в Массачусетском технологическом институте. URL: http://catalog.mit.edu/schools/engineering/electrical-engineering-computer-science/#minor-computer-science (дата обращения 28.08.2023). — Режим доступа: сайт Массачусетского технологического института. — Текст: электронный.
15. Статистика и наука о данных в Массачусетском технологическом институте. URL: http://catalog.mit.edu/interdisciplinary/undergraduate-programs/minors/statistics-data-science/ (дата обращения 28.08.2023). — Режим доступа: сайт Массачусетского технологического института. — Текст: электронный.
16. Компьютерные науки в Гарвардском университете. URL: https://pll. harvard.edu/course/cs50-introduction-computer-science (дата обращения 28.08.2023). — Режим доступа: сайт Гарвардского университета. — Текст: электронный.
17. Интеллектуальный анализ данных в НИУ «Высшая школа экономики». URL: https://electives.hse.ru/minor_intel/ (дата обращения 28.08.2023). — Режим доступа: сайт НИУ «Высшая школа экономики». — Текст: электронный.
18. Прикладной статистический анализ в НИУ «Высшая школа экономики». URL: https://electives.hse.ru/applied_stat/ (дата обращения 28.08.2023). — Режим доступа: сайт НИУ «Высшая школа экономики». — Текст: электронный.
19. Прикладной статистический анализ в НИУ «Высшая школа экономики». URL: https://electives.hse.ru/applied_stat/ (дата обращения 28.08.2023). — Режим доступа: сайт НИУ «Высшая школа экономики». — Текст: электронный.
Сведения об авторах
Мигачева Ольга Александровна — руководитель образовательных проектов, некоммерческий Фонд развития науки и образования «Интеллект»; младший научный сотрудник института теоретической и математической физики МГУ имени М. В. Ломоносова, Москва, Россия. ORCID: 0009-0003-95467999. E-mail: [email protected]; [email protected].
© O.A. Мигачёва, 2023 («)
Methodological Approaches to Developing and Organizing Interfaculty Courses in the Direction "Artificial Intelligence" for Students of Non-core Faculties
O.A. Migacheva
This research describes the implementation of interfaculty courses on artificial intelligence at Lomonosov Moscow State University: from the stage of research and analytical work, interviews, surveys, and studying educational processes in various
O.A. MurnneBa
educational institutions to the practical implementation of the program. The research provides information on the implementation of four interfaculty courses: (1)"Intro-duction to Programming," (2)"Programming Fundamentals and Data Analysis with Python," (3)"Applied Machine Learning with Python," and (4)"Introduction to Deep Learning" and an additional elective course "Mathematics for Data Analysis." The author analyzes the general topics of each course and the list of skills that learners will receive after completing the program presented. Students who complete the courses are going to acquire valuable practical skills in working with data, master machine learning tools, acquire knowledge of the Python programming language, learn to work with the NumPy, Pandas, Matplotlib, Scikit-learn, and PyTorch libraries, be able to analyze and visualize data, and, eventually, delve into the world of machine learning, learning different algorithms and peculiarities of how to apply them in solving problems from different areas. The specifics of the organization of interdisciplinary courses lie in carefully selecting content and methodological techniques that allow students of non-core specialties to master AI tools successfully. The research reflects the features of the organization of courses and the methods of using communication tools between participants of the educational process, including for maintaining psychological comfort in educational activities. Interfaculty courses on AI are relevant educational resources that allow students to acquire relevant competencies in the field of AI. They provide students with the opportunity to get acquainted with the theoretical foundations of programming and machine learning and gain practical skills through working with a variety of tools and technologies.
Keywords: artificial intelligence; data analysis; programming; algorithms; machine learning; neural networks; Python; interfaculty courses; interdisciplinary learning; training of students of non-core faculties.
References
1. Shaljutin S.M. Iskusstvennyj intellekt: Gnoseologicheskij aspekt. M.: Mysl', 1985.199 s.
2. A. Tjuring. Mozhet li mashina myslit'?, M., 1960.
3. Makkallok U.S., Pitts U. Logicheskoe ischislenie idej, otnosjashhihsja k nervnoj aktivnosti. Avtomaty, 1956.
4. ChatGPT, OpenAI. — URL: https://openai.com/chatgpt (data obrashhenija 28.08.2023). — Rezhim dostupa: sajt "OpenAI". — Tekst: jelektronnyj.
5. GPT-4, OpenAI. — URL: https://openai.com/gpt-4 (data obrashhenija 28.08.2023). — Rezhim dostupa: sajt "OpenAI". — Tekst: jelektronnyj.
6. Rossijskaja Federacija: Nacional'naja strategija razvitija iskusstvennogo in-tellekta na period do 2030 god [utverzhdena ukazom Prezidenta Rossijskoj Federacii ot 10 oktjabrja 2019 g. № 490 "O razvitii iskusstvennogo intellekta
v Rossijskoj Federacii"]. — URL: http://static.kremlin.ru/media/events/ files/ru/AH4x6HgKWANwVtMOfPDhcbRpvd1HCCsv.pdf (data obrashhenija 28.08.2023). — Rezhim dostupa: sajt "Oficial'nye setevye resursy Prezidenta Rossii". — Tekst: jelektronnyj.
7. Pis'mo ot Ministerstva nauki i vysshego obrazovanija Rossijskoj Federacii ot 14.06.2023 № MN-5/179660 o module "Sistemy iskusstvennogo intellekta".
8. Prioritet-2030. — URL: https://priority2030.ru (data obrashhenija 28.08.2023). — Rezhim dostupa: sajt "Prioritet-2030". — Tekst: jelektronnyj.
9. Soveshhanie s chlenami Pravitel'stva. — URL: http://kremlin.ru/events/ president/news/71699 (data obrashhenija: 28.08.2023). — Rezhim dostupa: sajt "Oficial'nye setevye resursy Prezidenta Rossii". — Tekst: jelektronnyj.
10. SShA: Nacional'nyj strategicheskij plan issledovanija i razrabotok v oblas-ti iskusstvennogo intellekta. — URL: https://www.whitehouse.gov/wp-content/uploads/2023/05/National-Artificial-Intelligence-Research-and-Development-Strategic-Plan-2023-Update.pdf (data obrashhenija 28.08.2023). — Rezhim dostupa: sait The White House. — Tekst: elektronnyi.
11. Kitaj: Programma razvitija iskusstvennogo intellekta novogo pokole-nija. — URL: https://www.gov.cn/zhengce/content/2017-07/20/con-tent_5211996.htm (data obrashhenija 28.08.2023). — Rezhim dostupa: sait Pravitel'stva KNR. — Tekst: elektronnyi.
12. Prikaz Rektora Moskovskogo universiteta ot 8 sentjabrja 2021 goda № 925 "O dopolnenii prikaza ot 13 fevralja 2023 goda № 43 'Ob organizacii mezhfakul'tetskih uchebnyh kursov v Moskovskom universitete'".
13. Nekommercheskij fond razvitija nauki i obrazovanija "Intellekt". — URL: https://intellect-foundation.ru/possibilities/studentu/interfaculty/ (data obrashhenija: 28.08.2023). — Rezhim dostupa: sajt Fonda "Intellekt". — Tekst: jelektronnyj.
14. Komp'juternye nauki v Massachusetskom tehnologicheskom institute. — URL: http://catalog.mit.edu/schools/engineering/electrical-engineer-ing-computer-science/#minor-computer-science (data obrashhenija 28.08.2023). — Rezhim dostupa: sajt Massachusetskogo tehnologicheskogo instituta. — Tekst: jelektronnyj.
15. Statistika i nauka o dannyh v Massachusetskom tehnologicheskom institute. — URL: http://catalog.mit.edu/interdisciplinary/undergrad-uate-programs/minors/statistics-data-science/ (data obrashhenija 28.08.2023). — Rezhim dostupa: sajt Massachusetskogo tehnologicheskogo instituta. — Tekst: jelektronnyj.
16. Komp'juternye nauki v Garvardskom universitete. — URL: https://pll.har-vard.edu/course/cs50-introduction-computer-science (data obrashhenija 28.08.2023). — Rezhim dostupa: sajt Garvardskogo universiteta. — Tekst: jelektronnyj.
17. Intellektual'nyj analiz dannyh v NIU "Vysshaja shkola jekonomiki". — URL: https://electives.hse.ru/minor_intel/ (data obrashhenija 28.08.2023). — Rezhim dostupa: sajt NIU "Vysshaja shkola jekonomiki". — Tekst: jelektronnyj.
18. Prikladnoj statisticheskij analiz v NIU "Vysshaja shkola jekonomiki". — URL: https://electives.hse.ru/applied_stat/ (data obrashhenija 28.08.2023). — Rezhim dostupa: sajt NIU "Vysshaja shkola jekonomiki". — Tekst: jelektronnyj.
19. Prikladnoj statisticheskij analiz v NIU "Vysshaja shkola jekonomiki". — URL: https://electives.hse.ru/applied_stat/ (data obrashhenija 28.08.2023). — Rezhim dostupa: sajt NIU "Vysshaja shkola jekonomiki". — Tekst: jelektronnyj.
About the Author
Migacheva Olga Alexandrovna — Head of Educational Projects at the Nonprofit Foundation for the Development of Science and Education "Intellect," Junior Researcher at the Institute for Theoretical and Mathematical Physics, Lomonosov Moscow State University, Moscow, Russia. ORCID ID: 0009-00039546-7999. E-mail: [email protected]; migachevaoa@ my.msu.ru.
© O. A. Migacheva, 2023
