Машинно обучение и изкуствен интелект
ИУЧ (РПП) · 1 ч. седмично. Обвързано с проект „Въздухът на Пловдив“ (НП „Иновации в действие“, Модул 1).
36
учебни часа
36
урока
10
раздела
0/0
завършени модула
Първи срок
1. Въведение в изкуствения интелект
- седм. 1 НЗ Теория
Инструктаж. Същност и определения на ИИ
- седм. 2 НЗ Теория
Исторически етапи в развитието на ИИ
- седм. 3 НЗ Теория
Тесен и общ ИИ. Приложения на ИИ
- седм. 4 НЗ Теория
Машинно обучение: видове, данни, признаци, етикети
2. Проектът и качеството на въздуха
- седм. 5 НЗ Теория
Проектът „Въздухът на Пловдив“. Какво са ФПЧ10 и ФПЧ2.5. Източници на замърсяване
3. Python и данни в Jupyter
- седм. 6 У Практика
Jupyter и Python – преговор: променливи, списъци, цикли, функции
- седм. 7 НЗ Теория
pandas: таблица (DataFrame), зареждане на CSV, първи поглед на данните за въздуха
- седм. 8 У Практика
pandas: филтриране, сортиране, групиране
- седм. 9 У Практика
Графики с matplotlib: замърсяването по часове и дни
4. Анализ на данните от официалните станции
- седм. 10 У Практика
Данни от АИС „Каменица“ и АИС „Тракия“. Норми за ФПЧ. Дни с превишение
- седм. 11 У Практика
Почистване на данни: липсващи стойности, дати и часове, средни дневни стойности
- седм. 12 НЗ Теория
Замърсяването и времето: температура, влажност, вятър. Корелация
5. Първи модел: линейна регресия
- седм. 13 НЗ Теория
Линейна регресия: идея, обучаващо и тестово множество, грешка на модела (MAE)
- седм. 14 У Практика
Линейна регресия със scikit-learn: ФПЧ10 според метеорологичните данни
Проверка и представяне
- седм. 15 К Практика
Проверка: данни и линейна регресия
6. Сензорна станция
- седм. 16 НЗ Теория
Как работи сензорната станция: NodeMCU, SDS011, BME280. Безопасна работа с електроника
- седм. 17 У Практика
Сглобяване и конфигуриране на станциите. Регистрация в Sensor.Community
Проверка и представяне
- седм. 18 ПР Практика
Обобщение на срока. Подготовка за монтажа на станциите
Втори срок
6. Сензорна станция
- седм. 19 У Практика
Първи данни от нашите станции: картата на Sensor.Community и изтегляне в Jupyter
7. Калибриране на сензорите
- седм. 20 НЗ Теория
Защо евтиният сензор греши: влияние на влажността. Сравнение с официалната станция
- седм. 21 У Практика
Съпоставяне на данни по време (merge). Средни часови стойности
- седм. 22 У Практика
Модел за калибриране с линейна регресия: влажност и температура като входове
- седм. 23 У Практика
Оценка на калибрирането: MAE, графика „преди и след“
- седм. 24 НЗ Теория
Нелинейни модели: дърво на решенията и случайна гора
- седм. 25 У Практика
Сравнение на моделите за калибриране. Преобучение
Проверка и представяне
- седм. 26 К Практика
Проверка: калибриране на сензорите
8. Прогноза за замърсяването
- седм. 27 НЗ Теория
Прогнозиране: времеви редове, признаци от миналото, час и ден от седмицата
- седм. 28 У Практика
Базов модел „утре като днес“. Оценка на прогнозата
- седм. 29 У Практика
Прогноза с метеорологичната прогноза като вход
- седм. 30 У Практика
Сравнение и избор на модел за прогнозата
- седм. 31 У Практика
От модела до екраните: ежедневна прогноза на училищния сървър
9. Генеративен ИИ, етика и отворени данни
- седм. 32 У Практика
Генеративен ИИ като помощник при програмиране. Проверка на резултатите
- седм. 33 НЗ Теория
Етика: лични данни, отворени данни, Регламент (ЕС) 2024/1689 за ИИ
- седм. 34 П Практика
Отворен набор от данни и ръководство за сензорната станция
Проверка и представяне
- седм. 35 П Практика
Представяне на проекта пред училището
- седм. 36 К Практика
Годишна проверка и обобщение
Материали от часовете
Задачи, тестове и уроци, давани по този предмет — 15.