Програмування ШІ (ІПЗ): Модуль 1. Самостійна робота

Головна Календар Всі курси Кафедри Студентам ЦДТН

Відкрито з: понеділок, 1 вересня 2025, 00:00

Термін виконання: пʼятниця, 10 жовтня 2025, 00:00

Модуль 1. Самостійна робота

На самостійну роботу з кожного блок обирається по два питання.

Блок 1.

Пояснити роль попередньої обробки даних у побудові систем штучного інтелекту. Навести приклади з аграрної або медичної сфери.
Порівняти підходи навчання з учителем і без учителя: які особливості у підготовці даних для цих методів?
Провести розвідувальний аналіз обраного набору даних: визначити пропуски, аномалії та типи змінних.
Використати бібліотеку pandas-profiling або Sweetviz для автоматизації EDA та зробити висновки.
Дослідити ефективність методів виправлення пропущених значень: SimpleImputer та KNNImputer. Порівняти результати.
Продемонструвати на прикладі різницю між методами виявлення викидів: «3 сигми», IQR, Percentile.
Провести візуалізацію зв’язків між ознаками за допомогою теплової карти кореляції (seaborn.heatmap).
Пояснити відмінність між методами масштабування даних: StandardScaler, MinMaxScaler, RobustScaler.
Виконати кодування категоріальних змінних трьома методами (One-Hot, Label, Target) та оцінити придатність кожного.
Створити декілька варіантів підготовлених датасетів із різними комбінаціями методів та порівняти їх між собою.

Блок 2.

Завантажити датасет (наприклад, Titanic або Iris) та виконати його попередній аналіз: визначити кількість змінних, типи даних, пропуски.
Реалізувати виявлення та обробку пропущених значень трьома різними методами (mean, median, KNNImputer) і порівняти результати.
Виконати масштабування числових ознак за допомогою StandardScaler і MinMaxScaler, візуалізувати розподіли до і після нормалізації.
Провести кодування категоріальних змінних (One-Hot Encoding та Label Encoding) і пояснити різницю між підходами.
Побудувати графік розподілу числових змінних із використанням бібліотек matplotlib і seaborn.
Реалізувати метод виявлення викидів (IQR, Z-score) та порівняти результати.
Сформувати нові ознаки (feature engineering), наприклад, обчислити співвідношення між двома існуючими змінними.
Виконати аналіз кореляції між ознаками та побудувати теплову карту кореляційної матриці.
Реалізувати генерацію синтетичних даних для балансування класів методом SMOTE.
Скласти підсумковий звіт у Jupyter Notebook, що містить код, графіки й текстові висновки.