Мы используем cookie, чтобы сайт работал корректно и был удобнее для вас. Запретить обработку cookie вы можете через браузер.
Уникальные программы бакалавриата ЮФУ в сфере искусственного интеллекта
Станьте частью нового поколения специалистов, которые создают будущее ИИ
Проект ТОП-ИИ
Искусственный интеллект в транспортной отрасли
Формат обучения
Объем модуля
Период проведения
Применение ИИ, машинного обучения и анализа данных для управления железнодорожным транспортом, мониторинга состояния оборудования и решения задач перевозочного процесса.
Онлайн (очный с применением дистанционных технологий)
144 ак. часа
Рекомендуется студентам 5 курса
ТОП-ИИ
Отраслевой модуль
Модуль разработан для внедрения
в образовательные программы вузов
в образовательные программы вузов
Модуль «Искусственный интеллект в транспортной отрасли» направлен на формирование профессиональных компетенций будущих инженеров-путейцев в области применения искусственного интеллекта, анализа данных и машинного обучения.
Обучающиеся изучают базовые понятия ИИ, методы машинного обучения, принципы построения и валидации моделей, способы обработки транспортных данных и инструменты Python. Особое внимание уделяется работе с данными железнодорожной инфраструктуры: телеметрией датчиков, изображениями и видеопотоками, информацией с подвижного состава, устройств сигнализации и автоматики.
Практическая подготовка включает прогнозирование отказов оборудования, оптимизацию графиков движения поездов и разработку систем компьютерного зрения для обнаружения дефектов железнодорожного пути.
Модуль разработан в рамках проекта ТОП-ИИ Минцифры России при участии АНО «Аналитический центр при Правительстве Российской Федерации» и предлагается вузам для внедрения в образовательные программы высшего образования.
Обучающиеся изучают базовые понятия ИИ, методы машинного обучения, принципы построения и валидации моделей, способы обработки транспортных данных и инструменты Python. Особое внимание уделяется работе с данными железнодорожной инфраструктуры: телеметрией датчиков, изображениями и видеопотоками, информацией с подвижного состава, устройств сигнализации и автоматики.
Практическая подготовка включает прогнозирование отказов оборудования, оптимизацию графиков движения поездов и разработку систем компьютерного зрения для обнаружения дефектов железнодорожного пути.
Модуль разработан в рамках проекта ТОП-ИИ Минцифры России при участии АНО «Аналитический центр при Правительстве Российской Федерации» и предлагается вузам для внедрения в образовательные программы высшего образования.
Для кого подготовлен
о модуле
23.05.05 «Системы обеспечения движения поездов», специализация «Автоматика и телемеханика на железнодорожном транспорте»
Специальности и направления подготовки высшего образования, при реализации которых применяется модуль:
Модуль предполагается к прохождению студентами 5-ого курса (9 семестр). Реализуется как компонент основной профессиональной образовательной программы (ОПОП).
Формат обучения
1 семестр, 4 зачетные единицы
Продолжительность
144 ак. ч.: 32 ак. ч. лекции, 16 ак. ч. лабораторные работы, 16 ак. ч. практические занятия, 71 ак. ч. самостоятельная работа, 9 ак. ч. контроль (зачет)
Трудоемкость
Дисциплина входит в часть образовательной программы, формируемую участниками образовательных отношений.
Условия реализации
Очная форма обучения
Формат обучения
Русский
Язык обучения
Программа обучения
Модуль обеспечивает подготовку к применению технологий искусственного интеллекта в управлении железнодорожным транспортом, анализе данных и мониторинге состояния оборудования.
Основные понятия, цели и задачи искусственного интеллекта. Машинное обучение, данные и датасеты, признаки, нейронные сети. Обучение с учителем, без учителя и с подкреплением.
Цифровая трансформация железнодорожной отрасли, технологии Big Data и Интернета вещей. Мониторинг оборудования, предиктивная аналитика, интеллектуальные системы управления движением поездов, пассажирские и грузовые сервисы.
Сбор, систематизация и подготовка данных. Алгоритмы классификации, регрессии и кластеризации. Применение методов машинного обучения для анализа транспортных данных, прогнозирования пассажиропотока и отказов инфраструктуры.
Технологии машинного зрения, обработка данных сенсоров, распознавание объектов на железнодорожном пути. Применение компьютерного зрения для диагностики оборудования, обнаружения дефектов и разработки систем технического зрения локомотивов.
Лабораторный практикум:
— Прогнозирование отказов оборудования железнодорожного транспорта методами машинного обучения.
— Оптимизация графика движения поездов с использованием алгоритмов искусственного интеллекта.
— Система компьютерного зрения для детекции дефектов железнодорожного пути.
Лабораторный практикум:
— Прогнозирование отказов оборудования железнодорожного транспорта методами машинного обучения.
— Оптимизация графика движения поездов с использованием алгоритмов искусственного интеллекта.
— Система компьютерного зрения для детекции дефектов железнодорожного пути.
Технологический стек модуля
OpenCV, PIL
Инструменты обработки изображений и решения задач компьютерного зрения.
Pandas
Библиотеки для работы с наборами данных, их обработки, агрегации и группировки.
TensorFlow Hub, TorchVision
Библиотеки для работы с предобученными моделями компьютерного зрения.
Matplotlib
Инструменты визуализации данных и результатов анализа
Scikit-learn
Библиотека для реализации алгоритмов машинного обучения, классификации, регрессии и оценки моделей.
Python
Язык программирования для анализа данных, реализации алгоритмов машинного обучения и визуализации результатов.
Разработчики, авторы УМК, эксперты
С. А. Швидченко
Кандидат технических наук, доцент кафедры «Информатика и вычислительная техника» СКФ МТУСИ.
Экспертиза рабочей программы дисциплины.
Экспертиза рабочей программы дисциплины.
Н. А. Москат
Кандидат технических наук, доцент.
Соавтор учебно-методических пособий по введению в интеллектуальные технологии и прикладному машинному обучению для железнодорожной отрасли.
Соавтор учебно-методических пособий по введению в интеллектуальные технологии и прикладному машинному обучению для железнодорожной отрасли.
О. В. Игнатьева
Кандидат технических наук, заведующая кафедрой «Вычислительная техника и автоматизированные системы управления» РГУПС.
Автор учебно-методических пособий по дисциплине «Искусственный интеллект в транспортной отрасли».
Автор учебно-методических пособий по дисциплине «Искусственный интеллект в транспортной отрасли».
Результаты обучения
Выбирать методы и модели ИИ для транспортных задач
Определять подходящие алгоритмы машинного обучения, оценивать их применимость, использовать методы регрессии, классификации и кластеризации для решения прикладных задач
Подготавливать данные для машинного обучения
Собирать, очищать, нормализовать и размечать данные железнодорожного транспорта. Формировать обучающие, валидационные и тестовые выборки.
Разрабатывать и оценивать модели машинного обучения
Работать с библиотеками Pandas, NumPy и Scikit-learn, анализировать метрики качества моделей, визуализировать результаты для принятия управленческих решений.
Анализировать данные железнодорожного оборудования
Работать с телеметрией, виброакустическими данными, тепловизионными снимками, видеопотоками и данными GPS/ГЛОНАСС. Оценивать пригодность данных для прогнозирования отказов и классификации дефектов.
Применять компьютерное зрение и технологии Интернета вещей
Подготавливать данные датчиков и видеосистем для моделей ИИ, использовать методы компьютерного зрения для мониторинга оборудования и распознавания объектов.
Выбирать методы и модели ИИ для транспортных задач
Определять подходящие алгоритмы машинного обучения, оценивать их применимость, использовать методы регрессии, классификации и кластеризации для решения прикладных задач.
Подготавливать данные для машинного обучения
Собирать, очищать, нормализовать и размечать данные железнодорожного транспорта. Формировать обучающие, валидационные и тестовые выборки.
Разрабатывать и оценивать модели машинного обучения
Работать с библиотеками Pandas, NumPy и Scikit-learn, анализировать метрики качества моделей, визуализировать результаты для принятия управленческих решений.
Анализировать данные железнодорожного оборудования
Работать с телеметрией, виброакустическими данными, тепловизионными снимками, видеопотоками и данными GPS/ГЛОНАСС. Оценивать пригодность данных для прогнозирования отказов и классификации дефектов.
Применять компьютерное зрение и технологии Интернета вещей
Подготавливать данные датчиков и видеосистем для моделей ИИ, использовать методы компьютерного зрения для мониторинга оборудования и распознавания объектов.
04
03
02
01
Преимущества внедрения модуля
Программа ориентирована на задачи железнодорожного транспорта: управление движением поездов, мониторинг оборудования, прогнозирование отказов и анализ инфраструктурных данных.
Изучение методов обработки телеметрии, видеопотоков, данных датчиков и других источников информации железнодорожной инфраструктуры.
Профессиональная компетенция ПК-5 интегрирует универсальные, профессиональные и отраслевые компетенции КРМ, разработанной Университетом ИТМО.
Лабораторные работы по прогнозированию отказов оборудования, оптимизации графиков движения поездов и обнаружению дефектов железнодорожного пути.
Отраслевая направленность
Работа с отраслевыми данными
Соответствие компетентностно-ролевой модели
Практическая подготовка
Искусственный интеллект становится частью управления железнодорожным транспортом
Что нужно знать будущему инженеру
- Развитие цифровых систем управления, киберфизических технологий и Интернета вещей повышает значимость ИИ для безопасности, надежности и эффективности транспортных процессов.
- Модуль объединяет инженерную подготовку с технологиями анализа данных и машинного обучения. Обучающиеся осваивают подходы к прогнозированию отказов, мониторингу инфраструктуры и интеллектуальному управлению перевозочными процессами.
- Полученные знания служат основой для дальнейшего изучения интеллектуальных транспортных систем, информационной безопасности управления, а также исследовательской, проектной и дипломной деятельности.