Степан СергеевКурсовая по искусственному интеллекту в НИЯУ МИФИ хорошо соответствует текущему образовательному контексту университета. В программах 2026 года ИИ появляется внутри программной инженерии, бизнес-информатики, интеллектуальных систем и наук о данных. В перечне прямо указана, например, «Программная инженерия искусственного интеллекта».
Официальная страница:
https://admission.mephi.ru/admission/baccalaureate-and-specialty/education/programs
Поэтому тема может быть связана не только с нейросетью, но и с полной интеллектуальной системой: данные, модель, software, deployment и контроль качества.
Исследовательский вопрос
Слабая тема:
«Применение искусственного интеллекта для анализа данных».
Сильнее:
«Сравнение градиентного бустинга и нейронной сети для выявления редкого события при фиксированном recall».
Теперь понятно:
- dataset;
- models;
- metric;
- comparison.
Dataset до model
Сначала изучите данные.
Опишите:
- source;
- period;
- N;
- target;
- features;
- missing;
- class balance.
Не начинайте работу с выбора architecture.
Ground truth
Что считается правильным ответом?
Если label поставлен экспертом, укажите процедуру.
Если target вычислен правилом, покажите правило.
Плохой ground truth ограничивает любую модель.
Разделение
До экспериментов создайте:
- train;
- validation;
- test.
Test не используется для выбора модели.
Иначе финальная оценка становится оптимистичной.
Group split
Если у одного объекта несколько records, разделяйте по объекту.
Например:
несколько измерений одного устройства.
Если часть попадёт в train, а часть в test, модель может запомнить объект.
Time split
Для прогноза будущего используйте chronological split.
Будущее не должно участвовать в обучении прошлого.
Random split может давать leakage.
Data leakage
Типичные случаи:
- scaling по полному dataset;
- feature из будущего;
- duplicate records;
- target encoded на полном наборе.
Проверьте pipeline отдельно.
Baseline
Начните с простого:
- majority;
- linear model;
- simple rule;
- previous value.
Сложная модель должна улучшать конкретный показатель.
Accuracy
Для редкого события accuracy может быть почти бесполезной.
Если 99% объектов normal, модель «всегда normal» даст 99%.
Но не найдёт ни одной аномалии.
Precision и recall
Если пропуск опасен, важен recall.
Если проверка каждого alert дорогая, важен precision.
Выбор метрики связан с реальной задачей.
F1
F1 балансирует precision и recall.
Но она не учитывает разную стоимость ошибок.
Если цена FP и FN различна, покажите это отдельно.
Confusion matrix
Это один из самых понятных артефактов защиты.
Покажите:
- TP;
- FP;
- FN;
- TN.
Объясните, какая ошибка наиболее неприятна.
Threshold
Вероятностная модель не обязана использовать 0,5.
Выберите threshold по:
- desired recall;
- false positive rate;
- cost.
Покажите precision-recall curve.
Calibration
Если probability используется для риска, проверьте calibration.
Модель с score 0,9 должна иметь понятный probabilistic meaning.
Preprocessing
Все трансформации учатся только на train.
Например:
- normalization;
- imputation;
- feature selection.
Лучше оформить pipeline.
Missing values
Пропуск может означать:
- sensor failure;
- absence;
- no event.
Не заменяйте всё нулём автоматически.
Сначала поймите смысл.
Outlier
Аномальное значение может быть:
- real rare event;
- sensor error;
- data corruption.
Не удаляйте всё необычное, особенно если тема anomaly detection.
Feature engineering
Признак должен быть доступен в момент inference.
Если он появляется после события, модель непригодна для раннего прогнозирования.
Neural network
Если используется NN, опишите:
- architecture;
- loss;
- optimizer;
- epochs;
- batch;
- regularization.
Не ограничивайтесь названием фреймворка.
Overfitting
Смотрите:
- train metric;
- validation metric.
Если train продолжает улучшаться, а validation ухудшается, модель переобучается.
Покажите learning curve.