Модуль 5 - Школа анализа инженерных данных

Модуль 5. Надежные промышленные модели для анализа данных

Добро пожаловать!

Перед вами учебный комплект к пятому модулю Школы анализа инженерных данных. Он состоит из:

1. Лекции
2. Контрольных материалов
3. Короткого практического семинара
4. Домашнего задания

Что вы узнаете из этого модуля:

• как работать над проектом с промышленным горизонтом планирования,
• как принимать решения о дальнейшем развитии модели,
• как подавать данные в модель и отправить ее на контроллер.

1. Надежные промышленные модели для анализа данных (61 минута)

Мы подошли к финальной лекции курса — сегодня разберёмся, что делать с моделью после того, как она обучена. Вы узнаете, как принять решение: продолжать, менять, возвращаться к данным или отправлять в производство.

2. Жизненный цикл проекта анализа данных

Представьте, что ваш скрипт должен прожить дольше одного запуска — и не просто прожить, а быть переданным коллеге или запущенным на железе. Разберём семь этапов жизненного цикла: от исследования в ноутбуке до мониторинга на производстве.

3. Дорабатываем модель

А что, если модель работает, но недостаточно хорошо? Есть четыре источника проблемы: модель, данные, фильтрация, постановка задачи. Мы научимся различать их по остаткам и метрикам, а не гадать.

4. Робастные модели: устойчивость к проблемам с данными

Знали ли вы, что медиана устойчивее среднего, а пропуск в данных — это не мусор, а сигнал? Разберёмся, как проектировать анализ, который не ломается от выбросов и дефицита данных.

5. Устаревание модели и онлайн идентификация

Сейчас мы разберёмся, что делать, когда условия изменились, а модель об этом не знает. На примере спектрограмм молока покажем, как детектировать смену рецептуры, когда переобучать модель и как не спутать деградацию прибора со сменой продукта.

6. Упрощение модели перед отправкой на контроллер

Как втиснуть модель в микроконтроллер, у которого всего 2 КБ памяти? Разберём квантизацию, ограничение деревьев и другие приёмы сжатия — с проверкой, что модель не потеряла качество.

7. Подача данных в модель и её развёртывание

Один и тот же алгоритм может получать данные из файла, по UDP, через API или через чат-бота. Разберёмся, как выбрать способ под задачу и как отправить модель в другую среду — от маскированных ячеек до FMU и MCP.

8. Заключение

Поздравляю — вы добрались до конца курса. Соберём главные выводы вместе: эмпирический метод исследования, остатки важнее метрик, простая модель ценнее сложной, а модель на контроллере требует архитектурных решений для надёжности.

Для того чтобы пройти тестирование, перейдите по ссылке.

Материал для практической подготовки к выполнению и сдачи домашнего задания.

Если вы смотрите курс в Сообществе, откройте его в Engee (кнопка Открыть в Engee наверху страницы)

1. Откройте в файловом браузере папку, где расположен учебный комплект.

2. Решите практическую работу на платформе Engee и сопоставьте ваши результаты с ожидаемыми.

3. Чтобы сдать результаты домашней работы, перейдите по этой ссылке и скопируйте код из специально выделенных кодовых ячеек в проверочную систему Etude.