Лабораторная работа №5. Описательная статистика в Python.

В рамках лабораторной работы студенты знакомятся с подходами описательной статистики, используемой для систематизации и количественного описания данных. С использованием пакета Python на выборках данных будут рассчитаны: среднее значение (указывает на типичное значение в нашем наборе данных); медиана (является центральным значением в ряду данных); мода (значение, которое появляется наиболее часто); размах (разность между максимальным и минимальным значениями в наборе данных); дисперсия и стандартное отклонение (являются средним расстоянием от среднего арифметического значения).

Лабораторная работа №6. Обработка экспериментальных данных в Python (Origin).

Цель работы: практическое ознакомление со способами обработки экспериментальных данных. Изучение встроенных функций Python (Mathcad, Origin) для интерполяции, аппроксимации, регрессии, сглаживания.

Лабораторная работа №7. Анализ данных в Python.

Язык программирования Python в последнее время все чаще используется для анализа данных, как в науке, так и коммерческой сфере. Этому способствует простота языка, а также большое разнообразие открытых библиотек. В рамках лабораторной работы будет осуществлен пример исследования и классификации набора соединений по химическому составу и свойствам с использованием встроенных библиотек Python. Целью работы будет ознакомление учащихся с простым способом обработки большого объема данных средствами Python.

Лабораторная работа №8. Машинное обучение в Python.

В рамках работы рассмотрим следующий пример машинного обучения. Мы будем тренировать нейрон на решение задачи, представленной ниже. Первые четыре примера назовем тренировочной выборкой. Процесс обучения нейронной сети. Вход с большим положительным или большим отрицательным весом сильно повлияет на выход нейрона. Прежде чем мы начнем, установим каждый вес случайным числом. Затем начнем обучение: Берем входные данные из примера обучающего набора, корректируем их по весам и передаем по специальной формуле для расчета выхода нейрона. Вычисляем ошибку, которая является разницей между выходом нейрона и желаемым выходом в примере обучающего набора. В зависимости от направления ошибки слегка отрегулируем вес. Повторите этот процесс 10 000 раз. В конце концов вес нейрона достигнет оптимального значения для тренировочного набора. Если мы позволим нейрону «подумать» в новой ситуации, которая сходна с той, что была в обучении, он должен сделать хороший прогноз.

Лабораторная работа № 9. Создание макета системы управления химико-технологическим процессом в пакете LabVIEW.

LabVIEW — это среда разработки и платформа для выполнения программ, созданных на графическом языке программирования «G» фирмы National Instruments (США). В настоящее LabVIEW используется в системах сбора и обработки данных, а также для управления техническими объектами и технологическими процессами.

Цель работы: изучение студентами основ построения и работы системы управления химико-технологических процессом, работающих по принципам обратной связи.

Лабораторная работа № 10. Создание химико-технологической схемы химико-технологического процесса в среде Aspen HYSYS.

Aspen HYSYS представляет собой программный пакет, предназначенный для моделирования в стационарном и динамическом режимах технологической схемы, проектирования химико-технологических производств, контроля производительности оборудования, оптимизации и бизнес - планирования в области химической технологии. Целью работы является расчет химико-технологической схемы в пакете Aspen Hysys, моделирование оптимальных режимов управления химическим производством.