Краткое описание раздела

  • Общие сведения

    Современные информационные технологии активно внедряются в жизнь нашего общества. Начинают находить применение не только достижения новейшей электроники и инновационных технологий, но и системы искусственного интеллекта и компьютерного обучения студентов и школьников.

    Машинное обучение является важным компонентом науки о данных, которая в настоящее время развивается очень стремительно. Алгоритмы машинного обучения обучаются классифицировать данные, строить прогнозы и выделять важные моменты в ходе проектов по сбору и анализу данных.

    Дата начала курса

    2021-10-29

    Дата завершения курса

    Дата уточняется

    Язык курса
    Русский
    Язык проморолика
    Русский
    Язык субтитров проморолика
    Русский
    Возможно получить сертификат

    Да

    Преподаватели

    Трубянов Алексей Борисович

    кандидат биологических наук и.о. декана физико-математического факультета

    Виноградов Вячеслав Олегович

    старший преподаватель кафедры прикладной математики и информатики

    Евдокимов Алексей Олегович

    кандидат технических наук, доцент кафедры прикладной математики и информатики

    Дата окончания записи на онлайн-курс

    Дата уточняется

    Входные требования

    Умение работать с ПК и в сети Интернет, знание основ алгоритмизации

    Содержание курса

    Модуль 1. Применение машинного обучения


    Круг задач для машинного обучения. Способы машинного обучения. Алгоритмы глубокого обучения. Процессы подготовки данных. Данные для машинного обучения.


    Модуль 2. Искусственные нейронные сети


    Понятие персептрон. Многослойный перцептрон и построение нейронной сети. Метод обратного распространения ошибки. Улучшение сети, учет ошибок, проведение экспериментов по обучению модели. Оптимизация параметров нейронной сети.


    Модуль 3. Библиотеки Keras и TensorFlow


    Установка и настройка Keras, TensorFlow. TensorFlow API. Необходимый минимум. Keras API. Необходимый минимум. Библиотеки, фреймворки, boards для задач машинного обучения.


    Модуль 4. Сверточные нейронные сети


    Cвертка функций: определение, свойства, история. Дискретная свертка. Вычислительные алгоритмы операции свертки. Структура сверточной нейронной сети: сверточный и субдискретизирующий слои. Примеры архитектур сверточных нейронных сетей. Сети классификации изображений. 


    Модуль 5. Рекуррентные нейронные сети


    Cети Хопфилда и Хэмминга. Сети Элмана и Джордана. Двунаправленная ассоциативная память (BAM). Долгая краткосрочная память (LSTM). Управляемые рекуррентный блок (GRUs).


    Модуль 6. Автокодировщики


    Представление данных. Многослойные автокодировщики. Виды автокодировщиков. Реализация в TensorFlow. Сеть для реализации задачи семантического хэширования (практика создания).


    Модуль 7. Обучение с подкреплением


    Программные агенты и стратегии назначения наград. Инструменты OpenAI Gem для обучения агентов. Политики в форме нейронных сетей. Сеть для персонализации меню ресторана (практика создания).


    Модуль 8. Порождающие и состязательные сети (GAN, WaveNet)


    Генеративно-состязательные сети. Инструмент для работы с нейронными сетями Keras. Сеть для генерации звука WaveNet. Алгоритмы генеративного обучения. Построение GAN сети. Сеть для автоматического синтеза реалистичных изображений из текста.

    Направления подготовки

    09.00.00 Информатика и вычислительная техника

    01.03.01 Математика

    01.03.02 Прикладная математика и информатика

    02.03.03 Математическое обеспечение и администрирование информационных систем

    44.03.01 Педагогическое образование

    Длительность онлайн-курса

    8 (недель)

    Объем онлайн-курса

    32 (часов всего)

    Требуемое время для изучения онлайн-курса

    4 (часов в неделю)

    Трудоемкость в з.е.

    1

    Оценочные средства

    Оценочные средства содержат тестовый контроль по темам и модулям курса

    Описание системы оценивания

    Оценочные средства содержат тестовый контроль по модулям курса и итоговый тест по всей тематике предметной области курса. Критериями оценивания являются: полнота и правильность знаний, их обобщенность и системность. Критерии рассматриваются по показателям: знания, понимания, глубины усвоения обучающимся всего объема программного материала, умения делать выводы. Тестовый контроль оценивается по пятибалльной системе, за итоговый тест максимальное количество баллов - 60.

    Чему вы научитесь

    понимать принципы реализации машинного обучения и нейронных сетей

     

    определять задачи машинного обучения и практически их реализовывать с применением необходимых библиотек

     

    представлять данные машинного обучения для реализации нейронных сетей

     

    Кому подойдет этот курс

    Обучающимся

    сможете систематизировать и углубить знания, пообщаться с профессионалами, применить модели машинного обучения на практике.

     

    Аналитикам

    узнаете, какие задачи решает машинное обучение, примените основные методы предобработки данных, научитесь готовить данные и оценивать качество алгоритмов.

     

    Преподавателям

    сможете расширить профессиональные возможности и получить практические навыки в машинном обучении, научитесь строить модели машинного обучения и нейронные сети, правильно использовать инструменты для работы с большими данными.