Нейронные сети и их приложения
- 5 разделов
- 49 материалов
- 1 тест
О курсе
Рыстыгулова В.Б. – к.ф.-м.н., и.о. ассоц. профессор,
1. Характеристика МООК
1.1. Цель изучения дисциплины «Нейронные сети и их приложения» сформировать у обучающихся целостного представления о теоретических и математических основах нейронных сетей, их базовых и специализированных архитектурах, методах обучения, оптимизации и регуляризации, а также приобретение практических навыков применения нейросетевых моделей для решения прикладных задач в области анализа данных, компьютерного зрения и обработки естественного языка. В рамках дисциплины обучающиеся осваивают современные фреймворки и инструменты промышленной разработки, изучают генеративные модели, вопросы безопасности и этики искусственного интеллекта, а также современные тенденции и перспективы развития нейронных сетей, что обеспечивает подготовку специалистов, способных эффективно и ответственно использовать нейросетевые технологии в профессиональной деятельности.
1.2. Задачи изучения по модулям дисциплины «Нейронные сети и их приложения»
Модуль 1: Фундаментальные основы и базовые архитектуры нейронных сетей
Этот модуль закладывает основу, знакомя студентов с историей, ключевыми понятиями и математическим аппаратом нейронных сетей. Он охватывает архитектуры от простейшего перцептрона до многослойных сетей, а также детально разбирает основной механизм их обучения — алгоритм обратного распространения ошибки (backpropagation).
Модуль 2: Глубокое обучение: специализированные архитектуры и тонкая настройка
Модуль погружает в методы оптимизации и регуляризации для повышения эффективности обучения. Студенты изучают специализированные архитектуры для разных типов данных: сверточные сети (CNN) для изображений и рекуррентные сети (RNN) для последовательностей, что составляет основу глубокого обучения.
Модуль 3: Прикладное применение и генеративные модели
Здесь фокус смещается на практическое применение нейросетей в реальных задачах, таких как компьютерное зрение и обработка естественного языка (NLP). Модуль также знакомит с мощными генеративными моделями — автоэнкодерами и генеративно-состязательными сетями (GAN), способными создавать новый контент.
Модуль 4: Промышленная разработка, безопасность и тенденции
Завершающий модуль посвящен инженерным и этическим аспектам. Он охватывает инструменты для промышленной разработки и развертывания моделей, вопросы безопасности (например, защита от атак) и этики ИИ, а также дает обзор современных трендов и будущего развития нейронных сетей.
1.3. Результаты обучения по дисциплине «Нейронные сети и их приложения»:
Знания: обучающиеся знают теоретические и математические основы нейронных сетей, принципы их построения и функционирования, основные архитектуры искусственных нейронных сетей (перцептрон, многослойные сети, CNN, RNN, автоэнкодеры, GAN), методы обучения и оптимизации, функции потерь и метрики качества, а также области прикладного применения нейронных сетей, современные фреймворки глубокого обучения, вопросы безопасности и этические аспекты использования нейросетевых технологий.
Умения: Обучающиеся умеют проектировать и настраивать нейронные сети для решения задач классификации, регрессии, анализа изображений и текстов, выбирать подходящие архитектуры и методы обучения, применять алгоритмы оптимизации и регуляризации, анализировать качество работы моделей с использованием метрик, интерпретировать результаты обучения и интегрировать нейросетевые решения в прикладные и исследовательские проекты.
Навыки: Обучающиеся владеют практическими навыками программной реализации, обучения и тестирования нейронных сетей с использованием современных фреймворков (TensorFlow, PyTorch), навыками работы с данными, настройки гиперпараметров, визуализации результатов, выявления и устранения переобучения, а также навыками ответственного и безопасного применения нейросетевых технологий в профессиональной деятельности.
2. Пререквизиты. Введение в искусственный интеллект
3. Постреквизиты. Искусственный интеллект и экспертные системы
4. Количество академических кредитов / продолжительность МООК – 30 академических часов.
5. Уровень сложности курса: средний
Программа курса
Материалы и тесты разделов открываются после записи на курс.
-
Модуль 1 12 элементов
-
Файл Лекция 1
-
Гиперссылка Видео лекция 1
-
Файл Презентация лекция 1
-
-
-
-
-
-
-
-
-
-
-
Модуль 2 12 элементов
-
-
-
-
-
-
-
-
-
-
-
-
-
-
Модуль 3 12 элементов
-
-
-
-
-
-
-
-
-
-
-
-
-
-
Модуль 4 9 элементов
-
-
-
-
-
-
-
-
-
-
-
Итоговый контроль по МООК 1 элемент
-
Тест Тест
-
Другие курсы направления
Информационные технологииИнформационно-коммуникационные технологии
Информационные технологииТехнология разработки и стандартизация ПО
Информационные технологииКомпьютерные сети и администрирование компьютерных сетей
Информационные технологииМАТЕМАТИКА В ЭКОНОМИКЕ.