Онлайн-курс

Нейронные сети и их приложения

  • 5 бөлім
  • 49 материал
  • 1 тест
Кіру және бастау → Курс бағдарламасы
Сипаттама

Курс туралы

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

Мазмұны

Курс бағдарламасы

Бөлімдердің материалдары мен тесттері курсқа жазылғаннан кейін ашылады.

  1. Модуль 1 12 элемент
    • Қор Лекция 1
    • URL Видео лекция 1
    • Қор Презентация лекция 1
    • Қор Лекция 2
    • URL Видео лекция 2
    • Қор Презентация лекция 2
    • Қор Лекция 3
    • URL Видео лекция 3
    • Қор Презентация лекция 3
    • Қор Лекция 4
    • URL Видео лекция 4
    • Қор Презентация лекция 4
  2. Модуль 2 12 элемент
    • Қор Лекция 5
    • URL Видео лекция 5
    • Қор Презентация лекция 5
    • Қор Лекция 6
    • URL Видео лекция 6
    • Қор Презентация лекция 6
    • Қор Лекция 7
    • URL Видео лекция 7
    • Қор Презентация лекция 7
    • Қор Лекция 8
    • URL Видео лекция 8
    • Қор Презентация лекция 8
  3. Модуль 3 12 элемент
    • Қор Лекция 9
    • URL Видео лекция 9
    • Қор Презентация лекция 9
    • Қор Лекция 10
    • URL Видео лекция 10
    • Қор Презентация лекция 10
    • Қор Лекция 11
    • URL Видео лекция 11
    • Қор Презентация лекция 11
    • Қор Лекция 12
    • URL Видео лекция 12
    • Қор Презентация лекция 12
  4. Модуль 4 9 элемент
    • Қор Лекция 13
    • URL Видео лекция 13
    • Қор Презентация лекция 13
    • Қор Лекция 14
    • URL Видео лекция 14
    • Қор Презентация лекция 14
    • Қор Лекция 15
    • URL Видео лекция 15
    • Қор Презентация лекция 15
  5. Итоговый контроль по МООК 1 элемент
    • Тест Тест
Ұсынамыз
Бағыттың барлық курстары →