Нейронные сети и их приложения

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