ОБУЧЕНИЕ

Дисциплина поможет подготовиться к проведению научных исследований. Вы научитесь искать и анализировать источники, системно представлять результаты своих исследований, визуализировать данные.

Продвинутый курс по программированию нейронных сетей для обработки изображений. Вы рассмотрите применение сверточных нейросетей для классификации и сегментации изображений. Изучите архитектуры популярных предварительно обученных сетей: VGG16, ResNet, Inception, познакомитесь с переносом обучения, расширением данных.

Дисциплина расскажет какие современные подходы используются для автоматизации сквозного процесса применения машинного обучения к задачам реального мира, как и когда их использовать. Также будут рассмотрены способы построения новых методов автоматического машинного обучения на базе существующих подходов. Вы научитесь понимать, как устроены алгоритмы поиска архитектур нейронных сетей, и выстраивать процессы настройки гиперпараметров сложных моделей.

Курс посвящен современной исследовательской деятельности на русском языке. Вы обсудите как общие проблемы научного стиля и жанров, так и принципы организации публикационной инфраструктуры. Все вопросы рассмотрите на практике и закрепите полученные знания, выполняя задания.

В курсе рассматривается применение нейросетей для решения прикладных задач компьютерного зрения и анализа текстов. Вы узнаете, как устроена модель искусственного нейрона и всей сети, а также как обучать нейросеть решать задачи анализа данных. Рассмотрите популярные в настоящее время архитектуры нейронных сетей: сверточные, сети долго-краткосрочной памяти (LSTM) и управляемые рекуррентные блоки (GRU).

В рамках курса вы будете проводить самостоятельное исследование для дипломной работы или на стороннюю тему. Результатом станет семестровый отчет или опубликованная статья.

Курс посвящен современным подходам к обработке и генерации последовательностей, таких как текст на естественном языке и программный код. Вы научитесь применять современные подходы к решению задач в области компьютерной лингвистики и автоматической разработки программного обеспечения, приобретете навыки интерпретации результатов работы базовых алгоритмов автоматической обработки текста.

В курсе рассматриваются современные методы глубокого обучения с подкреплением. Вы научитесь сводить прикладные задачи к формализму обучения с подкреплением, а также реализовывать различные методы.

На курсе вы познакомитесь с видами и формами представления информации и принципах ее кодирования и декодирования. Научитесь использовать формулу Шеннона, применять закон аддитивности и теорему Котельникова.

Прослушав курс, вы узнаете, что такое эволюционный подход в искусственном интеллекте и чем он отличается от других. Разберетесь, в чем суть и смысл генетических алгоритмов, поймете, какие задачи можно решать с их помощью.

Курс дает теоретические и практические знания о больших данных, аналитике и инструментах по работе с ними. Вы на практике попробуете использовать современные технологии и инструментальные средства: Hadoop, MapReduce, Spark, NoSQL, язык R и др.

В рамках курса вы будете проводить самостоятельное исследование для дипломной работы или на стороннюю тему. Результатом станет семестровый отчет или опубликованная статья.

Курс состоит из семинарских занятий, на которых студенты презентуют, проводят детальный анализ и обсуждают последние работы, опубликованные в топовых журналах в области искусственного интеллект.

В рамках курса вы будете проводить самостоятельное исследование для дипломной работы или на стороннюю тему. Результатом станет семестровый отчет или опубликованная статья.

В этом курсе вы рассмотрите некоторые хорошо известные и понятные примеры проблем машинного обучения в реальном мире. Затем познакомитесь с таксономией (системой именования) стандартных проблем и узнаете, как определить конкретную задачу как один из этих стандартных случаев.

В рамках дисциплины вы рассмотрите фундаментальные математические принципы, которые позволяют глубоким сетям обучаться. Вы сможете интерпретировать процессы обучения сетей с вероятностной точки зрения и понять теоретические основы изначально эвристических принципов, заложенных в работу современных глубоких нейросетей.

Курс фокусируется на проблематике верифицирования работы систем на основе искусственного интеллекта. «Непредсказуемость» таких систем и отсутствие доказательств того, что они не будут показывать нежелательное поведение — часто основное, что препятствует их внедрению в реальные процессы. Из курса вы узнаете формальные постановки задач и современные методы верификации алгоритмов машинного обучения.

На курсе вы изучите возможности математической оптимизации, основные алгоритмы на основе интуитивных иллюстраций, ограничения и сильные стороны, виды задач и области их применения. Рассмотрите типичные вопросы из различных областей деятельности и специфику внедрения оптимизационных продуктов. Также вы научитесь выявлять возможности для внедрения оптимизации, грамотно ставить сбалансированные задачи математической оптимизации и подбирать средства для решения.

В этом курсе вы рассмотрите современные архитектуры генеративных моделей и алгоритмы их обучения. На семинарах будут разобраны индустриальные примеры использования таких моделей, включая вариационные автоэнкодеры (VAE), генеративные состязательные сети (GAN), авторегрессионные модели и модели нормализующих потоков. На курсе также будут приведены области знания, которые выигрывают от применения генеративных моделей в настоящее время и могут выиграть в будущем.

Программа курса сфокусирована на проблематике интерпретируемости работы систем на основе ИИ. Вы обсудите само понятие, а также методы и модели в машинном обучении, которые позволяют отследить, как алгоритм принял то или иное решение.

В рамках курса вы познакомитесь с алгоритмами оценки качества и автоматической адаптации моделей машинного обучения под сложность задачи и объем данных.

В рамках курса вы будете проводить самостоятельное исследование для дипломной работы или на стороннюю тему. Результатом станет семестровый отчет или опубликованная статья.

В течение семестра вы агрегируете исследования, проведенные за всё время обучения в рамках дипломной работы. Результат курса — статья Scopus/WoS в издании с рейтингом не ниже B, написанная совместно с сотрудниками лаборатории машинного обучения.