Искусственный интеллект

Бакалавриат 2024/2025

Статус: Курс обязательный (Технологии искусственного и дополненного интеллекта)

Направление: 09.03.04. Программная инженерия

Кто читает: Кафедра информационных систем и технологий (Нижний Новгород)

Где читается: Факультет информатики, математики и компьютерных наук (Нижний Новгород)

Когда читается: 3-й курс, 3, 4 модуль

Формат изучения: с онлайн-курсом

Онлайн-часы: 20

Охват аудитории: для своего кампуса

Преподаватели: Савченко Людмила Васильевна

Язык: русский

Кредиты: 5

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Курс является вводным и знакомит слушателей с основами науки о данных и принципами работы искусственного интеллекта. Курс будет интересен и полезен не только тем, кто уже знаком с основами анализа данных и программированием, но и тем, кто не имеет бэкграунда в этой области.За последние десятилетия во многих областях науки и индустрии стали накапливаться большие объемы данных, а также стали развиваться методы машинного обучения, позволяющие извлекать из этих данных знания и экономическую пользу. Сегодня методы анализа данных позволяют решать настолько сложные задачи, что в применении к ним всё чаще используют термин “искусственный интеллект”.Задача онлайн курса от НИУ ВШЭ — дать слушателям базовое представление о методах искусственного интеллекта, познакомить с терминологией и научить применять некоторые из методов для решения несложных задач. В процессе обучения вы дистанционно узнаете больше о мире искусственного интеллекта, его методах и даже самостоятельно попробуете обучать несложные модели на готовых данных.

Цель освоения дисциплины

Целями освоения данной дисциплины является формирование у студентов представления об основных принципах обучения с учителем (задачи регрессии и классификации) и без учителя (задача кластеризации) , например в проектировании роботов (восприятие, контроль), анализе текстов (онлайн поиск, анти-спам), компьютерном зрении, медицинских информационных системах (например, постановка диагноза по текстовому описанию), обработке аудио, интеллектуальном анализе баз данных и других областях.. А также умение применять сервисы ИИ и алгоритмы машинного обучения на практике.

Планируемые результаты обучения

Интерпретировать виды нейронных сетей (сверточные, рекуррентные, глубокие), возможность изменения параметров сети (число слоев, число нейронов). Применять нейронные сети для решения практических задач.
Уметь применять алгоритмы кластеризации на практике
уметь на практике применять алгоритмы сегментации
интерпретировать алгоритмы машинного обучения (с учителем, без учителя)
уметь интерпретировать задачу линейной регрессии и метрики качества
уметь интерпретировать задачу линейной регрессии с многими переменными. Применять полученные знания на практике.
интерпретировать задачи классификации (бинарная, множественная) и метрики качества для задач классификации
Интерпретировать нейронные сети, уметь применять на практике нейронные сети из библиотеки Keras для разных задач (регрессии, классификации)
Интерпретировать задачу кластеризации. Применять на практике основные алгоритмы кластеризации (k-means и DBSCAN). Применять и сравнивать показатели качества для задачи кластеризации.
Уметь интерпретировать задачу сегментации. Интерпретировать и применять на практике основные метрики качества и нейронные сети для решения задачи сегментации (U-Net, SegNet).
Интерпретировать задачу линейной регрессии, применять на практике основные алгоритмы для решения задачи линейной регрессии (метод наименьших квадратов, Lasso, Ridge), интерпретировать показатели качества (RMSE, MAE, R2).
Интерпретировать задачу бинарной классификации. Применять на практике алгоритмы для решения задачи бинарной классификации. Интерпретировать показатели качества.
Интерпретировать задачу множественной классификации. Применять и интерпретировать на практике методы и метрики качества для решения задачи многоклассовой классификации.
Интерпретировать задачу кластеризации. Уметь применять на практике основные алгоритмы кластеризации и интерпретировать метрики качества.
Интерпретировать задачу сегментации. Уметь применять на практике алгоритмы сегментации. Интерпретировать показатели качества.
Уметь осуществлять на практике автоматизированный сбор данных.
Уметь применять генеративные инструменты ИИ на практике
Осуществлять поиск современных методов и алгоритмов в области ИИ.