Машинное обучение и искусственный интеллект

В рамках курса слушатели освоят комплекс знаний и приобретут навыки, необходимые для применения методов искусственного интеллекта и машинного обучения в профессиональной деятельности. 

Начните свой путь к карьере в высокотехнологичной области и станьте экспертом в разработке систем искусственного интеллекта! 

Присоединяйтесь к Telegram-каналу МИСИС Онлайн и каналу МИСИС Онлайн в MAX или пишите на openedu@misis.ru. Мы ответим на все ваши вопросы.

Модуль 1. Введение в математику методов искусственного интеллекта

Раздел 1. Избранные разделы теории вероятностей и математической статистики
Тема 1. Основные понятия комбинаторики. Перестановки, размещения, сочетания.
Тема 2. Случайные события. Вероятность.
Тема 3. Условная вероятность. Формула полной вероятности. Формула Байеса.
Тема 4. Дискретные случайные величины.
Тема 5. Непрерывные случайные величины. Нормальное распределение.
Тема 6. Проверка статистических гипотез.

Раздел 2. Математические методы машинного обучения
Тема 1. Линейная регрессия. 
Тема 2. Логистическая регрессия.
Тема 3. Деревья решений.
Тема 4. Случайный лес.
Тема 5. Градиентный бустинг.
Тема 6. Кластеризация k-means.

Раздел 3. Математические методы искусственных нейронных сетей
Тема 1.  Введение в математический аппарат нейронных сетей.
Тема 2.  Математическая модель перцептрона. Многослойные нейронные сети.
Тема 3.  Методы оптимизации для обучения нейронных сетей. Софтмакс и кросс-энтропия.
Тема 4.  Сверточные нейронные сети.
Тема 5.  Рекуррентные нейронные сети.
Тема 6.  Математический аппарат механизма attention. Механизм self-attention. Трансформеры.

Модуль 2. Инфраструктура и инструменты систем искусственного интеллекта

Раздел 1. Основы Python
Тема 1. Типы данных. Списки, кортежи, словари.
Тема 2. Условные операторы. Циклы while и for.
Тема 3. Работа со строковыми данными.
Тема 4. Использование итераторов и генераторов.
Тема 5. Функции. Декораторы.
Тема 6. Основы ООП.

Раздел 2. Основы библиотек языков программирования и инструменты разработки
Тема 1. Библиотека Numpy для задач линейной алгебры.
Тема 2. Обработка данных с помощью Pandas.
Тема 3. Визуализация данных с использованием Matplotlib и Seaborn.
Тема 4. Работа с алгоритмами машинного обучения в Scikit-learn.
Тема 5. Построение нейронных сетей с помощью TensorFlow.
Тема 6. Библиотека PyTorch для нейронных сетей.

Раздел 3. Основы баз данных
Тема 1. Реляционные и нереляционные СУБД. Принципы работы СУБД ClickHouse.
Тема 2. Создание баз данных и таблиц в ClickHouse. Вставка данных в таблицу.
Тема 3. Запросы SELECT. Объединение данных из разных таблиц с помощью JOIN.
Тема 4. Агрегирующие и аналитические запросы. Оконные функции.
Тема 5. Работа с временем. Материализация данных.
Тема 6. Обработка запросов. Сжатие данных.

Модуль 3. Прикладные задачи методов глубокого обучения и машинного обучения

Раздел 1. Задачи анализа изображений с использованием глубокого обучения 
Тема 1. Исследование аномалий во временных рядах на примере изменения параметров оборудования.
Тема 2. Семантическая сегментация промышленных изображений.
Тема 3. Методы и задачи обнаружения объектов на изображениях в системах камерного мониторинга.

Раздел 2. Задачи анализа изображений с использованием глубокого обучения
Тема 1. Решение задач анонимизации медицинских изображений.
Тема 2. Сегментация изображений тканей организма.
Тема 3. Object detection для изображений тканей организма. 
Тема 4. Регуляция экспрессии генов в организме и заболевания, связанные с ее нарушением.
Тема 5. Применение нейронных сетей для предсказания эпигенетических меток.
Тема 6. Проблема предсказания эффектов индивидуальных вариантов и применение нейронных сетей для работы с данными массового параллельного секвенирования с репортерами.

В результате освоения курса у обучающихся формируются следующие компетенции:
Знать
- систему математических методов искусственного интеллекта и машинного обучения;
- ведущие средства и инструменты разработки программного обеспечения для реализации методов искусственного интеллекта и машинного обучения.

Уметь
- разрабатывать архитектуру и математические модели нейросетей;
- собирать и готовить данные для обучения моделей;
- оптимизировать и тестировать модели машинного обучения;
- интерпретировать результаты работы нейросетей.

Владеть
- навыками программирования на языке программирования Python, R или Julia, что позволяет создавать и реализовывать собственные алгоритмы и модели искусственного интеллекта; 
- навыками машинного обучения и глубокого обучения, что позволяет разрабатывать и оптимизировать модели машинного обучения, а также создавать и обучать нейронные сети, необходимые для разработки систем искусственного интеллекта;
- навыками визуализации данных и результатов их анализа, что помогает лучше понимать результаты работы моделей искусственного интеллекта и эффективнее представлять их заказчику. 

УК-1: Способен осуществлять критический анализ новых и сложных инженерных объектов, процессов и систем в междисциплинарном контексте, проблемных ситуаций на основе системного подхода, выбрать и применить наиболее подходящие и актуальные методы из существующих аналитических, вычислительных и экспериментальных методов или новых и инновационных методов, вырабатывать стратегию действий. 

ПК-1: Способность организовать и проводить научные исследования, связанные с разработкой проектов технологических машин и оборудования.

ПК-2: Способен планировать и осуществлять экспериментальные исследования, компьютерное моделирование, анализировать и обрабатывать результаты, делать выводы, составлять и оформлять отчеты по проведенным исследованиям в области биоматериаловедения. 

ПК-3: Способен осуществлять и обосновывать рациональный выбор материалов и технологических процессов для создания биосовместимых материалов и медицинских изделий с заданной структурой и свойствами. 

​​ПК-4: Способен проектировать технологические процессы изготовления машиностроительных изделий с применением систем автоматизированного проектирования. 

ОПК-9: Способен проектировать и разрабатывать продукцию, процессы и системы в условиях неопределенности и альтернативных решений в междисциплинарных областях, соответствующих профилю подготовки, разрабатывать новое технологическое оборудование. 

ОПК-12: Способен осуществлять моделирование, анализ и эксперименты в целях проведения детального исследования для решения сложных задач в профессиональной области, разрабатывать современные методы исследования технологических машин и оборудования, оценивать и представлять результаты выполненной работы.
ОПК-13: Способен разрабатывать и применять современные цифровые программы проектирования технологических машин и оборудования, алгоритмы моделирования их работы и испытания их работоспособности.