• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Книга
Integral Robot Technologies and Speech Behavior

Kharlamov A. A., Pantiukhin D., Borisov V. et al.

Newcastle upon Tyne: Cambridge Scholars Publishing, 2024.

Статья
Clique detection with a given reliability

Semenov D., Koldanov A. P., Koldanov P. et al.

Annals of Mathematics and Artificial Intelligence. 2024.

Глава в книге
Neural Networks for Speech Synthesis of Voice Assistants and Singing Machines

Pantiukhin D.

In bk.: Integral Robot Technologies and Speech Behavior. Newcastle upon Tyne: Cambridge Scholars Publishing, 2024. Ch. 9. P. 281-296.

Препринт
DAREL: Data Reduction with Losses for Training Acceleration of Real and Hypercomplex Neural Networks

Demidovskij A., Трутнев А. И., Тугарев А. М. et al.

NeurIPS 2023 Workshop. ZmuLcqwzkl. OpenReview, 2023

Научный семинар

2021/2022
Учебный год
RUS
Обучение ведется на русском языке
3
Кредиты

Программа дисциплины

Аннотация

Данная дисциплина относится к базовой части цикла дисциплин профиля подготовки бакалавра. Она изучается в 3 модуле 4-го курса. Изучение данной дисциплины опирается на фундаментальные курсы «Математический анализ», «Геометрия и алгебра», «Дискретная математика» из цикла «Математические и естественнонаучные дисциплины» и курс по выбору «Исследование операций». Основные положения данного курса могут использоваться при подготовке выпускной квалификационной работы, а также в практической и исследовательской деятельности.
Цель освоения дисциплины

Цель освоения дисциплины

  • Владеет навыками решения математических задач, возникающих в некоторых прикладных областях
  • Знакомство с архитектурой, свойствами и алгоритмами обучения основных классов нейронных сетей
  • Умение находить и анализировать источники по начной тематике
  • Формирование у учащихся навыков работы с математическими задачами повышенной трудности
  • Знает основные понятия и теоремы. Умеет решать задачи
  • Знакомство с началами математического анализа, теории чисел, теории графов и комбинаторики.
  • Развитие навыков нейросетевого моделирования при решении практических задач в экономических и финансовых приложениях
  • Уметь докладывать научные результаты публике
  • Умеет применять на практике алгоритмы для работы с графами
  • Умеет формулировать современные теоретические и прикладные задачи на языке теории графов
  • Знает основные алгоритмы для решения задач на графах
Планируемые результаты обучения

Планируемые результаты обучения

  • Студент должен владеть основными методами решения задач оптимизации, а также нестандартными подходами к решению.
  • Знает основные понятия и теоремы. Умеет решать задачи
  • Владеет навыками решения математических задач, возникающих в некоторых прикладных областях
  • Студент должен знать основные понятия теории оптимизации и основ математического анализа
  • Студент должен уметь: анализировать задачи по математике повышенной сложности; принимать нестандартные решения при анализе задач; применять свои знания для решения задач; видеть суть поставленной задачи
  • Изучение базовых алгоритмов на графах
  • Нетривиальные сортировки и сортировки за линейное время
  • Прочие одиночные темы и темы по выбору докладчиков
  • Знает основные алгоритмы для решения задач на графах
  • Умеет применять на практике алгоритмы для работы с графами
  • Умеет формулировать современные теоретические и прикладные задачи на языке теории графов
  • Применять генетический алгоритм для обучения нейронной сети
  • Решать задачи классификации, аппроксимации, ассоциативной памяти и оптимизации с помощью основных классов нейронных сетей
  • Соотносить вид нейронной сети с кругом задач, решаемых с ее помощью
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Понятие нейронной сети, ее функционирование и обучение. Классификация нейронных сетей.
  • Задачи на экстремум для функций одной переменной.
  • Модели вычислений и сложность. Стандартные способы представления графов относительно вычислительной модели RAM.
  • Графы и их задачи на графах
  • Основные классы нейронных сетей, их обучение и применение
  • Выпуклость.
  • Стеки, очереди, деки. Обходы графов.
  • Применение генетического алгоритма для настройки и обучения нейронных сетей
  • Задачи с ограничениями-неравенствами
  • Применение методов алгебры для решения задач на графах
  • Прочие темы
  • Критерии выпуклости для дифференцируемых функций.
  • Задача о минимальном глобальном разрезе.
  • Градиент. Условия оптимальности для функций многих переменных.
  • Задача о кратчайшем пути и приоритетные очереди.
  • Сортировки
  • Задача об остове максимального веса. Система разделенных множеств. Матроиды.
  • Выпуклые задачи с ограничениями
  • Максимальный поток и минимальный разрез
  • Связь теории выпуклой оптимизации с экстремальными задачами на графах
Элементы контроля

Элементы контроля

  • неблокирующий Зачёт за 1 модуль
  • неблокирующий Экзамен за курс
    Экзамен проводится на платформе MS Teams (https://teams.microsoft.com). К экзамену необходимо подключиться согласно расписанию ответов, высланному преподавателем на корпоративные почты студентов накануне экзамена. Компьютер студента должен удовлетворять требованиям: наличие рабочей камеры и микрофона, поддержка MS Teams. Для участия в экзамене студент обязан: поставить на аватар свою фотографию, явиться на экзамен согласно точному расписанию, при ответе включить камеру и микрофон. Во время экзамена студентам запрещено: выключать камеру, пользоваться конспектами и подсказками. Кратковременным нарушением связи во время экзамена считается нарушение связи до 5 минут. Долговременным нарушением связи во время экзамена считается нарушение 5 минут и более. При долговременном нарушении связи студент не может продолжить участие в экзамене. Процедура пересдачи аналогична процедуре сдачи.
  • неблокирующий Доклад в паре - 1-2 модуль
  • неблокирующий Доклад в тройке - 3 модуль
  • неблокирующий Домашнее задание
  • неблокирующий Экзамен
    Итоговый контроль в 2019/2020 учебном году состоялся в 3 модуле
  • неблокирующий Письменный экзамен
    Экзамен проводится на платформах Zoom (https://zoom.us), MS Teams (https://teams.microsoft.com). Ссылка будет отправлена преподавателем за три дня до экзамена.
  • неблокирующий Домашняя работа
  • неблокирующий Аудиторная работа
  • неблокирующий Домашнее задание
  • неблокирующий Домашнее задание
  • неблокирующий Устный экзамен
    Экзамен проводится в устной форме (опрос по материалам курса). Экзамен проводится на платформе Discord (https://https://discord.com/). К экзамену необходимо подключиться согласно расписанию ответов, высланному преподавателем на корпоративные почты студентов накануне экзамена. Компьютер студента должен удовлетворять требованиям: наличие рабочей камеры и микрофона, поддержка Discord. Для участия в экзамене студент обязан: поставить на аватар свою фотографию, явиться на экзамен согласно точному расписанию, при ответе включить камеру и микрофон. Во время экзамена студентам запрещено: выключать камеру, пользоваться конспектами и подсказками. Кратковременным нарушением связи во время экзамена считается нарушение связи до 5 минут. Долговременным нарушением связи во время экзамена считается нарушение 5 минут и более. При долговременном нарушении связи студент не может продолжить участие в экзамене. Процедура пересдачи аналогична процедуре сдачи.
  • неблокирующий Домашнее задание
  • неблокирующий Экзамен
    Итоговый контроль в 2019/2020 учебном году состоялся в 3 модуле
  • неблокирующий Письменный экзамен
    Экзамен проводится на платформах Zoom (https://zoom.us), MS Teams (https://teams.microsoft.com). Ссылка будет отправлена преподавателем за три дня до экзамена.
  • неблокирующий Домашняя работа
  • неблокирующий Аудиторная работа
Промежуточная аттестация

Промежуточная аттестация

  • 2018/2019 учебный год 1 модуль
  • 2019/2020 учебный год 1 модуль
    0.7 * Доклад в паре - 1-2 модуль + 0.3 * Зачёт за 1 модуль
  • 2019/2020 учебный год 3 модуль
    0.3 * Доклад в тройке - 3 модуль + 0.2 * Экзамен за курс + 0.5 * 2019/2020 учебный год 1 модуль
  • 2020/2021 учебный год 3 модуль
  • 2021/2022 учебный год 2 модуль
Список литературы

Список литературы

Рекомендуемая основная литература

  • Алгоритмы : построение и анализ, пер. с англ., 3-е изд., 1323 с., Кормен, Т., Лейзерсон, Ч., Ривест, Р., Штайн, К., 2018
  • Алгоритмы на С++ : анализ структуры данных, сортировка, поиск, алгоритмы на графах, Седжвик, Р., 2014
  • Высшая математика, учебник, 4-е изд., стер., 479 с., Шипачев, В. С., 1998
  • Гладков, Л. А. Генетические алгоритмы [Электронный ресурс] / Под ред. В. М. Курейчика. - 2-е изд., исправл. и доп. - М.: ФИЗМАТЛИТ, 2010. - 368 с. - ISBN 978-5-9221-0510-1. - Режим доступа: http://znanium.com/catalog/product/544626
  • Графы и алгоритмы. Структуры данных. Модели вычислений, учебник, 319 с., Алексеев, В. Е., Таланов, В. А., 2012
  • Ростовцев В.С. - Искусственные нейронные сети: учебник - Издательство "Лань" - 2019 - 216с. - ISBN: 978-5-8114-3768-9 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/122180

Рекомендуемая дополнительная литература

  • Бинарные отношения, графы и коллективные решения, учебное пособие, 2-е изд., перераб. и доп., 341 с., Алескеров, Ф. Т., Хабина, Э. Л., Шварц, Д. А., 2017
  • Бинарные отношения, графы и коллективные решения, учебное пособие, 298 с., Алескеров, Ф. Т., Хабина, Э. Л., Шварц, Д. А., 2006
  • Курс математического анализа, учебник для бакалавров : в 3 т., Т. 3, 6-е изд., перераб. и доп., 351 с., Кудрявцев, Л. Д., 2017
  • Нейронные сети: основы теории / А.И. Галушкин. - М.: Гор. линия-Телеком, 2012. - 496 с.: ил.; 60x90 1/16. (обложка) ISBN 978-5-9912-0082-0, 1000 экз. - Режим доступа: http://znanium.com/catalog/product/353660
  • Фундаментальные алгоритмы на С : ч. 1-5: анализ структуры данных, сортировка, поиск, алгоритмы на графах: пер. с англ., Седжвик, Р., 2003