Artificial Intelligence

2024/2025

Academic Year

RUS

Instruction in Russian

5

ECTS credits

Delivered at:

Department of Information Systems and Technologies (Faculty of Informatics, Mathematics, and Computer Science (HSE Nizhny Novgorod))

Course type:

Compulsory course

When:

3 year, 3, 4 module

Instructor

Savchenko, Liudmila

Программа дисциплины

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.

Содержание учебной дисциплины

• Обзор алгоритмов машинного обучения. Линейная регрессия.
• Задача бинарной классификации
• Задача множественной классификации
• Задача кластеризации
• Задача сегментации
• Нейронные сети
• Задача обработки естественного языка (Natural Language Processing, NLP)
• Введение в сбор данных
• Генеративные инструменты ИИ
• Обзор актуальных алгоритмов и методов в области ИИ

Элементы контроля

• контрольная работа
  контрольная работа по теме регрессия и классификация
• лабораторные работы
• Итоговый проект в области ИИ

Промежуточная аттестация

• 2024/2025 4th module
  0.3 * Итоговый проект в области ИИ + 0.2 * контрольная работа + 0.5 * лабораторные работы

Список литературы

Рекомендуемая основная литература

• Siddhartha Bhattacharyya, Vaclav Snasel, Aboul Ella Hassanien, Satadal Saha, & B. K. Tripathy. (2020). Deep Learning : Research and Applications. De Gruyter.

Авторы

• Частова Вероника Игоревна
• Савченко Людмила Васильевна