Описание курса

Курс разработан под руководством профессора д.ф.-м.н. Персианцева Игоря Георгиевича.
Занятия ведут сотрудники Лаборатории адаптивных методов обработки данных НИИЯФ МГУ

  • заведующий лабораторией к.ф.-м.н. Доленко Сергей Анатольевич
  • научный сотрудник Ефиторов Александр Олегович
  • инженер Широкий Владимир Романович

Занятия в 2019 г. начались 26 февраля и закончились 7 июня. Занятия проходят 2 раза в неделю (по вторникам и пятницам), по 3 часа. Все занятия начинаются в 19-00.

Запись

Запись на 2019 год закрыта.

Список литературы к зачету

Список расположен по ссылке

Инструкции и материалы к практическим занятиям

Установка R

Установка Python в windows

Установка Python в linux

Семинар 1

http://kpk-nnga.sinp.msu.ru/data/uploads/nnga-seminar-python.ipynb

Семинар 2

https://www.dropbox.com/s/bflfq69fs41u62g/seminar2.zip?dl=0

Семинар 3

http://kpk-nnga.sinp.msu.ru/data/uploads/intro.ipynb

http://kpk-nnga.sinp.msu.ru/data/uploads/wine-data-exploration.ipynb

http://kpk-nnga.sinp.msu.ru/data/uploads/wines.csv

Семинар 4

http://kpk-nnga.sinp.msu.ru/data/uploads/seminar4.zip

Семинар 5

http://kpk-nnga.sinp.msu.ru/data/uploads/seminar5.ipynb

http://kpk-nnga.sinp.msu.ru/data/uploads/bad-tweets-generator.ipynb

Программа курса

Часть 1. Основные модели искусственных нейронных сетей (ИНС) (3 лекции)

Модель нейрона. Обучение с учителем и без учителя. Многослойный персептрон. Алгоритм обратного распространения ошибки. Глубокие нейронные сети. Рекуррентные нейронные сети. Свёрточные нейронные сети. Автоассоциативная память. Нейронная cеть Кохонена. Нейронная сеть с общей регрессией. Вероятностная нейронная сеть.

Часть 2. Основы предобработки данных (3 лекции)

Методы анализа данных, направленные на определение и уменьшение размерности задачи (анализ главных компонент, кластер-анализ, оценка фрактальной размерности и пр.). Методы нелинейного преобразования входных данных, способствующие выделению отличительных свойств (вейвлет-анализ, нелинейный анализ главных компонент). Анализ временных рядов. Вейвлет нейронные сети.

Часть 3. Метод группового учета аргументов, генетические алгоритмы (ГА) (3 лекции)

Метод группового учета аргументов. Генетические алгоритмы. Генетическое программирование.

Часть 4. Дополнительные алгоритмы ИНС (2 лекции)

Нейронные сети Хопфилда. Обучение с подкреплением. Алгоритмы построения ИНС оптимальной сложности. Методики комбинирования различных моделей ИНС. Иерархические системы. Комитеты экспертов. Гибридные методы. Оценка значимости входов.

Часть 5. Нечеткая логика (1 лекция)

Основные понятия нечёткой логики. Проектирование контроллеров. Нечёткая логика и вероятность. Нечёткая логика и нейронные сети.

Часть 6. Применение ИНС и ГА (2 лекции)

Основные области применения ИНС и ГА. Практические приемы использования ИНС и ГА для решения задач в спектроскопии, космической физике, геофизике, физике высоких энергий, физике плазмы, обработке сигналов и изображений. Решение обратных задач в физике с помощью ИНС и ГА.

План практических занятий

Часть 1. Основные модели ИНС (3 занятия)

Наглядная демонстрация основных нейросетевых алгоритмов. "Нейропрактикум".

Часть 2. Современный инструментарий для практической работы с ИНС (2 занятия)

Языки R и Python. Обзор современных программных средств и библиотек для решения задач анализа данных. Основные приемы работы. Решение практических задач.

Часть 3. Генетические алгоритмы (1 занятие)

Пакет генетических алгоритмов GeneHunter. Пакет построения моделей ChaosHunter. Решение практических задач оптимизации.

Часть 4. Решение практических задач анализа данных на языке Python (3 занятия)

Технология работы с ИНС. Решение задач обработки изображений. Решение задач обработки текстовой информации.

Часть 5. Самостоятельная работа под руководством преподавателя (4 занятия)