Новости

Запись новых слушателей на 2022 год закрыта.

Описание курса

Курс представляет собой существенно обновлённую и переработанную версию курса "Искусственные нейронные сети и генетические алгоритмы", впервые разработанного 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
  • научный сотрудник Исаев Игорь Викторович

Курс существует в двух видах:

  • Курсы повышения квалификации (КПК), платные, с выдачей удостоверения МГУ установленного образца о повышении квалификации
  • Факультативный курс для студентов МГУ, бесплатный, с возможностью сдачи зачёта и внесения записи о прохождении курса во вкладыш к диплому (курс могут прослушать также аспиранты и сотрудники любого факультета МГУ)

Занятия в 2022 г. начались 25 февраля и закончатся в 20-х числах мая (факультативный курс) и 7 июня (КПК). Занятия проходят 2 раза в неделю (по вторникам и пятницам) в онлайн формате. В зависимости от развития эпидемической ситуации возможно проведение части занятий в двойном формате (очно с онлайн-трансляцией); в этом случае слушатели будут оповещены заблаговременно. Все занятия начинаются в 19-00 и заканчиваются не позднее 22-00.

 

Программа курса

Часть 1. Искусственные нейронные сети (ИНС) (5 лекций)

Основные понятия. Типология задач, решаемых методами машинного обучения: задачи регрессии, классификации, оптимизации, кластеризации. Обучение с учителем, с подкреплением и без учителя. Модель нейрона. Многослойные персептроны. Алгоритм обратного распространения ошибки и его модификации. Глубокие нейронные сети (НС). Рекуррентные НС. Свёрточные НС. Автоассоциативная память. НС Кохонена и самоорганизующиеся карты Кохонена. НС с общей регрессией. Вероятностная НС. НС с функциями радиального базиса. НС Хопфилда. НС Хэмминга. Машина Больцмана. Генеративные состязательные сети, вариационные автоэнкодеры.

Часть 2. Основы предобработки данных (3 лекции)

Кодирование и нормировка данных. Методы оценки качества моделей. Оценка значимости входов. 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 (спектральные методы обработки сигналов, вейвлет-анализ, нелинейный анализ главных компонент). Анализ временных рядов. Вейвлет нейронные сети.

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

Генетические алгоритмы. Многоагентные методы. Генетическое программирование. Метод группового учета аргументов.

Часть 4. Нечеткая логика (1 лекция)

Основные понятия нечёткой логики. Проектирование контроллеров. Нечёткая логика и вероятность. Нечёткая логика и нейронные сети. Нейро-нечёткие системы.

Часть 5. Другие алгоритмы анализа данных. Решение практических задач (2 лекции)

Обучение с подкреплением. Алгоритмы построения НС оптимальной сложности. Методики комбинирования различных моделей ИНС. Иерархические системы. Комитеты экспертов (ансамбли предикторов). Гибридные методы. Основные области применения ИНС и ГА. Практические приемы использования ИНС и ГА для решения задач в спектроскопии, космической физике, геофизике, обработке сигналов и изображений, обработке текстовой информации. Решение обратных задач в физике с помощью ИНС и ГА.

 

План практических занятий

Часть 1. Основные модели ИНС (2 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 простых практических задач.

Часть 3. Решение практических задач анализа данных на языке R (2 занятия)

Работа с ИНС на языке R. Анализ данных в R.

Часть 4. Решение практических задач анализа данных на языке Python (2 занятия)

Технология работы с ИНС. Технология работы с временными рядами. Технология работы с вейвлет-преобразованием. Решение задач обработки изображений. Решение задач обработки текстовой информации.

Часть 5. Генетические алгоритмы (1 занятие)

Пакет генетических алгоритмов GeneHunter. Решение практических задач оптимизации с помощью ГА.

Часть 6. Самостоятельная работа под руководством преподавателя

Самостоятельное решение задачи, интересующей слушателя (КПК, 4 занятия).
Самостоятельная работа под руководством преподавателя (Факультативный курс, 2 занятия).

 

Запись на 2022 год

 

Список литературы