✅Вариант страницы одобрен авторами курса

<aside> 💡 Курс поддержан фондом и рекомендован как спецкурс в рамках Академической программы по искусственному интеллекту.

</aside>

Формат курса:

Курс является спецкурсом по выбору для студентов бакалавриата 2-4 курсов, читается в осеннем семестре.

Преподаватели:

Буряк Дмитрий Юрьевич

кандидат физ.-мат. наук, ассиатент кафедры СКИ, ВМК МГУ.

Основные научные интересы: нейронные сети, глубокое обучение, обработка сигналов, распознавание образов, параллельные вычисления.

BuryakPhoto4.jpg

Аннотация:

Спецкурс знакомит слушателей с азами нейросетевых алгоритмов. Его основу составляют теоретические аспекты построения, обучения и применения нейронных сетей. Детально обсуждаются принципы функционирования различных алгоритмов обучения, их достоинства и недостатки. Дается подробный обзор нейросетевых архитектур: от персептронов до сетей Кохонена и Хопфилда. Особое внимание уделено сверточным нейронным сетям, а также вопросам распараллеливания нейросетевых алгоритмов.

Программа курса:

  1. Введение. Введение в курс.
  2. Однослойные нейронные сети. Структура нейрона. Однослойный персептрон. Обучение однослойного персептрона.
  3. Многослойный персептрон. Проблема "Исключающего ИЛИ". Многослойный персептрон. Теорема об унивесальном аппроксиматоре.
  4. Алгоритм обратного распространения ошибки. Классификация алгоритмов обучения нейронных сетей. Алгоритм обратного распространения ошибки. Основные проблемы алгоритма обратного распространения ошибки. Обучение с моментом.
  5. Обзор алгоритмов обучения для сетей прямого распространения. Алгоритмы обучения, основанные на методах оптимизации первого и второго порядка. Эвристические алгоритмы обучения. Выбор коэффициента обучения. Стохастические алгоритмы обучения.
  6. Практические рекомендации по использованию алгоритма обратного распространения ошибки. Формирование обучающей выборки. Предобработка данных. Инициализация весов
  7. Сеть Кохонена. Самоорганизация на основе конкуренции. Архитектура сети Кохонена. Алгоритмы обучения. Примеры применение сети на практике
  8. Рекуррентные сети: RMLP, Эльмана, RTRN, Хопфилда, Хемминга, LSTM и GRU нейроны.
  9. Сети глубокого обучения. Архитектура сверточной нейронной сети. Типы слоев. Алгоритм обучения. Примеры практического применения.