Программа разработана на основе профессионального стандарта «Специалист по автоматизированным системам управления производством» и предназначена для обучения разработке, тренировке, отладке и практическому применению систем машинного обучения на основе нейронных сетей. Для участия в программе слушателю требуются знания языка программирования Python.
В процессе обучения приводится теоретическое обоснование принципов построения нейронных сетей и принципы их программной реализации. Практические задания направлены на отработку практических навыков работы с программными средами и библиотеками для разработки, программирования и практической реализации нейронных сетей.
Осваивая программу слушатель получает знания о структуре нейронных сетей, их архитектурах и компонентах, об основных программных и аппаратных средствах, необходимых для разработки нейронных сетей, а также формирует навыки практической программной реализации нейронных сетей с применением библиотеки Tensorflow на языке программирования Python 3.
Формирование компетенций, необходимых для осуществления профессиональной деятельности в области применения искусственного интеллекта.
Обязательные требования к слушателям программы: среднее профессиональное или высшее образование.
Рекомендуемые требования к слушателям программы: опыт профессиональной деятельности и/или опыт по освоению дисциплин/курсов/модулей в области программирования на языке Python.
Обязательные требования к слушателям программы: среднее профессиональное или высшее образование.
Рекомендуемые требования к слушателям программы: опыт профессиональной деятельности и/или опыт по освоению дисциплин/курсов/модулей в области программирования на языке Python.
свернуть
Основные темы модуля:
1. Введение в машинное обучение. Сравнительный обзор существующих алгоритмов машинного обучения. Основные термины и принципы работы систем машинного обучения. Сравнительный обзор существующих алгоритмов машинного обучения.
2. Нейросети. Основные определения и термины. Основные понятия, определния, термины и принципы работы нейронных сетей. Особенности нейронных сетей в сравнении с остальными алгоритмами машинного обучения.
3. Tensorflow Keras. Google colab. Kaggle. Основы работы с данными. Описание библиотеки машинного обучения Tensorflow. Подробное описание модуля Keras библиотеки Tensorflow. Описание сервиса Google colab и необходимых для работы с нейронными сетями библиотек. Описание сервиса Kaggle. Основы работы с данными: загрузка и приведение в формат, необходимый для работы нейронной сети.
Практическое задание:
Выполнить запуск библиотеки Tensorflow на сервисе Google colab
Самостоятельная работа:
Выполнение индивидуального задания, включающего в себя следующие виды работ:
1. Загрузить данные с сервиса Kaggle
2. Подготовить скачанные данные для дальнейшей обработки нейронной сетью
3. Разработать проект нейронной сети для анализа скачанных данных
Темы модуля:
1. Задачи регрессии. Полносвязные нейронные сети. Возможности нейронных сетей для решения задач регрессии.
2. Задачи классификации. Полносвязные слои нейронной сети. Возможности нейронных сетей для решения задач классификации.
3. Аргументация данных. Переобучение. Кроссвалидация. Генераторы данных. Принципы аргументации данных. Проблема переобучения и затухающих градиентов. Возможности кроссвалидации в процессе обучения.
4. Сверточная нейронная сеть. Предобученные нейронные сети. Особенности применения предобученных сверточных нейронных сетей.
5. Рекуррентные нейронные сети. LSTM и GRU. Анализ последовательностей данных. Описание рекуррентных нейронных сетей. Различные типи нейронов в рекуррентных сетях. Анализ последовательностей данных на основе нейронных сетей.
6. Работа со слоями. Ансамбли нейронных сетей. Особенности комбинирования различных слоев нейронных сетей. Объединение предварительно обученных нейронных сетей в ансамбли.
Практические занятия направлены на отработку умений и навыков по разработке нейронных сетей для решения практических задач.
Самостоятельная работа слушателей направлена на освоение принципов определения оптимальных параметров нейронной сети для решения практических задач.
Основные темы модуля:
1. Введение в машинное обучение. Сравнительный обзор существующих алгоритмов машинного обучения. Основные термины и принципы работы систем машинного обучения. Сравнительный обзор существующих алгоритмов машинного обучения.
2. Нейросети. Основные определения и термины. Основные понятия, определния, термины и принципы работы нейронных сетей. Особенности нейронных сетей в сравнении с остальными алгоритмами машинного обучения.
3. Tensorflow Keras. Google colab. Kaggle. Основы работы с данными. Описание библиотеки машинного обучения Tensorflow. Подробное описание модуля Keras библиотеки Tensorflow. Описание сервиса Google colab и необходимых для работы с нейронными сетями библиотек. Описание сервиса Kaggle. Основы работы с данными: загрузка и приведение в формат, необходимый для работы нейронной сети.
Практическое задание:
Выполнить запуск библиотеки Tensorflow на сервисе Google colab
Самостоятельная работа:
Выполнение индивидуального задания, включающего в себя следующие виды работ:
1. Загрузить данные с сервиса Kaggle
2. Подготовить скачанные данные для дальнейшей обработки нейронной сетью
3. Разработать проект нейронной сети для анализа скачанных данных
Темы модуля:
1. Задачи регрессии. Полносвязные нейронные сети. Возможности нейронных сетей для решения задач регрессии.
2. Задачи классификации. Полносвязные слои нейронной сети. Возможности нейронных сетей для решения задач классификации.
3. Аргументация данных. Переобучение. Кроссвалидация. Генераторы данных. Принципы аргументации данных. Проблема переобучения и затухающих градиентов. Возможности кроссвалидации в процессе обучения.
4. Сверточная нейронная сеть. Предобученные нейронные сети. Особенности применения предобученных сверточных нейронных сетей.
5. Рекуррентные нейронные сети. LSTM и GRU. Анализ последовательностей данных. Описание рекуррентных нейронных сетей. Различные типи нейронов в рекуррентных сетях. Анализ последовательностей данных на основе нейронных сетей.
6. Работа со слоями. Ансамбли нейронных сетей. Особенности комбинирования различных слоев нейронных сетей. Объединение предварительно обученных нейронных сетей в ансамбли.
Практические занятия направлены на отработку умений и навыков по разработке нейронных сетей для решения практических задач.
Самостоятельная работа слушателей направлена на освоение принципов определения оптимальных параметров нейронной сети для решения практических задач.
Захаров
Максим Владимирович
ФГАОУ ВО "Северный (Арктический) федеральный университет имени М.В. Ломоносова"
Вяткин
Дмитрий Андреевич
ФГАОУ ВО "Северный (Арктический) федеральный университет имени М.В. Ломоносова"
Назад
