Основной целью является подготовка высококвалифицированных кадров для экономики России. Данная программа повышения квалификации направлена на реализацию направлений этого проекта и посвящена приобретению компетенций по применению методов искусственного интеллекта, в частности, машинного обучения, в технических системах и в бизнесе. Обучение по данной программе повышения квалификации предполагается в режиме онлайн. Оно состоит в ознакомлении с материалами курса, самопроверке в виде ответов на контрольные вопросы, выполнении практических заданий и сдаче финального теста. Полученные навыки предназначены для достижения следующих ключевых компетенций цифровой экономики: управление информацией и данными; критическое мышление в цифровой среде. В профессиональной деятельности освоение программы поможет находить применение современным технологиям и методам машинного обучения в бизнесе и информационных системах разной направленности: участвовать в их разработке и модернизации, профессионально их эксплуатировать, анализировать производственные данные с применением современных средств и подходов, находить в них закономерности и извлекать из них знания, позволяющие повышать эффективность работы предприятий и учреждений. Прогнозируется высокая востребованность полученных знаний в виду общего тренда на цифровизацию экономики и упоре на повышение конкурентоспособности промышленности нашего государства за счёт развития информационных и интеллектуальных технологий и систем.
Качественное изменение профессиональных компетенций, необходимых для выполнения следующих видов профессиональной деятельности в рамках имеющейся квалификации:
- участвовать в анализе производственно-экономической информации с применением современных интеллектуальных методов и подходов;
- участвовать в проектировании, реализации и модернизации информационных систем, в основе работы компонентов которых лежит анализ данных и распознавание образов;
- осуществлять эксплуатацию информационных систем и их компонентов, которые предусматривают интеллектуальную обработку данных.
1. Желательно высшее или среднее профессиональное образование по укрупнённой группе "Информатика и вычислительная техника", но приемлемо любое иное, подразумевающее изучение информатики, основ программирования на любом объектно-ориентированном языке, а также линейной алгебры и начал математического анализа.
2. Квалификация – нет ограничений.
3. Наличие опыта профессиональной деятельности - желателен (но не обязателен) опыт, связанный с использованием вычислительной техники для обработки и представления данных (базы данных, электронные таблицы)
4. Предварительное освоение иных дисциплин/курсов /модулей - основы программирования, линейная алгебра, математический анализ
1. Желательно высшее или среднее профессиональное образование по укрупнённой группе "Информатика и вычислительная техника", но приемлемо любое иное, подразумевающее изучение информатики, основ программирования на любом объектно-ориентированном языке, а также линейной алгебры и начал математического анализа.
2. Квалификация – нет ограничений.
3. Наличие опыта профессиональной деятельности - желателен (но не обязателен) опыт, связанный с использованием вычислительной техники для обработки и представления данных (базы данных, электронные таблицы)
4. Предварительное освоение иных дисциплин/курсов /модулей - основы программирования, линейная алгебра, математический анализ
свернуть
Тема 1.1 Задачи машинного обучения и анализа данных
Машинное обучение. Задачи машинного обучения. Сферы применения. Обучение с учителем. Обучение без учителя. Наборы данных для обучения с учителем.
Тема 1.2 Формирование наборов данных. Линейная регрессия.
Обучающая и тестовая выборка. Работа с данными в математических пакетах и в Python. Визуализация данных. Задача парной линейной регрессии. Матрицы и векторы. Производная. Метод градиентного спуска.
Тема 1.3 Множественная регрессия. Масштабирование. Нормальное уравнение
Множественная линейная регрессия. Проблема разного масштаба факторов. Градиентный спуск. Векторизация расчётов. Нормальное уравнение и его область применения.
Тема 1.4 Классификация. Логистическая регрессия. Граница решения.
Задача классификации. Бинарная классификация и логистическая регрессия. Граница решения классификатора. Нелинейные гипотезы.
Тема 1.5 Сложные гипотезы. Нейронные сети.
Проблемы построения гипотез по изображениям. Сложность гипотез. Нейронная сеть: принципы построения, формируемая гипотеза. Метод обратного распространения ошибки.
Тема 1.6. Оценка гипотез. Борьба с недо- и переобучением.
Недообучение и переобучение: их признаки, влияние на модель. Оценка гипотез. Обучающая, тестовая и рабочая выборки. Методы борьбы с недообучением и переобучением.
Тема 1.7 Обучение без учителя. Кластеризация.
Задача кластеризации. Метод k-средних. Область применения.
Тема 1.8 Построение рекомендаций.
Задача построения рекомендаций по содержимому в системах электронной торговли и доставки содержимого. Вывод рекомендаций и обновление данных. Проблема «холодного старта» и способы её решения.
Модуль 2. Методы классификации изображений в технических системах (30 час.)
Тема 2.1. Задача классификации изображений и её особенности.
Задача классификации изображений. Особенности данной задачи и сложность гипотез. Проблемно-ориентированная настройка классификаторов изображений. Применение предварительной обработки изображений перед классификацией.
Тема 2.2 Свёртка. Свёрточные нейронные сети.
Дискретная свёртка: одномерная и двумерная. Применение свёртки в обработке изображений. Свёрточная нейронная сеть и принцип её работы. Преобразование изображения в процессе обработки свёрточной нейронной сетью. Обучение.
Тема 2.3 Задача идентификации по лицу. Триплетная функция потерь.
Задача биометрической идентификации путём распознавания лица. Особенности задачи. Метод «обучения с первого раза». Триплетная функция потерь. Обучение с переносом.
Тема 2.4 Задача поиска объектов на изображении.
Задача поиска объектов на изображении. Алгоритмы поиска объектов. Методы оценки качества разметки изображения.
Тема 1.1 Задачи машинного обучения и анализа данных
Машинное обучение. Задачи машинного обучения. Сферы применения. Обучение с учителем. Обучение без учителя. Наборы данных для обучения с учителем.
Тема 1.2 Формирование наборов данных. Линейная регрессия.
Обучающая и тестовая выборка. Работа с данными в математических пакетах и в Python. Визуализация данных. Задача парной линейной регрессии. Матрицы и векторы. Производная. Метод градиентного спуска.
Тема 1.3 Множественная регрессия. Масштабирование. Нормальное уравнение
Множественная линейная регрессия. Проблема разного масштаба факторов. Градиентный спуск. Векторизация расчётов. Нормальное уравнение и его область применения.
Тема 1.4 Классификация. Логистическая регрессия. Граница решения.
Задача классификации. Бинарная классификация и логистическая регрессия. Граница решения классификатора. Нелинейные гипотезы.
Тема 1.5 Сложные гипотезы. Нейронные сети.
Проблемы построения гипотез по изображениям. Сложность гипотез. Нейронная сеть: принципы построения, формируемая гипотеза. Метод обратного распространения ошибки.
Тема 1.6. Оценка гипотез. Борьба с недо- и переобучением.
Недообучение и переобучение: их признаки, влияние на модель. Оценка гипотез. Обучающая, тестовая и рабочая выборки. Методы борьбы с недообучением и переобучением.
Тема 1.7 Обучение без учителя. Кластеризация.
Задача кластеризации. Метод k-средних. Область применения.
Тема 1.8 Построение рекомендаций.
Задача построения рекомендаций по содержимому в системах электронной торговли и доставки содержимого. Вывод рекомендаций и обновление данных. Проблема «холодного старта» и способы её решения.
Модуль 2. Методы классификации изображений в технических системах (30 час.)
Тема 2.1. Задача классификации изображений и её особенности.
Задача классификации изображений. Особенности данной задачи и сложность гипотез. Проблемно-ориентированная настройка классификаторов изображений. Применение предварительной обработки изображений перед классификацией.
Тема 2.2 Свёртка. Свёрточные нейронные сети.
Дискретная свёртка: одномерная и двумерная. Применение свёртки в обработке изображений. Свёрточная нейронная сеть и принцип её работы. Преобразование изображения в процессе обработки свёрточной нейронной сетью. Обучение.
Тема 2.3 Задача идентификации по лицу. Триплетная функция потерь.
Задача биометрической идентификации путём распознавания лица. Особенности задачи. Метод «обучения с первого раза». Триплетная функция потерь. Обучение с переносом.
Тема 2.4 Задача поиска объектов на изображении.
Задача поиска объектов на изображении. Алгоритмы поиска объектов. Методы оценки качества разметки изображения.
Привалов
Максим Владимирович
Донской государственный технический университет
Назад
