Нейронные сети и их применение в прикладных задачах космических исследований

В рамках курса будут рассмотрены отличия машинного обучения от глубокого, фреймворк Pytorch для написания нейросетей, их обучения, валидации, тестирования, создания собственных классов датасетов и тп.

Слушатели курса научатся самостоятельно писать нейросетевые архитектуры для решения прикладных задач сегментации, детекции, классификации и регрессии, прогнозирования временных рядов.

В рамках курса будут подробно рассмотрены проблемы обучения моделей, особенности работы с реальными и, в т.ч. космическими, данными, основные современные подходы и методы реализации, обучения и работы с нейросетевыми моделями, позволяющие быстро привыкнуть и разобраться в функционале ИИ алгоритмов, и как следствие, научиться применять данные инструментарий для своих научных исследований. Последнее является основной целью данного курса.

Элементы контроля и отчетность:

В ходе курса будет 6-7 домашних заданий - практикумов, а также семестровый индивидуальный проект с его защитой в конце курса.

Выполнение всех домашних заданий и защита проекта необходимы для получения зачета и оценки по курсу.

Пререквизиты Курса:

- Базовое умение программировать на языке Python

- Базовые знания математического анализа, линейной алгебры и статистики

- Базовые знания теории вероятности

- Желательно базовое знакомство с библиотекой Python Pytorch\tensorflow\sklearn

- Наличие исследовательской задачи, в которой предполагается возможность применения методов искусственного интеллекта

Занятия проводятся в ауд. 851 факультета космических исследований МГУ им. М. В. Ломоносова

В программе курса 10 лекций, 8 семинаров, 2-3 консультации по проектам, защита проектов, а также 7 домашних заданий с заготовленными шаблонами в .ipynb блокнотах (google collab)

Формат проведения: офлайн с записью лекционного материала

Старт курса: 2-3 учебная неделя сентября 2024, дата уточняется

Telegram