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
Темы, изучаемые в рамках курса
- Введение в глубокое и машинное обучение и актуальность его применения в космических исследованиях.
- Введение в машинное обучение: основные типы задач, решаемых методами машинного обучения, метрики оценки качества, валидация.
- Классическое машинное обучение: линейные модели, метод опорных векторов, метод ближайших соседей, деревья и леса решений.
- Генерация и отбор признаков, ансамбли моделей. Примеры применения моделей машинного обучения для космических прикладных задач (анализа космических снимков снимков, уточнению местоположения спутников, классификации кривых блеска).
- Нейронные сети: многослойный перцептрон. Метод обратного распространения ошибки. - Свёрточные нейронные сети и их применение к анализу снимков дистанционного зондирования Земли. Задача классификации спутниковых снимков.
- Оптимизация нейронных сетей: тонкости обучения и валидации при обучении моделей. Model soups.
- Рекуррентные нейронные сети: RNN, LSTM, GRU блоки. Прогнозирование и анализ временных рядов. Прогнозирование эволюции орбиты спутников на примере каталогов TLE, ILRS, ephem. - Семантическая сегментация. Задача выделения природных и техногенных текстур на снимках. Особенности работы с мультиспектральными снимками.
- Автоэнкодеры и обучение представлений. Применение автоэнкодеров для восстановления спутниковых снимков, выявлению аномалий телеметрии.
- Консультации по проектам на курсе: помощь в постановке задач по применению ИИ в их научно-исследовательских работах и курсовых.
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