Фонд «Интеллект»
Фонд «Интеллект»
Академическая программа реализуется в МГУ имени М.В. Ломоносова при поддержке фонда «Интеллект» с 2021 года и представляет собой набор курсов по тематике искусственного интеллекта, интегрированный в образовательную программу факультета вычислительной математики и кибернетики.
У программы теперь запущен собственный сайт для удобства: https://ai-cs-msu.ru/. На сайте можно найти всю подробную информацию о программе, обязательных курсах, спецкурсах по выбору, контакты и новости.
Цель программы — подготовка специалистов в сфере применения искусственного интеллекта как в научной, так и практической областях.
Учебный план программы и список рекомендованных курсов разработаны с учетом опыта кафедр ММП и ИИТ на ВМК МГУ, трека AI в Stanford University (США), специализации «Машинное обучение и приложения» на ФКН НИУ ВШЭ, и Школы анализа данных Яндекса.
Участником программы может стать любой студент бакалавриата факультета ВМК. Участники программы могут выбирать индивидуальную траекторию в зависимости от выбора кафедры и специализации.
Для успешного прохождения программы и получения сертификата необходимо будет пройти 2 обязательных курса («Машинное обучение» и «Глубокое обучение») и не менее 5 курсов по выбору из списка рекомендованных, а также защитить выпускную квалификационную работу, связанную с тематикой искусственного интеллекта.
На весенней семестр 2025 года утвержден список курсов по выбору Академической программы по ИИ:
Курс является продолжением курса «Компьютерное зрение» и посвящен задачам трехмерного компьютерного зрения, начиная от математических основ и заканчивая построением трехмерных семантических моделей сцены.
Методы трехмерного компьютерного зрения является основой «пространственного интеллекта» (Spatial AI) и используются в робототехнике, дополненной реальности, компьютерной графике.
• «Интеллектуальные методы обработки видео»
В основной части курса рассматриваются задачи обработки видео (повышение разрешения, обнаружение смен сцен, удаление нежелательных объектов, замена фона, моделирование внимания зрителя).
Для каждой из задач помимо традиционных подходов к решению рассматриваются современные подходы на основе нейронных сетей.
Помимо этого, в курсе рассматриваются новые форматы видео и изображений: стереоскопический, пленоптический и 360/VR. В частности, затрагиваются вопросы получения, оценки качества и обработки контента этих типов.
Спецкурс проходит на факультете ВМК и посвящен задаче автоматической стилизации изображений, в которой входное изображение необходимо отобразить в стиле, задаваемым другим изображением. Например, это может быть стилизация семейной фотографии под стиль известного художника, либо стилизация дневного фото в ночное, либо преобразование фотографии в схематичную книжную иллюстрацию.
Для решения задачи существуют современные подходы переноса стиля (style transfer) и генеративно-состязательные сети (generative adversarial networks). Эта задача широко используется в индустрии развлечений при обработке фотографий и дизайне, может применяться в мультипликации, наложении спецэффектов в фильмах, видеоиграх и средствах дополненной реальности, а также для более точной настройки методов машинного при обучении на одной предметной области, а применении модели к другой (transfer learning).
Помимо изображений указанный подход применим для видеопоследовательностей и данных из других предметных областей (текст, речь и музыка). Основные методы стилизации были предложены в последние 7 лет и опираются на глубокие нейронные сети, базовому изучению которых посвящена начальная часть курса.
Курс посвящен применению байесовских методов в глубинном обучении. На лекциях будет рассказано о применении вероятностного моделирования для разреживания современных нейросетевых дискриминативных моделей; о байесовской интерпретации современных методов регуляризации нейронных сетей; о построения генеративных моделей с помощью вариационного вывода и стохастических дифференциальных уравнений. Также в курсе будут обсуждаться некоторые открытые проблемы глубинного обучения.
Спецкурс проводится в весеннем семестре на факультете ВМК МГУ и посвящен методам решения прямых и обратных задач для дифференциальных уравнений с помощью нейронных сетей.
Существуют подходы как с учетом только данных, так и с опорой на математические модели; аппроксимирующие как само решение уравнения, так и операторы, отображающие пространство некоторых функций из условия задачи в пространство решений. Достоинства таких инструментов - в возможности гибко настраивать сетку и работать с входными данными разного разрешения.
Помимо задач математической физики, рассматриваемые в курсе методы находят применение и в других областях, так как способны аппроксимировать также функции и операторы общего типа.
Курс посвящен применению классических вариационных методов в обработке и анализе изображений, а также их современных аналогов и расширений, основанных на машинном обучении. Курс состоит из двух частей.
В первой части курса излагается ряд постановок задач повышения качества изображений, для решения которых применяются вариационные методы, основанные на методе регуляризации Тихонова: шумоподавление, повышение разрешения изображений, восстановление размытых изображений, многокадровое суперразрешение, заполнение пустот. Рассматриваются аспекты выбора параметров регуляризирующих методов с учётом специфики решаемой задачи, предлагаются современные численные методы.
Во второй части представлены методы сегментации изображений, основанные на аппарате активных контуров, линий уровня, минимизации функционала Chan-Vese. В курсе рассматривается алгоритм "быстрого марширования" (fast marching), а также различные практические аспекты реализации метода активных контуров. Также обсуждаются различные методы обучаемых активных контуров. Помимо этого, рассматриваются основы совмещения изображений как в классической, так и в нейросетевой постановках.
Курс включает 2 практических задания по каждой из частей.
Спецкурс проходит на факультете ВМК в весеннем семестре и посвящен вопросам работы современных больших языковых моделей (LLM).
Курс содержит в себе теоретическую базу, необходимую для понимания того, что происходит, когда мы отправляем свой вопрос в условный ChatGPT, а также ряд практических аспектов, связанных с вопросами инференса, обучения и выравнивания (alignment) LLM. В рамках домашних заданий слушателям курса будет необходимо использовать техники промптинга, дообучать небольшую LLM инструкциям, а также создать вопросно-ответную систему, используя подход Retrieval Augmented Generation (RAG). Отдельная лекция будет посвящена вопросам локального развертывания LLM с использованием фреймворков ollama, vLLM.
Курс посвящен детальному изучению современных методов оптимизации и их применению в задачах машинного обучения, а также алгоритмам кластеризации и основам управления (OCRL) в контексте обучения с подкреплением. В рамках курса слушатели последовательно знакомятся со всеми необходимыми понятиями.
Особое внимание уделяется практическому применению рассматриваемых инструментов с использованием языка Python и соответствующих библиотек. Закрепление знаний и отработка навыков осуществляются в ходе выполнения лабораторных работ и практических заданий. По итогам курса предусмотрен экзамен.
