Программа разработана с учетом опыта ведущих мировых (Стэнфордский университет) и российских (Школа Анализа Данных Яндекса, Факультет Компьютерных наук ВШЭ) образовательных программ и обеспечивает уровень подготовки, не требующий освоения программ дополнительного образования от IT- компаний.
Основные принципы программы:
Образовательная
траектория
Введение
в искусственный
интеллект
Машинное
обучение
Вводный обзорный курс, в рамках которого рассматриваются ключевые понятия из всех основных разделов. Платформой послужил курс “CS 221 ArtificialIntelligence: PrinciplesandTechniques”, являющегося обязательным для студентов Стэнфордского университета, выбравших тему искусственного интеллекта как направление специализации.
В весеннем семестре 2021 года курс читается как спецкурс. С 2021-2022 учебного года он будет читаться как МФК. Курс организован таким образом, что каждую тему читает лектор из специализированной области.
Курс включает следующие разделы:
Курс «Машинное обучение» акцентирует внимание на различных аспекта: языке программирования Python, специализированных библиотеках (numpy, pandas, scikit-learn) и средах программирования (Jupyternotebook). В ходе курса изучаются основные задачи машинного обучения (с размеченными/неразмеченными данными, с подкреплением) и методы их решения (начиная от классических линейных, метрических и байесовских, заканчивая современными – ансамблированием).
В курсе обсуждаются основные проблемы, возникающие при использовании методов обучения по прецедентам (машинного обучения). Дается краткий обзор существующих методов распознавания и регрессионного анализа. Рассказывается о способах оценки точности на генеральной совокупности (обобщающей способности). Обсуждаются различные способы повышения обобщающей способности методов машинного обучения. Кроме классических тем, уделяется время анализу сложных сетей, методам интерпретации данных и моделей.
Бакалавры
выбрать 4 курса
Магистры
выбрать 6 курсов
Фундаментальный курс для аналитической работы с малым и большим массивом данных, который является важным этапом для целостного освоения Python и других языков программирования.
Ожидаемые результаты курса: ознакомитесь с особенностями линейного, целочисленного, нелинейного, динамического программирования, проработаете задачи математического анализа (максимальный поток, игры с нулевой суммой, экстремальные решения и др.), научитесь математической работе с оптимизацией (включая сложные NP-задания), познакомитесь с кодированием аудио и видео информации (на основе метода множителей Лагранжа) и получите эффективные формулы для работы с теорией управления.
Курс позволит получить качественные знания о работе нейронных сетей и искусственного интеллекта. Курс включает в себя теоретический и практический модуль, который позволит создать авторское аналитическое исследования для вашего научного труда.
Ожидаемые результаты курса: научитесь работать с различными видами анализа (дескриптивный, корреляционный, регрессионный, компонентный), узнаете о кластеризации и интеллектуальном анализе (сжатие данных, обнаружение новизны), изучите различные методы для решения DataTrees, ознакомитесь с алгоритмами ограниченного перебора для создания нейронных сетей.
Применение прикладных программ позволит закрепить знания о современных инструментах программирования, включая решения на основе C++, автоматическом дифференцировании и оценке иерархических моделей.
Ожидаемые результаты курса: обучитесь анализу и планированию статистических исследований различной сложности, овладеете известными прикладными программами для анализа малых и больших данных, примените статистические методы для работы с гипотезами (проверка, развитие, оценка и др.), освоите основные процессы анализа данных: прогнозное моделирование, управление решениями, узнаете о специфике текстовых редакторов, научитесь работе с AI (голосовые модули и voice-синтезаторы).
Курс посвящен автоматической стилизации изображений и ряду преобразовательных задач (нейронный перенос стиля) для формирования нового стиля изображения или группы изображений. Данные методы широко используются в мобильных приложениях и редакторах, в мультипликации, анимационных тизерах, фильмах, видеоиграх, симуляторах и средствах дополненной реальности, где важна точная передача специальных графических эффектов.
Ожидаемые результаты курса: освоите мульти-стилевые трансформации изображений, научитесь работе с промежуточными слоями и исходным кодом для детального изучения нейронных сетей, получите практический навык в работе с нейросетевыми архитектурами, классификацией и стилизацией графических изображений.
В курсе представлены математические методы для автоматического анализа, обработки и получения данных из текстов. В основу курса входят основы обработки естественного языка (NLP) и программирование AI (роботизированные программы, виртуальные помощники).
Ожидаемые результаты курса: ознакомитесь с инженерными задачами (задания известных IT корпораций), узнаете о применении сегментации и суммаризации текста, научитесь обработке текста на естественном языке (включая разбор последовательности слов), проработаете практические кейсы (актуальные примеры работ с нейронными сетями и искусственным интеллектом), освоите нейросетевые и комбинированные модели для теггинга.
Обучение с подкреплением - один из главных видов машинного обучения, где преобладает экспериментальное обучение по заранее заданным поведенческим параметрам для более качественного взаимодействия с искусственным интеллектом. Курс предполагает практическое совершенствование навыков в системных алгоритмах.
Ожидаемые результаты курса: научитесь быстрым решениям инженерных задач (классические задания, которые получают разработчики в известных IT корпорациях), проработаете практические кейсы (узнаете об актуальных примерах работ с нейронными сетями и искусственным интеллектом), получите новые вдохновляющие идеи для ваших научных исследований.
Курс направлен на основы байесовского подхода, приложения в иерархических, смешанных, линейных и обобщенных линейных моделях и различные типы принятия решений.
Ожидаемые результаты курса: ознакомитесь с особенностями статистического моделирования по методам Bayesian hierarchical modeling, узнаете все о фильтрации спама и проценте вероятности того, что ваше письмо прочтут (функциональной логарифмы log-likelihoodfunction, классификатор Байеса), научитесь минимизировать распространенные ошибки с помощью байесовской теории принятия решений, выделите для себя наиболее подходящий байесовский подход для собственных научных разработок.
Курс содержит обзор различных постановок задач управления для нелинейных динамических объектов. Излагаются методы: обратной задачи динамики, линеаризации обратной связью, большого коэффициента усиления, систем с переменной структурой, функций Ляпунова, координатно-операторной обратной связи – для решения задач стабилизации нелинейных динамических систем.
Ожидаемые результаты курса: научитесь практическому применению важных принципов обратной динамики, узнаете о применении квадратичных функций Ляпунова в системах с запаздыванием, получите математический инструментарий для применения в своих проектах.
Курс содержит обзор существующих практик применения методов искусственного интеллекта в теории управления. Рассматриваются три основных направления: эволюционные методы оптимизации, нечеткая логика и нейронные сети. Также описывается реализация методов в системе компьютерной математики MATLAB, а также в программных пакетах с открытым исходным кодом.
Ожидаемые результаты курса: научитесь эффективному решению задач оптимизации и структурного синтеза (разбор генетических алгоритмов), получите практический опыт работы с пакетом прикладных программ MATLAB, внесете основные методы AI в теории управления в свою научную разработку.
Расширенный курс включает в себя ознакомление с теоретическим и практическим построением процессов машинного обучения - репрезентация/презентация. В основе курса практический и теоретический модуль о применении основ компьютерного зрения в разных задачах программирования.
Ожидаемые результаты курса: получите знания о нейросетевых моделях, трансформации и селекции данных, дополнительные знания о принятии качественных аналитических решений для работы с среднеквадратичными отклонениями, узнаете больше о генетических алгоритмах и специальных гиперпараметрах (оптимизация).
Требования к слушателям: базовые знания Python, научный интерес к AI.
Данный курс нацелен на специалистов, заинтересованных в изучении интеллектуальных методов обработки видео, внедренных в работу известных видео-хостингов и платформ, а также популярных мобильных приложений. Полученный опыт поможет вам сделать уникальный научный проект.
Ожидаемые результаты курса: получите специальные навыки в интеллектуальном анализе видео и данных, работе с математическими и облачными вычислениями, усовершенствуете навыки по сбору и анализу цифровых данных, включая стандартный набор операций — прочтение, обработка и последующая кодификация видеозаписей (DV, AVI, MPEG, MOV, DVD, FLV и др.).
Курс рассчитан на слушателей, которые готовы к решению задач в области управления, а также знакомы с базовой терминологией о вероятностных моделях.
Этот курс дополнит ваши основные знания о вероятностных моделях практическими знаниями о способах учета риска при решении управленческих задач.
Ожидаемые результаты курса: освоите различные вероятностные модели для точного прогнозирования, изучите специальные методы вероятностного моделирования для научных исследований (например, метод Монте-Карло и цепочки Маркова), сможете выделить подходящих вероятностных моделей для выполнения контрольных, командных/индивидуальных и домашних заданий.
Курс нацелен на специалистов, заинтересованных в получении качественных практических знаний о программировании, искусственном интеллекте и цифровых программах на основе нейронных сетей, и включает в себя теоретический и практический модуль, который позволит создать научное исследование под руководством опытных практиков машинного обучения.
Ожидаемые результаты курса: сможете интерпретировать базовые знания о бинарных соединениях и нейронных сетях (работа с программными алгоритмами), освоите специальные возможности машинного обучения, научитесь обрабатывать недостающие данные (байесовское оценивание, приближение Лапласа, факторизация и др.).
Применение нейробайесовских методов поможет в получении навыков о методах субъективных оценок Байеса.
Ожидаемые результаты курса: получите дополнительную экспертизу в машинном обучении и AI, сможете дополнить свои научные исследования с собственными техническими разработками и квалифицированным анализом, узнаете современные тенденции развития глубинных нейронных сетей / belief nets.
Перед прохождением данного курса слушателям рекомендуется пройти курс байесовских методов в машинном обучении.
Основное требование к слушателям: базовые знания Python.
Курс позволит повлиять на получение высокоточных исследований, а также данных для разработки мобильных приложений и программ (которые, возможно, станут частью легендарной истории вашего факультета и МГУ им. М.В. Ломоносова).
Ожидаемые результаты курса: получите новый опыт в инвертировании отрицательной обратной связи в положительную связь (разбор характерных ошибок в программировании), осуществите разбор примеров обратной связи в цифровой среде, получите новые знания о технических лайфхаках для избежания классических ошибок, освоите практические задания на примере устойчивости и переходных процессов ОС (то, с чем сталкиваются инженеры и разработчики известных IT-корпораций) для собственных научных исследований.
Усиленный курс по изучению технических аспектов машинного обучения, который предполагает работу с графическим и текстовым анализом данных, а также обзор основных направлений машинного обучения. Данный курс включает в себя обзор алгоритмов ML, нейронных сетей и искусственного интеллекта (AI).
Ожидаемые результаты курса: проведете поиск качественных решений для выполнения прикладных задач различной сложности, включая создание уникальных разработок, связанных с перспективными направлениями науки (AI) для собственных научных исследований, сможете выделить необходимые направления для получения уникального профессионального опыта в глубоком обучении, DataScience, нейросетях.
Курс включает в себя ознакомление с теоретическим и практическим построением процессов машинного обучения - репрезентация / презентация.
Ожидаемые результаты курса: получите знания о нейросетевых моделях, трансформации и селекции данных, дополнительные знания о принятии качественных аналитических решений для работы с среднеквадратичными отклонениями, узнаете больше о генетических алгоритмах и специальных гиперпараметрах (оптимизация).
Требования к слушателям: базовые знания Python, научный интерес к интеллектуальному анализу данных, аналитическое мышление (в курсе присутствуют задачи, требующие сложных вычислений и анализа).
Поддержка
научных
исследований
Руководитель программы
Фомичёв Василий Владимирович
Заместитель декана факультета ВМК МГУ имени М.В.Ломоносова, заведующий кафедрой нелинейных динамических систем и процессов управления, доктор физико-математических наук, профессор
Преподаватели программы:
Ватолин Дмитрий Сергеевич
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Интеллектуальные методы обработки видео
Ветров Дмитрий Петрович
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Байесовские методы машинного обучения, оценивание обобщающей способности алгоритмов распознавания образов, методы статистического реляционного обучения, графические модели, методы Монте-Карло с марковскими цепями, обработка изображений, математические методы нейроимиджинга, статистический анализ активности мозга, поиск закономерностей в дискретных временных рядах.
Воронцов Константин Вячеславович
Образование
Инженер-математик
Московский физико-технический институт
Специализация
Анализ текстов, информационный поиск, вероятностное тематическое моделирование, анализ транзакционных данных, анализ биомедицинских данных, диагностика заболеваний по электрокардиограмме
Гончаров Олег Игоревич
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Задачи управления нелинейными динамическими системами
Дуканов Сергей Сергеевич
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Обработка звуковых сигналов
Дьяконов Александр Геннадьевич
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Машинное обучение и прикладные задачи анализа данных, алгебраический подход и теория интерполяции, дискретная математика
Захаров Владимир Анатольевич
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Математическая логика, теория сложности вычислений, модели распределенных вычислений, формальные языки, математические основы криптографии
Китов Виктор Владимирович
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Машинное обучение, методы классификации и регрессии, преобразование признаков, прогнозирование композициями алгоритмов
Конушин Антон Сергеевич
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Компьютерное зрение
Костенко Валерий Алексеевич
Образование
Автоматика и вычислительная техника
Таганрогский радиотехнический институт
Специализация
Синтез и планирование вычислений в системах реального времени, методы и средства планирования вычислений в центрах обработки данных и облачных платформах, комбинаторная оптимизация, машинное обучение, федеративное обучение
Лукашевич Наталья Валентиновна
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Автоматическая обработка текстов, онтологии
Малышко Виктор Васильевич
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Искусственный интеллект, объектно-ориентированные методы анализа и проектирования программного обеспечения, программная инженерия, инженерия знаний
Петровский Михаил Игоревич
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Системное программирование, интеллектуальный анализ данных (data mining), методы машинного обучения, системы поддержки принятия решений, компьютерная безопасность.
Рыжов Александр Павлович
Образование
Аэромеханика и летательная техника
Московский физико-технический институт
Специализация
Нечеткая математика
Фурсов Андрей Серафимович
Образование
Математика
Московский государственный университет имени М.В. Ломоносова
Специализация
Теория устойчивости, теория управления, теория стабилизации, переключаемые системы
Целищев Михаил Андреевич
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Байесовские методы, Марковские модели
В настоящее время курс "Введение в искусственный интеллект" ориентирован на всех студентов Факультета вычислительной математики и кибернетики МГУ имени М.В.Ломоносова, начиная со 2 курса. С учетом интереса к данному направлению присоединиться могут все желающие.
Начало занятий первого потока стартовало 8 февраля 2021 года в дистанционном формате (на платформе ZOOM). Для удобства все материалы лекций доступны слушателям курса на специализированной платформе.
Для регистрации на курс необходимо:
Набор на второй поток академической программы по искусственному интеллекту будет производиться во второй половине января 2022 года.
Участником программы может стать любой студент 2-го курса факультета ВМК.
Обучение начнется с курса «Введение в искусственный интеллект» в феврале 2022 года. Данный курс является обязательным для участников программы. По итогам курса появится возможность выбрать направление для дальнейшего прохождения программы. Уже в осеннем семестре 2022 года программа продолжится курсом «Машинное обучение» и курсами по выбору.
Детальная информация о датах и формах регистрации на программу 2022 года будет размещена дополнительно.
