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 видеоВетров 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 электрокардиограммеГончаров Олег Игоревич
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Задачи управления нелинейными динамическими системамиДуканов Сергей Сергеевич
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Обработка звуковых сигналовДьяконов 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 математикаЗахаров 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 криптографииКитов 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 алгоритмовКонушин Антон Сергеевич
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Компьютерное зрениеКостенко 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 обучениеЛукашевич Наталья Валентиновна
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Автоматическая обработка текстов, онтологииМалышко 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 знанийПетровский 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 математикаФурсов Андрей Серафимович
Образование
Математика
Московский государственный университет имени М.В. Ломоносова
Специализация
Теория устойчивости, теория управления, теория стабилизации, переключаемые системыЦелищев Михаил Андреевич
Образование
Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Байесовские методы, Марковские моделиВ 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.