Академическая программа по искусственному интеллекту

Реализуемые инициативы
Академическая программа по искусственному интеллекту

О программе

Академический состав

Набор 21/24

Набор 22/25

О программе
Академический состав
Набор 21/24
Набор 22/25

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:

Доступность образовательной программы для всех студентов ВМК МГУ имени М.В. Ломоносова вне зависимости от кафедры;
Индивидуальный подход: каждый студент выбирает собственную траекторию обучения из широкого диапазона курсов программы;
Сертификация методическим советом на соответствие современному уровню образования и профессиональной подготовки;
Интенсивная практическая работа;
Поддержка исследовательской деятельности студентов.

Куратор программы

Мосолова Юлия
- @juliamosol
- aiprogram@cs.msu.ru

Образовательная
траектория

Два обязательных
курса

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:

Логические методы и представление знаний
Планирование и поиск решений в пространстве состояний
Машинное обучение
Человеко-машинное взаимодействие

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

Курсы
по выбору

Магистры

выбрать 6 курсов

Математическое и статистическое программирование

Интеллектуальный анализ данных

Пакеты прикладных программ для статистической
обработки и анализа данных

Нейросетевые методы обработки изображений

Математические методы анализа текстов

Обучение с подкреплением

Байесовские методы

Актуальные проблемы теории управления:
новые типы обратной связи

Методы искусственного интеллекта
в теории управления

Компьютерное зрение

Интеллектуальные методы обработки видео

Вероятностные модели

Байесовские методы в машинном обучении

Нейробайесовские методы

Теория обратной связи

Глубокое обучение

Практическое введение в пакеты машинного обучения

Математическое и статистическое программирование

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.

Интеллектуальный анализ данных

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.

Пакеты прикладных программ для статистической
обработки и анализа данных

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).

Нейросетевые методы обработки изображений

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.

Математические методы анализа текстов

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

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.

Байесовские методы

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.

Актуальные проблемы теории управления:
новые типы обратной связи

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.

Методы искусственного интеллекта
в теории управления

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.

Компьютерное зрение

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.

Интеллектуальные методы обработки видео

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.).

Вероятностные модели

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.

Байесовские методы в машинном обучении

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.).

Нейробайесовские методы

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.

Теория обратной связи

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.

Глубокое обучение

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.

Практическое введение в пакеты машинного обучения

Курс включает в себя ознакомление с теоретическим и практическим построением процессов машинного обучения - репрезентация / презентация.

Требования к слушателям: базовые знания Python, научный интерес к интеллектуальному анализу данных, аналитическое мышление (в курсе присутствуют задачи, требующие сложных вычислений и анализа).

Научно-исследовательская
практика

Поддержка
научных
исследований

Именные
стипендии

Конкурс лучших
научных проектов

Гранты на исследовательскую
работу

Оплата участия в международных
конференциях с докладами

Защита выпускной
квалификационной работы

Сертификат

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:

Сайт программы: https://cs.msu.ru/ai

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:

заполнить форму и выбрать курс "ВвИИ"
создать учетную запись на moodle-площадке
подтвердить (либо создать новую) запись на курс через почту, закреплённую за официальным доменом ВМК МГУ имени М.В.Ломоносова — @gse.cs.msu.ru
подписаться на telegram-канал курса

Информация о датах набора на программу 2022 г. будет размещена дополнительно

О программе

Академический состав

Набор 21/24

Набор 22/25

Академическая программа по искусственному интеллекту

Математическое и статистическое программирование

Интеллектуальный анализ данных

Пакеты прикладных программ для статистической обработки и анализа данных

Нейросетевые методы обработки изображений

Математические методы анализа текстов

Обучение с подкреплением

Байесовские методы

Актуальные проблемы теории управления: новые типы обратной связи

Методы искусственного интеллекта в теории управления

Компьютерное зрение

Интеллектуальные методы обработки видео

Вероятностные модели

Байесовские методы в машинном обучении

Нейробайесовские методы

Теория обратной связи

Глубокое обучение

Практическое введение в пакеты машинного обучения

Академическая программа
по искусственному интеллекту

Пакеты прикладных программ для статистической
обработки и анализа данных

Актуальные проблемы теории управления:
новые типы обратной связи

Методы искусственного интеллекта
в теории управления