Основы машинного обучения. Композиционные алгоритмы, Поверхностное и глубокое машинное обучение, Обзор известных методов и подходов машинного обучения, Композиционные алгоритмы, Создание и исследование алгоритмов класса «Случайный лес» в зависимости от используемых гиперпараметров, Создание и исследование алгоритмов класса «Adaboost» в зависимости от используемых гиперпараметров, История развития нейронных сетей, основные понятия и определения, Основные понятия и определения теории нейронных сетей. Базовые архитектуры нейронных многослойных сетей, Особенности архитектуры глубоких нейронных сетей, Возможности среды Keras для создания нейронных сетей различной архитектуры, Однонаправленные многослойные сети персептронного типа. Обучение неглубоких сетей персептронного типа и проблемы при переходе к глубокому обучению, Многослойный персептрон, структурная схема, входные и выходные воздействия, Алгоритм обратного распространения ошибки и его модификации. Основные направления развития технологий обучения при переходе к глубоким нейронным сетям, Обучение и тестирование многослойных сетей персептронного типа. Анализ возможностей их применения на стандартных наборах данных (MNIST и др.), Возможности послойного обучения и создание нейронной сети на основе стека автоэнкодеров,Глубокие сверточные нейронные сети (CNN) и их применение, Типовая архитектура сверточной нейронной сети, ее обучение и применение для решения прикладных задач, Обучение глубоких нейронных сетей для решения задачи классификации исходного изображения с помощью глубокой сверточной нейронной сети, Обучение глубоких нейронных сетей для решения задачи обнаружения объектов на исходном изображении с помощью глубокой сверточной нейронной сети, Обучение глубоких нейронных сетей для решения задачи семантической сегментации изображений с помощью архитектуры кодер-декодер, Рекуррентные нейронные сети. Сеть LSTM и ее применение, Типовая архитектура нейронной сети LSTM, ее обучение. применение для решения прикладных задач, Обучение сети LTSM для предсказания цен акций (на основе текста) на фильмы с помощью Keras, Механизм внимания. Трансформеры, Типовая архитектура трансформера. Применение трансформеров для обработки изображений, Обучение Трансформера для обработки изображений.
Приобретаемые знания и навыки
Знание известных в мировой практике подходjd и разработок в области машинного обучения, историю развития нейронных сетей, роль и место нейросетевых технологий обработки информации и используемые для синтезе и анализа указанных алгоритмов обработки информации математические модели.
Умение разрабатывать и применять математические модели процессов и объектов при решении задач анализа и синтеза алгоритмов машинного обучения, анализировать адекватность известных и используемых моделей и результатов экспериментальных исследований, обобщать их для проведения сопоставительного анализа, включая и выполняемые собственные разработки.
Владение навыками подготовки исходных данных, использования готовых моделей алгоритмов машинного обучения на основе композиционных алгоритмов и нейронных сетей для проведения компьютерного эксперимента по оценке их эффективности, навыками тестирования компьютерных моделей алгоритмов обработки информации в среде Python.
Владеет навыками подготовки исходных данных, построения моделей алгоритмов машинного обучения с использованием композиционных алгоритмов, нейронных сетей для проведения компьютерного эксперимента по оценке эффективности алгоритмов анализа данных, навыками тестирования компьютерных моделей алгоритмов обработки информации в среде Python.
Владение навыками подготовки исходных данных, построения моделей алгоритмов машинного обучения с использованием композиционных алгоритмов, нейронных сетей для проведения компьютерного эксперимента по оценке эффективности алгоритмов анализа данных, навыками тестирования компьютерных моделей алгоритмов обработки информации в средах Python.
Знание базовых понятий и парадигм методологии машинного обучения, основы современных средств и технологий обработки информации; базовые методы и алгоритмы обработки информации в рамках нейросетевого подхода; особенности применения технологий глубокого обучения.
Умение проводить синтез и анализ алгоритмов и программных средств обработки информации для решения конкретных практических задач, в том числе с использованием технологий глубокого обучения; формировать рекомендации по принципам построения и параметрам алгоритмов обработки информации в конкретной предметной области.
Владение практическими навыками разработки и применения средств и технологий обработки информации с использованием композиционных алгоритмов машинного обучения и глубоких искусственных нейронных сетей.
