Информация о курсе

Основной целью курса является формирование у студентов фундаментальных знаний и практических навыков в области искусственного интеллекта (ИИ) и машинного обучения (МО), включая методы обработки данных, построение моделей и их применение в реальных задачах.

Курс предназначен для студентов магистратуры, а также специалистов, желающих освоить современные технологии ИИ.

Рекомендуемый уровень подготовки:

• Базовые знания математики (линейная алгебра, теория вероятностей)

• Основы программирования (Python)

В курсе рассматриваются:

• Основные концепции ИИ и машинного обучения

• Методы предобработки данных

• Классические алгоритмы ML

• Нейронные сети и глубокое обучение

• Компьютерное зрение

Особое внимание уделяется:

• Практической реализации моделей на Python (библиотеки: NumPy, Pandas, Scikit-learn, TensorFlow/PyTorch)

• Разбору реальных кейсов (прогнозирование, классификация, генерация данных)

• Оптимизации и интерпретации моделей

По завершении курса студенты будут:

Знать:

• Основные алгоритмы машинного обучения и их математические основы

• Принципы работы нейронных сетей и методов глубокого обучения

• Методы оценки качества моделей

Уметь:

• Предобрабатывать данные и выделять значимые признаки

• Обучать и тестировать модели ML

• Визуализировать результаты и интерпретировать предсказания

Владеть:

• Навыками работы с Python-библиотеками для анализа данных

• Методами оптимизации гиперпараметров моделей

• Опытом решения прикладных задач (прогнозирование, классификация изображений)

Применение компетенций:

• Разработка AI-решений для бизнеса и науки

• Автоматизация процессов с помощью ИИ

• Анализ больших данных в финансах, медицине, инженерии

Курс входит в следующие направления подготовки:

Магистратура:

• ООП: Разработка интернет-приложений (09.04.01 Информатика и вычислительная техника)

• ООП: Искусственный интеллект и машинное обучение (09.04.01 Информатика и вычислительная техника)

1. Введение в машинное обучение

Темы:

1. Основы машинного обучения

2. Подготовка данных

3. Обучение и оценка моделей

---

2. Искусственные нейронные сети

Темы:

1. Основы нейросетей

2. Обучение и оценка моделей

---

3. Распознавание объектов

Темы:

1. Сверточные нейросети

2. Классификация объектов

3. Детекция объектов

---

Модуль 4. Сегментация изображений

Темы:

1. Типы сегментации

2. Архитектуры для сегментации

---

Модуль 5. Генерация изображений

Темы:

1. Генеративно-состязательные сети

2. Практические применения

• Продолжительность: 16 недель

• Трудоемкость: 144 часа

• Форма контроля:

  • Промежуточная аттестация: тесты, практические задания

  • Итоговая аттестация: экзамен

Друки А.А., к.т.н, доцент, персональная страница: https://staff.tpu.ru/personal/employee?lid=4400