Информация для студентов 2018 года набора
Майнор посвящен теории и практике применения нейросетевых технологий для решения различных задач. Охватываются такие направления как теория нейронных сетей, нейроматематика, нейроуправление, нейрокомпьютеры и их реализации в специализированных нейропакетах для задач обработки изображений, текстов, сигналов, криптографии, информационной безопасности, робототехнике и др.
Актуальные данные по дисциплинам уточняйте в базе учебных курсов НИУ ВШЭ.
Трудоемкость: 20 кредитов
Ограничения для выбора образовательным программам: ОП «Программная инженерия», ОП «Прикладная математика и информатика»
Максимальное число слушателей: 120
Годы реализации: 2019 — 2021
Целевая аудитория: студенты 2018 года набора
Планируемое место проведения: Кочновский проезд, д. 3
Курсы майнора:
Отзывы студентов
Майнор «Нейросетевые технологии» отлично подходит для всех желающих изучить современные достижения в области машинного обучения, компьютерного зрения и нейронных сетей. Для обучения понадобится знание любого высокоуровневого языка программирования и базовое понимание основ алгоритмизации. Основной плюс данного майнора, что он основан на практике. Фокус и упор сделан не только на математической теории, но и на практическом применении решаемых задач. На курсе слушатель на многочисленных примерах из разных сфер науки и техники изучит основные модели нейронных сетей и узнает, в каких случаях их использовать; рассмотрит различные алгоритмы обучения; ознакомится с подходами предотвращения переобучения и изучит методы их оценки. После успешного прохождения курса студент сможет применять навыки машинного обучения на практике в той сфере деятельности, где он работает. Майнор «Нейросетевые технологии» – отличная возможность для получения базовых знаний в самой продвинутой на данный момент области IT.
Владимир Кашицын
Майнор помог в цельном понимании нейросетей и их разнообразии. В майноре рассматривается не только применение нейросетей, но и принципы их работы (будет и математическое объяснение обучения нейросетей), подходы к разным сферам (как они могут использоваться, к примеру, в металлургии, робототехнике и др. сферах) и различные типы нейросетей. В этом курсе можно отметить комплексность рассмотрения темы нейросетей (конечно, при этом хорошо не забывать смотреть тематический план дисциплины, чтобы понимать порядок этапов рассмотрения и держать целостную картину обучения в голове).
Дмитрий Баранов
Преподаватели майнора всячески приветствуют интерес студентов к области нейросетевых технологий, что выражается в междисциплинарных курсовых и ВКР, проводимых студентами майнора:
ВКР: Устройство генерации секретного ключа для приватного обмена сообщениями по локальной сети на основе древовидных машин четности
ВКР + КР: Разработка программы распознавания модуляции радиосигнала в сложной помеховой обстановке
ВКР + КР: Моделирование человеческого поведения при прохождении методики "Исключение предметов" искусственной нейронной сетью
КР: Программа для решения задачи распознавания образов на основе свёрточной нейронной сети глубокого обучения
Вопросы проекта «День Майнора онлайн»
Все про нейронные сети и нейрочипы.
Теория нейронных сетей – основы основ всех нейронных сетей, без понимания теории все дальнейшее изучение бессмысленно, а также немножко о биологических нейронных сетях.
Нейроматематика – фактически продолжение теории, с уклоном на математические задачи, алгоритмы и методы, лежащих в их основе.
Нейрокомпьютеры – все о "железе", самых высокопроизводительных компьютерах, без которых немыслимо создание искусственного мозга, новые материалы и кванты.
Применение нейросетевых технологий – увидеть, что нейронные сети - везде, это не только картинки и звук, но и безопасность, радиолокация и психология, космос и наномир.
В душе – ученый и инженер. Хочется потрогать что-то, поломать, потом собрать, забыть детальку, но получить новое устройство, лучше прежнего.
Постоянно мучают вопросы «А почему так?», «А если сделать по другому?»
Одновременно отвечу, кому не будет интересно:
1. Математикам: тут не будет строгих доказательств, теорем и аксиом, все работает «как-то так».
2. Программистам: мы не учим, и нам все равно, какие языки вы знаете, какой «лучше», какая библиотека быстрее, нейросетевик думает на языке алгоритмов, а не программ.
3. Не любящим читать: читать придется много, в том числе на английском.
а) Ставить и решать задачи, где необходимо обучать компьютер чему-то
б) Чтения профессиональной литературы
в) Публичных выступлений с докладом на заданную тему
Это ни в коем случае не курсы машинного обучения.
Если много пропускать занятий, то потом трудно наверстать и получить хорошую оценку.
Все-таки придется программировать, для тех кто не умеет вообще – мы по-быстрому изучаем Матлаб, он довольно прост.
Надо понимать основы математики (что такое уравнение, функция, производная...)
Надо понимать основы физики (ток, напряжение, сила, скорость ...)
Надо уметь работать с компьютером.
Желательно уметь программировать хоть на чем-то.
Школьной программы вполне хватит.
Хороший, много литературы и документации на английском языке.
Пример задания (контрольная работа, дисциплина Нейрокомпьютеры, 2018)
Выход канала связи описывается следующей функцией:
y(t)= 0.3*x(t)+2.4 *x(t-1) - 4.1 *x(t-2) + 0.3 *x(t-3) -2.6* x(t-4), x(t) – сигнал на входе в канал.
Мы хотим передать через канал связи фразу (без кавычек)
Hello World, this is my first program of Wiener equalizer’
Для этого нужно как-то закодировать передаваемую информацию в сигнал.
Мы решили поступить следующим образом:
Например, для символа ‘H’ (код 72) передаваемый сигнал будет иметь вид -8, -8, -8, -8 ..., (и так 30 раз)
Полный сигнал составляется из сигналов каждого символа, кроме того к нему добавляется шум, который мы смоделируем как случайную добавку к каждому отсчету сигнала, равномерно распределенную в диапазоне [-1 ; 1].
Сигнал с шумом подается на канал связи и, конечно, искажается в нем.
Построить и обучить фильтр Винера, который мог бы «выровнять» такой канал, т.е. получить сигнал с выхода канала связи и восстановить его.
1) Привести на одном графике различным цветом и типом линий изображения исходного сигнала с шумом, сигнала на выходе канала связи, сигнала на выходе фильтра Винера после обучения. Подписать легенду графика.
Вывести на экран исходную передаваемую фразу и полученную на выходе обученного фильтра Винера, для чего усреднить и округлить до целого последние 10 значений отсчетов сигнала каждого символа и перевести обратно в текст.
2) Передать через канал фразу 'This is my second signal' и используя обученный в 1) фильтр Винера восстановить сигнал с выхода канала связи. Перевести восстановленный сигнал обратно в текст, также, как в 1).
В отчет привести полное описание процесса решения задания, необходимые графики и вывод на экран. К отчету приложить рабочий код, включая все необходимые для его работы функции.
- будем интерпретировать каждый символ (в том числе пробелы) в фразе как код (число), в соответствии с таблицей символов ASCII
- вычтем из этого кода число 80
- для передачи каждого символа будем использовать Т=30 отсчетов сигнала, амплитуда которого равна этой разнице