• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Информация для студентов 2019 года набора

Майнор посвящен введению в теорию и практику применения нейросетевых технологий для решения различных задач. Охватываются такие направления как теория нейронных сетей, нейроматематика, нейроуправление, нейрокомпьютеры для задач обработки изображений, текстов, сигналов, криптографии, робототехники, информационной безопасности и др.
Рассматриваются другие технологии "мягких" вычислений: нечеткая логика, эволюционные методы, вейвлеты и пр.
Необходимо знание школьной программы по математике и информатике (линейная алгебра, дифференцирование, программирование).
Майнор будет полезен для расширения знаний о нейронных сетях, продолжения работы в этой области в виде междисциплинарных курсовых работ или научных исследований.


Картинки по запросу  В 2019г. майнор стал победителем осеннего конкурса образовательных инноваций в номинации "Практика преподавания майноров"

Ограничения для выбора образовательным программам: ОП «Программная инженерия», ОП «Прикладная математика и информатика»

Максимальное число слушателей: 120

Целевая аудитория: студенты 2019 года набора

Курсы майнора:

  1. Теория нейронных сетей - дается понятие о различных видах искусственных нейронных сетей, методах их обучения, таких как персептроны, сверточные сети, рекуррентные сети, импульсные (спайковые) и другие виды нейронных сетей, а также базовые понятия о биологических нейронных сетях и устройстве мозга.
  2. Нейроматематика - дается понятие о способах использования нейронных сетей различного вида для решения математических задач: аппроксимация, экстраполяция (прогнозирование), кластеризация, решение систем линейных и нелинейных уравнений (алгебраических, дифференциальных) и др.
  3. Нейрокомпьютеры - дается понятие о существующих и перспективных способах аппаратной поддержки нейросетевых вычислений, на цифровых и аналоговых устройствах, специализированных нейрочипах и универсальных вычислителях типа графических ускорителей, перспективных нанотехнологиях (мемристоры), а также дается понятие о методах цифровой обработки сигналов и адаптивной фильтрации сигналов.
  4. Применение нейросетевых технологий - даются сведения о различных применениях нейронных сетей и других технологий “мягких” вычислений (нечеткие множества и нечеткая логика, эволюционные вычислительные алгоритмы, вейвлеты)  в самых разнообразных задачах, гражданских и государственных, это как популярные области обработки изображений, видео, речи, текста, так и  важнейшие области информационной безопасности, криптографии, радиолокации, робототехники и многие другие.

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 «HSE Майнор»

Пять слов, характеризующих ваш майнор.

Все про нейронные сети и нейрочипы.

Расскажите подробнее про каждую дисциплину майнора и о важности её изучения.

Теория нейронных сетей – основы основ всех нейронных сетей, без понимания теории всё дальнейшее изучение бессмысленно, а также немножко о биологических нейронных сетях. Узнаете обо всех структурах нейронных сетей, способах их обучения: персептроны и свертки, рекуррентные и спайковые и др.

Нейроматематика – фактически продолжение теории, с уклоном на математические задачи, алгоритмы и методы, лежащих в их основе: как решать дифференциальные уравнения, задачи маршрутизации, прогнозирование, оптимизация и др.

Нейрокомпьютеры – все о "железе", самых высокопроизводительных компьютерах, без которых немыслимо создание искусственного мозга, новые материалы и кванты, "старые" аналоговые нейрокомпьютеры и "новые" цифровые, самые быстрые нейрочипы и др.

Применение нейросетевых технологий – увидеть, что нейронные сети - везде, это не только картинки и звук, но и управление, радиолокация и психология, космос и наномир. Отдельное внимание уделяется вопросам криптографии, информационной безопасности, важным для страны отраслям.

Какому студенту будет интересен ваш майнор?

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.

По статистике, половина набора - это студенты МИЭМ, но мы будем рады и студентам других факультетов.

Цели и задачи вашего майнора

Цель майнора - показать широту применения и разнообразие подходов, используемых в нейронных сетях. Неограничиваться, как это делается во многих курсах машинного обучения, лишь популярными направлениями и архитектурами, "красивыми" картинками. Хотим, чтобы студенты могли придумывать свои собственные архитектуры нейронных сетей, а для этого надо их знать, хотим чтобы студенты могли 
- ставить и решать задачи, где необходимо обучать компьютер чему-то.
 - читать профессиональную литературу.
- уметь выступать публично с докладом на заданную тему.

Развейте главный стереотип о майноре.

Это ни в коем случае не курсы машинного обучения.

С какими сложностями может столкнуться студент при обучении на майноре.

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.

Нужны ли специальные навыки для изучения вашего майнора?

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.

Какой уровень знания английского языка необходим для прохождения вашей дисциплины?

Хороший, много литературы и документации на английском языке.

Укажите примерное задание, с которым столкнется студент на майноре.


Картинки по запросу   Пример задания экзамена дисциплины Применение нейросетевых технологий, 2019.

Наши ученые разработали супер-пупер-мега-роевую пушку, которая может выстреливать снарядом под углом к горизонту с некоторой начальной скоростью. Угол и начальная скорость регулируются, а пушка может выпускать множество снарядов (поэтому ее и назвали роевой). Но никто не умеет управлять этой пушкой.

Вы – элитарный артиллерист, и вы должны научиться этой пушкой управлять.

Вы можете задавать любой угол наклона A пушки в пределах от 0 до Pi\2 (90 градусов) и любую начальную скорость F, от 0 до 1000 килопарсек в секунду. Пушка и Вы – двумерные, расположены в точке (0,0), а ваша цель расположена в точке (1000,0). Даже в двумерной галактике действует гравитация, поэтому вы знаете, что снаряд будет двигаться по формуле

x(t)=F*cos(A)*t,

y(t)=F*sin(A)*t-10*t.*t,

где t – время t=0:0.01:10.

 Вы очень глазастый артиллерист и можете видеть всю траекторию движения снаряда, поэтому можете узнать, когда он упадет на землю (y=0). В это время снаряд взорвется и если в этой точке находилась цель, ближе чем 0.8 по x, то вы ее поразите.

Пушка не зря называется роевой – она стреляет сразу целой кучей - роем - снарядов и можно применить метод роя частиц для управления пушкой, чтобы поразить цель.

Итак, космическое командование требует от вас применить метод роя частиц для нахождения таких параметров пушки (угол и скорость) чтобы поразить цель.

 Командование рекомендует использовать метод роя частиц с дополнительными константами и при расчетах не допускать выхода параметров за указанные диапазоны.

 Для отчета командованию надо отображать на графике лучшую траекторию на каждой итерации расчета, и в конце отобразить самую лучшую траекторию жирной линией. Она должна отклоняться от цели не более чем на 0.8 по x координате. Отображать также положение цели. Ограничить область рисования [0 1500] по x и  [-100 500] по y.