Теория нейронных сетей

Инструмент машинного обучения для решения задач распознавания образов, кластеризации данных, компьютерного зрения.

16 000 руб.

12 часов (4 занятия)

Скоро старт!

Сертификат НИЯУ МИФИ об успешном завершении курса

Интенсивная подготовка

Навыки практического использования технологий

Общение с ведущими специалистами

Курс разработан и преподается специалистами НИЯУ МИФИ

Скидки для студентов и аспирантов

Официальный сертификат НИЯУ МИФИ об успешном завершении курса выдается в течение двух недель после выпуска

Программа курса

Занятие 1
Области применения нейрокомпьютинга. Виды задач, решаемых с помощью нейросетевых технологий. История развития теории нейронных сетей. Метод «черного ящика» и «мягкие вычисления». Математическая модель технического нейрона. Функция активации нейрона. Математическая модель функционирования нейронной сети. Сети прямого распространения, рекуррентные сети. Стохастический нейрон.

Занятие 2
Математическая модель многослойной нейронной сети, универсальная аппроксимационная теорема, нейронная сеть как универсальный аппроксиматор, Data-driven и model-based подходы к построению моделей, функция потерь, теоретический и эмпирический риск, принцип минимизации эмпирического риска, постановка задачи обучения многослойной нейронной сети. Квадратичная функция потерь, бинарная и категориальная кросс-энтропия. Стохастическая интерпретация задачи обучения нейронной сети. Метод обратного распространения ошибки.

Занятие 3
Методы обучения нейронных сетей. Градиентные методы обучения, методы обучения с адаптивным шагом, стохастический градиентный спуск, методы обучения 2-го порядка, параметры методов, особенности, преимущества и недостатки методов. Инициализация параметров нейронной сети, метод Хавьера.

Занятие 4
Обобщение данных в нейронных сетях, переобучение, обучающая, валидационная и тестовая выборки. Оценка точности нейросетевой модели, методы кросс-валидации: метод Монте-Карло, k-fold, holdout, leave-one-out кросс-валидация, стратификация выборки при кросс-валидации, внутренняя кросс-валидация. Методы регулирования нейросетевых моделей.

Вопросы и ответы

КАКИЕ НАВЫКИ ПОЛУЧИТ СЛУШАТЕЛЬ ПОСЛЕ КУРСА?

Навыки построения нейросетевых моделей для решения прикладных задач обработки данных, в частности, задач регрессии и классификации

КАКИЕ ИНСТРУМЕНТЫ РАЗРАБОТКИ ОСВОИТ СЛУШАТЕЛЬ?

Библиотеки языка Python для построения нейросетевых моделей.

ЧЕМ ВАШИ КУРСЫ ОТЛИЧАЮТСЯ ОТ ДРУГИХ КУРСОВ НА РЫНКЕ?

Основное отличие выпускников курсов НИЯУ МИФИ — это умение понимать происходящие процессы на фундаментальной основе и применять (а часто и создавать совершенно новые) имеющиеся у него в распоряжении инструменты для решения необходимых задач. Цель курса — объяснить как работают нейронные сети, как их правильно применять и что делать, если что-то пошло не так.

КАК ПОСТРОЕНЫ ЗАНЯТИЯ? НЕ МОЖЕТ ЖЕ БЫТЬ 3 ЧАСА ТОЛЬКО ЛЕКЦИЙ.

Часть времени будет посвящена практическим занятиям на Python, т.е. преподаватель покажет, как создавать, обучать нейросети, расскажет, документацию каких библиотек Python стоит изучить. Соотношение теории и практики — 70/30

СУМЕЕТ ЛИ СЛУШАТЕЛЬ ПОСЛЕ КУРСА РАЗРАБАТЫВАТЬ ПРОСТЫЕ НЕЙРОННЫЕ СЕТИ?

Разработка нейронной сети — это вызов трех функций: создание сети, обучение сети и применение сети к имеющимся данным. Поэтому разрабатывать сети может любой, кто имеет начальные знания, а современные средства позволяют создавать и обучать их в пару кликов.

Преподаватели курсов

Институт интеллектуальных кибернетических систем

Трофимов Александр Геннадьевич
Кандидат технических наук, доцент кафедры кибернетики
Мишулина Ольга Александровна
Кандидат технических наук, доцент кафедры кибернетики
Запечников Сергей Владимирович
Доктор технических наук, доцент кафедры криптографии и кибербезовасности