Основы нейронных сетей
内容描述: Ознакомление с различными направлениями в системах искусственного интеллекта, более глубоко изучение одного из направлений искусственного интеллекта – нейронными сетями, выработка методики нейросетевого моделирования процессов в различных областях человеческой деятельности, познакомиться с использованием нейронных сетей в различных областях – распознавание образов, прогнозирование, принятие решений, оптимизации и др.
贷款数: 6
Пререквизиты:
- Информационно-коммуникационные технологии
*СomplexityDiscipline(zh-CN)*:
| *TypesOfClasses(zh-CN)* | *hours(zh-CN)* |
|---|---|
| *Lectures(zh-CN)* | 30 |
| *PracticalWork(zh-CN)* | 30 |
| *LaboratoryWork(zh-CN)* | |
| *srop(zh-CN)* | 30 |
| *sro(zh-CN)* | 90 |
| *FormOfFinalControl(zh-CN)* | экзамен |
| *FinalAssessment(zh-CN)* | Экзамен |
零件: Вузовский компонент
循环次数: Базовые дисциплины
Цель
- Целью преподавания курса является овладение студентами основными методами анализа и синтеза нейронных сетей, обучение студентов основным идеям и методам создания нейронных сетей и основанным на них принципам, видам и схемам нейронных сетей
Задача
- освоение базовых принципов построения нейронных сетей;
- создание нейровньrх сетей для обработки информации;
- освоение форм представлениJl и преобразования знаний в нейронных сетях;
- применение методов анализа и синтеза нейронных сетей.
Результат обучения: знание и понимание
- различные направления систем искусственного интеллекта;
- понятия: модель, моделирование, адекватность модели, формализация, искусственный интеллект, нейросетевая модель, компьютерная реализация нейронной структуры;
- классификацию видов нейронных сетей
- основные принципы построения и обучения нейронных сетей
Результат обучения: применение знаний и пониманий
- применять различные методы обучений нейронных сетей
- строить нейросетевые модели реальных процессов и исследовать их на ЭВМ
- использовать основные этапы моделирования при решении практических задач
- строить различные варианты рассматриваемых нейросетевых моделей
- применять методы проверки адекватности построенной модели реальному процессу
Результат обучения: формирование суждений
- формировать суждения о возможности применения нейросетевых элементов в компьютерных системах
- формировать суждения о создании нейросетевых моделей реальных процессов, в частности экономических
Результат обучения: коммуникативные способности
- развитие и совершенствование коммуникативных способностей студентов;
- развитие навыков участия в конструктивном диалоге о роли и значимости систем искусственного интеллекта в современном мире, различных направлениях в системах искусственного интеллекта
Результат обучения: навыки обучения или способности к учебе
- формирование умений в области систем искусственного интеллекта для реализации научно-исследовательских работ
- выработка навыков применения нейросетевых элементов в компьютерных системах
- способность содействовать, в рамках академических и профессиональных контекстов, технологическому, социальному или культурному развитию в интересах формирования общества, основанного на знаниях
*TeachingMethods(zh-CN)*
- лекции и онлайн-лекции, лабораторные занятия с применением слайдов и других средств мультимедиа.
*AssessmentKnowledge(zh-CN)*
Преподаватель проводит все виды работ текущего контроля и выводит соответствующую оценку текущей успеваемости обучающихся два раза в академический период. По результатам текущего контроля формируется рейтинг 1 и 2. Учебные достижения обучающегося оцениваются по 100-балльной шкале, итоговая оценка Р1 и Р2 выводится как средняя арифметическая из оценок текущей успеваемости. Оценка работы обучающегося в академическом периоде осуществляется преподавателем в соответствии с графиком сдачи заданий по дисциплине. Система контроля может сочетать письменные и устные, групповые и индивидуальные формы.
| *Period2(zh-CN)* | *TypeOfTask(zh-CN)* | *Total(zh-CN)* |
|---|---|---|
| 1 *Rating(zh-CN)* | Практическое задание 1 | 0-100 |
| Практическое задание 2 | ||
| 2 *Rating(zh-CN)* | Практическое задание 3 | 0-100 |
| Практическое задание 4 | ||
| Практическое задание 5 | ||
| *TotalControl(zh-CN)* | экзамен | 0-100 |
*PolicyAssignmentTask(zh-CN)*
| *TypeOfTask(zh-CN)* | 90-100 | 70-89 | 50-69 | 0-49 |
|---|---|---|---|---|
| Excellent | *Grade4(zh-CN)* | *Grade3(zh-CN)* | *Grade2(zh-CN)* | |
| Собеседование по контрольным вопросам | демонстрирует системные теоретические знания, владеет терминологией, логично и последовательно объясняет сущность явлений и процессов, делает аргументированные выводы и обобщения, приводит примеры, показывает свободное владение монологической речью и способность быстро реагировать на уточняющие вопросы | демонстрирует прочные теоретические знания, владеет терминологией, логично и последовательно объясняет сущность, явлений и процессов, делает аргументированные выводы и обобщения, приводит примеры, показывает свободное владение монологической речью, но при этом делает несущественные ошибки, которые исправляет самостоятельно или при незначительной коррекции преподавателем | демонстрирует неглубокие теоретические знания, проявляет слабо сформированные навыки анализа явлений и процессов, недостаточное умение делать аргументированные выводы и приводить примеры, показывает недостаточно свободное владение монологической речью, терминологией, логичностью и последовательностью изложения, делает ошибки которые может исправить только при коррекции преподавателем. | демонстрирует незнание теоретических основ предмета, несформированные навыки анализа явлений и процессов, не умеет делать аргументированные выводы и приводить примеры, показывает слабое владение монологической речью, не владеет терминологией, проявляет отсутствие логичности и последовательности изложения, делает ошибки, которые не может исправить даже при коррекции преподавателем, отказывается отвечать на занятии |
| Работа на практических занятиях | выполнил лабораторную работу в полном объеме с соблюдением необходимой последовательности действий; в ответе правильно и аккуратно выполняет все записи, вычисления; правильно выполняет анализ ошибок. При ответе на вопросы правильно понимает сущность вопроса, дает точное определение и истолкование основных понятий; сопровождает ответ новыми примерами, умеет применить знания в новой ситуации; может установить связь между изучаемым и ранее изученным материалом, а также с материалом, усвоенным при изучении других дисциплин. | выполнил требования к оценке «5», но допущены 2-3 недочета. Ответ обучающегося на вопросы удовлетворяет основным требованиям к ответу на 5, но дан без применения знаний в новой ситуации, без использования связей с ранее изученным материалом и материалом, усвоенным при изучении других дисциплин; допущены одна ошибка или не более двух недочетов, обучающийся может их исправить самостоятельно или с небольшой помощью преподавателя. | выполнил работу не полностью, но не менее 50% объема практической работы, что позволяет получить правильные результаты и выводы; в ходе проведения работы были допущены ошибки. При ответе на вопросы обучающийся правильно понимает сущность вопроса, но в ответе имеются отдельные проблемы в усвоении вопросов курса, не препятствующие дальнейшему усвоению программного материала; допущено не более одной грубой ошибки и двух недочетов. | выполнил работу не полностью или объем выполненной части работ не позволяет сделать правильных выводов. При ответе на вопросы демонстрирует не владение основными знаниями и умениями в соответствии с требованиями программы; допущены больше ошибок и недочетов, чем необходимо для оценки 3 или не может ответить ни на один из поставленных вопросов. |
*EvaluationForm(zh-CN)*
Итоговая оценка знаний обучающего по дисциплине осуществляется по 100 балльной системе и включает:
- 40% результата, полученного на экзамене;
- 60% результатов текущей успеваемости.
Формула подсчета итоговой оценки:
| И= 0,6 | Р1+Р2 | +0,4Э |
| 2 |
где, Р1, Р2 – цифровые эквиваленты оценок первого, второго рейтингов соответственно; Э – цифровой эквивалент оценки на экзамене.
Итоговая буквенная оценка и ее цифровой эквивалент в баллах:
Буквенная система оценки учебных достижений обучающихся, соответствующая цифровому эквиваленту по четырехбалльной системе:
| Оценка по буквенной системе | Цифровой эквивалент | Баллы (%-ное содержание) | Оценка по традиционной системе |
|---|---|---|---|
| A | 4.0 | 95-100 | Отлично |
| A- | 3.67 | 90-94 | |
| B+ | 3.33 | 85-89 | Хорошо |
| B | 3.0 | 80-84 | |
| B- | 2.67 | 75-79 | |
| C+ | 2.33 | 70-74 | |
| C | 2.0 | 65-69 | Удовлетворительно |
| C- | 1.67 | 60-64 | |
| D+ | 1.33 | 55-59 | |
| D | 1.0 | 50-54 | |
| FX | 0.5 | 25-49 | Неудовлетворительно |
| F | 0 | 0-24 |
Темы лекционных занятий
- Введение в нейронные сети. Что такое нейронная сеть? Примеры использования нейронных сетей. Свойства нейронных сетей. Модель нейрона. Функции активации. Свойства функций активации. Модель искусственной нейронной сети.
- Архитектура нейронных сетей. Однослойные сети прямого распространения. Многослойные сети прямого распространения. Рекуррентные сети. Виды нейронных сетей. Архитектура нейронных сетей по схеме The Asimov Institute.
- Процессы обучения нейросетевых архитектур. Процесс обучения нейросетевых архитектур. Обучение с учителем. Обучение без учителя. Обучение с подкреплением, или нейродинамическое программирование. Метрики качества обучения.
- Оптимизация нейросетевых архитектур. Оптимизация нейросетевых моделей. Градиентный спуск. Алгоритм обратного распространения ошибки. Виды градиентного спуска. Адаптивные варианты градиентного спуска.
- Основы классификации визуальных образов. Нейронные сети в задачах обработки изображений. Зрительная кора головного мозга. Архитектура сверточной нейронной сети. Свертки и сверточные сети. Борьба с переобучением и недообучением.
- Самоорганизирующиеся нейронные сети. Сети с самоорганизацией на основе конкуренции. Отличительные особенности сетей с самоорганизацией на основе конкуренции. Алгоритмы обучения сетей с самоорганизацией. Алгоритм Кохонена. Алгоритм нейронного газа.
- Рекуррентные архитектуры нейронных сетей. Простые Рекуррентные Нейронные Сети (Simple RNN). Долгая Краткосрочная Память (LSTM). Сеть с Дополнительной Памятью GRU (Gated Recurrent Unit). Bidirectional RNN (BRNN). Сети внимания (Attention Networks). Рекуррентная сеть Эльмана. Алгоритм обучения сети Эльмана.
Основная литература
- Цуриков, А. Н. Моделирование и обучение искусственных нейронных сетей : учебное пособие / А. Н. Цуриков. — Ростов-на-Дону : РГУПС, 2019. — 112 с. — ISBN 978-5-88814-867-9
- Басараб, М. А. Интеллектуальные технологии на основе искусственных нейронных сетей : учебное пособие / М. А. Басараб, Н. С. Коннова. — Москва : МГТУ им. Н.Э. Баумана, 2017. — 56 с. — ISBN 978-5-7038-4716-9.
- Ростовцев, В. С. Искусственные нейронные сети : учебник для вузов / В. С. Ростовцев. — 2-е изд., стер. — Санкт-Петербург : Лань, 2021. — 216 с. — ISBN 978-5-8114-7462-2.
- Галушкин, А.И. Нейронные сети: основы теории. / А.И. Галушкин. - М.: РиС, 2015. - 496 c.
- Редько, В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики / В.Г. Редько. - М.: Ленанд, 2019. - 224 c.
- Хайкин, Саймон. Нейронные сети: полный курс. — М.: Издательский дом "Вильяме", 2006. — 1104 с.
- Осовский С. Нейронные сети для обработки информации. –М.: Финансы и статистика, 2002. – 344 с.
- Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. — СПб. Питер, 2018. — 480 с.: ил.
Дополнительная литература
- Ростовцев, В. С. Искусственные нейронные сети : учебник / В. С. Ростовцев. — Санкт-Петербург : Лань, 2019. — 216 с. — ISBN 978-5-8114-3768-9.
- Барский, А. Б. Искусственный интеллект и логические нейронные сети : учебное пособие / А. Б. Барский. — Санкт-Петербург : Интермедия, 2019. — 360 с. — ISBN 978-5-4383-0155-4
- Челебаев, С. В. Реализация искусственных нейронных сетей на языке описания аппаратуры VHDL : учебное пособие / С. В. Челебаев. — Рязань : РГРТУ, 2013. — 32 с. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/168088 (дата обращения: 04.06.2021).
