Нейронные сети
Beschreibung: Дисциплина «Нейронные сети» для магистрантов направления математическое и компьютерное моделирование знакомит с теоретическими основами, архитектурами и методами применения нейронных сетей (MLP, CNN, RNN, GAN, PINN, трансформеры) в задачах классификации, регрессии, обработки данных и физического моделирования. Курс включает лекции, практические занятия и проектную работу, развивая навыки программирования (Python, PyTorch/TensorFlow), анализа результатов и интерпретации моделей.
Betrag der Credits: 6
Пререквизиты:
- Компьютерное моделирование и визуализация данных
Arbeitsintensität der Disziplin:
| Unterrichtsarten | Uhr |
|---|---|
| Vorträge | 30 |
| Praktische Arbeiten | |
| Laborarbeiten | 30 |
| AASAL (Autonomes Arbeiten der Schüler unter Anleitung des Lehrers) | 30 |
| SE (Studentisches Eigenarbeiten) | 90 |
| Endkontrollformular | экзамен |
| Form der Endkontrolle | Письменный экзамен |
Komponente: Вузовский компонент
Zyklus: Профилирующие дисциплины
Цель
- Курс направлен на формирование у магистрантов направления математическое и компьютерное моделирование глубокого понимания теоретических основ и практических навыков работы с нейронными сетями.
Задача
- Изучение теоретических основ нейронных сетей и их математических принципов Студенты освоят математические основы нейронных сетей, включая теоремы аппроксимации, методы оптимизации и регуляризации, а также принципы работы различных архитектур (MLP, CNN, RNN, трансформеры).
- Разработка и обучение нейронных сетей для решения практических задач Студенты научатся реализовывать и обучать нейронные сети (например, CNN, GAN, PINN) на задачах классификации, регрессии, обработки временных рядов и моделирования физических процессов с использованием Python и PyTorch/TensorFlow.
- Анализ и интерпретация результатов работы нейронных сетей Студенты изучат методы интерпретации (Grad-CAM, SHAP) и оценки устойчивости моделей, а также научатся анализировать качество предсказаний и визуализировать результаты для задач моделирования.
- Создание командного проекта с применением современных нейронных сетей Студенты разработают командный проект, применяя современные архитектуры (например, трансформеры, GNN) к реальным задачам моделирования, включая обработку данных, генерацию или решение дифференциальных уравнений.
Результат обучения: знание и понимание
- Глубокое понимание теоретических основ нейронных сетей
- Понимание архитектур и их применения в моделировании
- Знание методов анализа и интерпретации результатов
Результат обучения: применение знаний и пониманий
- Студенты применяют теоретические знания для разработки и обучения нейронных сетей (MLP, CNN, RNN) в задачах классификации, регрессии и обработки данных.
- Студенты используют методы оптимизации и регуляризации для повышения качества моделей в практических задачах моделирования.
- Студенты интерпретируют результаты работы нейронных сетей, применяя Grad-CAM и SHAP для анализа и визуализации.
Результат обучения: формирование суждений
- Студенты способны критически оценивать эффективность различных архитектур нейронных сетей для решения конкретных задач моделирования
- Студенты формируют обоснованные суждения о применимости методов оптимизации и регуляризации на основе анализа качества моделей.
- Студенты вырабатывают суждения о надежности и интерпретируемости моделей, используя методы Grad-CAM и SHAP для анализа результатов.
Результат обучения: коммуникативные способности
- Студенты способны четко и профессионально представлять результаты работы нейронных сетей, включая интерпретацию и визуализацию, в устной и письменной форме.
- Студенты эффективно обмениваются идеями и результатами в командной проектной работе, обсуждая архитектуры и методы нейронных сетей.
- Студенты демонстрируют навыки аргументированной дискуссии, защищая свои подходы к решению задач моделирования с использованием нейронных сетей.
Результат обучения: навыки обучения или способности к учебе
- Студенты развивают способность самостоятельно изучать новые архитектуры и методы нейронных сетей, анализируя актуальные научные статьи и документацию.
- Студенты совершенствуют навыки критического мышления, оценивая применимость и ограничения различных подходов в задачах моделирования.
- Студенты приобретают навыки самоорганизации, эффективно планируя выполнение лабораторных работ и проектных заданий в области нейронных сетей.
Lehrmethoden
Обучение с использованием онлайн-платформ ВКТУ им.Д.Серикбаева
Практико-ориентированный подход
Применение современных систем программирования
Bewertung des Wissens der Studierenden
| Period | Art der Aufgabe | Gesamt |
|---|---|---|
| 1 Bewertung | Практическое задание 1 | 0-100 |
| Практическое задание 2 | ||
| Практическое задание 3 | ||
| 2 Bewertung | Практическое задание 4 | 0-100 |
| Практическое задание 5 | ||
| Практическое задание 6 | ||
| Endkontrolle | экзамен | 0-100 |
Die Bewertungspolitik der Lernergebnisse nach Arbeitstyp
| Art der Aufgabe | 90-100 | 70-89 | 50-69 | 0-49 |
|---|---|---|---|---|
| Exzellent | Gut | Befriedigend | Ungenügend | |
| Оценивания лабораторных работ | Полное выполнение всех заданий лабораторной работы, включая дополнительные задачи, с высоким качеством кода, корректной интерпретацией результатов и их визуализацией. Демонстрация глубокого понимания теоретических основ и точное применение методов. | Выполнение основных заданий лабораторной работы с незначительными ошибками в коде или интерпретации. Визуализация результатов присутствует, но может быть неполной. Хорошее понимание теории, но возможны неточности в применении методов. | Частичное выполнение заданий лабораторной работы с заметными ошибками в коде или интерпретации. Визуализация результатов минимальна или отсутствует. Базовое понимание теории, но слабое применение методов. | Невыполнение или значительное невыполнение заданий лабораторной работы. Код неработоспособен, результаты отсутствуют или некорректны. Отсутствие понимания теории и методов. |
| Оценивания результатов экзамена | Полное и правильное выполнение всех заданий экзамена, включая теоретические вопросы и практические задачи. Демонстрация глубокого понимания материала курса, точного применения методов нейронных сетей и их интерпретации. Ответы четкие, развернутые, с примерами и обоснованиями. | Выполнение большинства заданий экзамена с незначительными ошибками. Хорошее понимание теоретических основ и практических аспектов, но возможны неточности в расчетах, интерпретации или применении методов. Ответы логичны, но менее развернуты. | Частичное выполнение экзаменационных заданий с заметными ошибками в теоретических или практических частях. Базовое понимание материала, но слабое применение методов нейронных сетей. Ответы минимальны, с недостаточной аргументацией. | Невыполнение или значительное невыполнение экзаменационных заданий. Отсутствие понимания теоретических основ и неспособность применить методы нейронных сетей. Ответы отсутствуют, некорректны или не соответствуют требованиям. |
Bewertungsbogen
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
- Математические основы обучения
- Теорема аппроксимации
- Полносвязные сети (MLP)
- Регуляризация и оптимизация
- Сверточные нейронные сети (CNN)
- Рекуррентные сети (RNN, LSTM)
- Трансформеры и Attention
- Автоэнкодеры
- Генеративные модели (GAN)
- Графовые нейронные сети (GNN)
- Физически информированные сети (PINN)
- Интерпретируемость и устойчивость
- Вычислительные аспекты
- Современные направления и проектная работа
Основная литература
- Aggarwal, C. C. Neural networks and deep learning : a textbook / C. C. Aggarwal. – Cham : Springer, 2023. – 512 с. – ISBN 978-3-031-29641-2.
- Foster, D. Generative deep learning : teaching machines to paint, write, compose, and play / D. Foster. – 2nd ed. – O'Reilly Media, 2023. – 496 с. – ISBN 978-1-098-13038-9.
- Géron, A. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow : concepts, tools, and techniques to build intelligent systems / A. Géron. – 3rd ed. – O'Reilly Media, 2022. – 856 с. – ISBN 978-1-098-12497-2.
- Nielsen, M. A. Neural networks and deep learning / M. A. Nielsen. – Determination Press, 2020. – 188 с. – ISBN 978-0-989-10540-8.
- Goodfellow, I. Deep learning / I. Goodfellow, Y. Bengio, A. Courville. – Cambridge : MIT Press, 2021. – 800 с. – ISBN 978-0-262-03861-3.
Дополнительная литература
- Рашид, Т. Искусственный интеллект: упрощенный подход / Т. Рашид. – М. : ДМК Пресс, 2021. – 384 с. – ISBN 978-5-97060-900-2.
- Zhang, A. Deep neural networks and applications / A. Zhang, Z. C. Lipton, M. Li, A. J. Smola. – Amazon Science, 2022. – 602 с. – ISBN 978-1-739-19223-4.
- Карпати, А. Нейронные сети и глубокое обучение: практическое руководство / А. Карпати. – СПб. : Питер, 2023. – 432 с. – ISBN 978-5-4461-2030-7.
- Chollet, F. Deep learning with Python / F. Chollet. – 2nd ed. – Manning Publications, 2021. – 504 с. – ISBN 978-1-61729-686-4.
