Нейрондық желілер

Сипаттама: Нейрондық желілер» пәні математикалық және компьютерлік модельдеу мамандығы магистранттарына нейрондық желілердің (MLP, CNN, RNN, GAN, PINN, трансформерлер) теориялық негіздерін, архитектураларын және классификация, регрессия, мәліметтерді өңдеу мен физикалық модельдеу мәселелерінде қолдану әдістерін үйретеді. Курс дәрістерді, практикалық сабақтарды және жобалық жұмысты қамтиды, Python, PyTorch/TensorFlow бағдарламалау, нәтижелерді талдау және модельдерді интерпретациялау дағдыларын дамытады.

Кредиттер саны: 6

Пререквизиты:

• Компьютерлік модельдеу және деректерді визуализациялау

Пәннің еңбек сыйымдылығы:

Жұмыс түрлері	сағат
Дәрістер	30
Практикалық жұмыстар
Зертханалық жұмыстар	30
СӨЖО	30
СӨЖ	90
Қорытынды бақылау нысаны	емтихан
Қорытынды бақылауды жүргізу нысаны	Жазбаша емтихан

Компонент: ЖОО компоненті

Цикл: Кәсіптік пәндер

Мақсат

• Курс математикалық және компьютерлік модельдеу мамандығы магистранттарына нейрондық желілердің теориялық негіздерін және практикалық дағдыларын терең түсінуді қалыптастыруға бағытталған.

Міндет

• Нейрондық желілердің теориялық негіздерін және олардың математикалық принциптерін зерттеу Студенттер нейрондық желілердің математикалық негіздерін, соның ішінде аппроксимация теоремаларын, оңтайландыру және регуляризация әдістерін, сондай-ақ әртүрлі архитектуралардың (MLP, CNN, RNN, трансформерлер) жұмыс принциптерін меңгереді.
• Практикалық мәселелерді шешу үшін нейрондық желілерді әзірлеу және оқыту Студенттер классификация, регрессия, уақыттық қатарларды өңдеу және физикалық процестерді модельдеу мәселелерінде нейрондық желілерді (мысалы, CNN, GAN, PINN) Python және PyTorch/TensorFlow көмегімен жүзеге асыруды және оқытуды үйренеді.
• Нейрондық желілердің жұмыс нәтижелерін талдау және түсіндіру Студенттер интерпретация әдістерін (Grad-CAM, SHAP) және модельдердің тұрақтылығын бағалауды зерттейді, сондай-ақ болжамдардың сапасын талдауды және модельдеу мәселелерінің нәтижелерін визуализациялауды үйренеді.
• Қазіргі нейрондық желілерді қолдана отырып, топтық жобаны құру Студенттер заманауи архитектураларды (мысалы, трансформерлер, GNN) нақты модельдеу мәселелеріне, соның ішінде мәліметтерді өңдеуге, генерациялауға немесе дифференциалдық теңдеулерді шешуге қолдана отырып, топтық жоба әзірлейді.

Оқыту нәтижесі: білу және түсіну

• Нейрондық желілердің теориялық негіздерін терең түсіну
• Архитектураларды және олардың модельдеудегі қолданылуын түсіну
• Нәтижелерді талдау және түсіндіру әдістерін білу

Оқыту нәтижесі: білім мен ұғымды қолдану

• Студенттер классификация, регрессия және мәліметтерді өңдеу мәселелерінде нейрондық желілерді (MLP, CNN, RNN) әзірлеу және оқыту үшін теориялық білімдерді қолданады.
• Студенттер модельдеудің практикалық мәселелерінде модельдердің сапасын арттыру үшін оңтайландыру және регуляризация әдістерін пайдаланады.
• Студенттер нейрондық желілердің жұмыс нәтижелерін талдау және визуализациялау үшін Grad-CAM және SHAP әдістерін қолдана отырып түсіндіреді.

Оқыту нәтижесі: талқылай білуді қалыптастыру

• Студенттер нақты модельдеу мәселелерін шешу үшін нейрондық желілердің әртүрлі архитектураларының тиімділігін сыни бағалай алады.
• Студенттер модельдердің сапасын талдау негізінде оңтайландыру және регуляризация әдістерінің қолданылуы туралы негізделген пікірлер қалыптастырады.
• Студенттер Grad-CAM және SHAP әдістерін қолдана отырып, нәтижелерді талдау арқылы модельдердің сенімділігі мен түсіндірілуі туралы пікірлер қалыптастырады.

Оқыту нәтижесі: коммуникативтік қабілеттіліктер

• Студенттер нейрондық желілердің жұмыс нәтижелерін, соның ішінде интерпретация мен визуализацияны, ауызша және жазбаша түрде анық әрі кәсіби ұсына алады.
• Студенттер топтық жобалық жұмыста нейрондық желілердің архитектуралары мен әдістерін талқылай отырып, идеялар мен нәтижелерді тиімді алмасады.
• Студенттер нейрондық желілерді пайдалана отырып, модельдеу мәселелерін шешу тәсілдерін қорғай отырып, дәлелді пікірталас дағдыларын көрсетеді.

Оқыту нәтижесі: Оқу дағдылары немесе сабаққа қабілеттілігі

• Студенттер өз бетінше жаңа нейрондық желілердің архитектуралары мен әдістерін зерттеу қабілетін дамытады, өзекті ғылыми мақалалар мен құжаттаманы талдайды.
• Студенттер модельдеу мәселелерінде әртүрлі тәсілдердің қолданылуы мен шектеулерін бағалай отырып, сыни ойлау дағдыларын жетілдіреді.
• Студенттер нейрондық желілер саласындағы зертханалық жұмыстар мен жобалық тапсырмаларды тиімді жоспарлай отырып, өзін-өзі ұйымдастыру дағдыларын меңгереді.

Оқыту әдістері

Д. Серікбаева атю ШҚТУ онлайн-платформаларын пайдалана отырып оқыту

Тәжірибеге бағытталған тәсіл

Заманауи бағдарламалау жүйелерін қолдану

Білім алушының білімін бағалау

Оқытушы ағымдағы бақылау жұмыстарының барлық түрлерін жүргізеді және академиялық кезеңде екі рет білім алушылардың ағымдағы үлгеріміне тиісті баға береді. Ағымдағы бақылау нәтижелері бойынша 1 және 2 рейтинг қалыптастырылады. Білім алушының оқу жетістіктері 100 балдық шкала бойынша бағаланады, Р1 және Р2 қорытынды бағасы ағымдағы үлгерім бағасынан орташа арифметикалық ретінде шығарылады. Академиялық кезеңде білім алушының жұмысын бағалауды пән бойынша тапсырмаларды тапсыру кестесіне сәйкес оқытушы жүзеге асырады. Бақылау жүйесі жазбаша және ауызша, топтық және жеке формаларды біріктіре алады.

Кезең	Тапсырма түрі	Өлшем
1  рейтинг	Практикалық тапсырма 1	0-100
	Практикалық тапсырма 2
	Практикалық тапсырма 3
2  рейтинг	Практикалық тапсырма 4	0-100
	Практикалық тапсырма 5
	Практикалық тапсырма 6
Қорытынды бақылау	емтихан	0-100

Жұмыс түрлері бойынша оқыту нәтижелерін бағалау саясаты

Тапсырма түрі	90-100	70-89	50-69	0-49
	Өте жақсы	Жақсы	Қанағаттанарлық	Қанағаттанарлықсыз
Зертханалық жұмысты бағалау	Барлық зертханалық жұмыс тапсырмаларын, соның ішінде қосымша тапсырмаларды толық орындау, кодтың жоғары сапасы, нәтижелерді дұрыс түсіндіру және визуализациялау. Теориялық негіздерді терең түсінуді және әдістерді дәл қолдануды көрсету.	Зертханалық жұмыстың негізгі тапсырмаларын кодта немесе интерпретацияда шамалы қателермен орындау. Нәтижелерді визуализациялау бар, бірақ толық болмауы мүмкін. Теорияны жақсы түсіну, бірақ әдістерді қолдануда дәлсіздіктер болуы мүмкін.	Зертханалық жұмыс тапсырмаларын кодта немесе интерпретацияда байқалатын қателермен ішінара орындау. Нәтижелерді визуализациялау минималды немесе жоқ. Теорияны базалық түсіну, бірақ әдістерді әлсіз қолдану.	Зертханалық жұмыс тапсырмаларын орындамау немесе айтарлықтай орындамау. Код жұмыс істемейді, нәтижелер жоқ немесе дұрыс емес. Теория мен әдістерді түсінбеу.
Емтихан нәтижелерін бағалау	Емтиханның барлық тапсырмаларын, соның ішінде теориялық сұрақтар мен практикалық тапсырмаларды толық және дұрыс орындау. Курс материалын терең түсінуді, нейрондық желілер әдістерін дәл қолдануды және оларды интерпретациялауды көрсету. Жауаптар нақты, толық, мысалдар мен негіздемелермен.	Емтихан тапсырмаларының көпшілігін шамалы қателермен орындау. Теориялық негіздер мен практикалық аспектілерді жақсы түсіну, бірақ есептеулерде, интерпретацияда немесе әдістерді қолдануда дәлсіздіктер болуы мүмкін. Жауаптар логикалы, бірақ аз толық.	Емтихан тапсырмаларын теориялық немесе практикалық бөліктерде байқалатын қателермен ішінара орындау. Материалды базалық түсіну, бірақ нейрондық желілер әдістерін әлсіз қолдану. Жауаптар минималды, дәлелдеу жеткіліксіз.	Емтихан тапсырмаларын орындамау немесе айтарлықтай орындамау. Теориялық негіздерді түсінбеу және нейрондық желілер әдістерін қолдана алмау. Жауаптар жоқ, дұрыс емес немесе талаптарға сәйкес келмейді.

Бағалау нысаны

Пән бойынша білім алушының білімін қорытынды бағалау 100 баллдық жүйе бойынша жүзеге асырылады және:

• Емтиханда алынған нәтиженің 40%;
• Ағымдағы үлгерімнің 60% - ы.

Қорытынды бағаны есептеу формуласы:

И= 0,6	Р1+Р2	+0,4Э
	2

 

мұндағы, Р1, Р2-тиісінше бірінші, екінші рейтингті бағалаудың сандық эквиваленттері;

Э - емтихандағы бағаның сандық баламасы.

Қортынды әріптік бағасы және оның балдық сандық эквиваленті:

Төрт балдық жүйе бойынша цифрлық баламаға сәйкес келетін білім алушылардың оқу жетістіктерін бағалаудың әріптік жүйесі:

Әріптік жүйе бойынша бағалар	Балдардың сандық эквиваленті	Балдар (%-тік құрамы)	Дәстүрлі жүйе бойынша бағалар
A	4.0	95-100	Өте жақсы
A-	3.67	90-94
B+	3.33	85-89	Жақсы
B	3.0	80-84
B-	2.67	75-79
C+	2.33	70-74
C	2.0	65-69	Қанағаттанарлық
C-	1.67	60-64
D+	1.33	55-59
D	1.0	50-54
FX	0.5	25-49	Қанағаттанарлықсыз
F	0	0-24

Дәріс сабақтарының тақырыптары

• Нейрондық желілерге кіріспе
• Оқытудың математикалық негіздері
• Аппроксимация теоремасы
• Толық байланысқан желілер
• Регуляризация және оңтайландыру
• Свертпелі нейрондық желілер (CNN)
• Рекурренттік нейрондық желілер
• Трансформерлер және Назар аудару тетігі
• Автоэнкодерлер
• Генеративті модельдер (GAN)
• Графтық нейрондық желілер
• Physics-Informed Neural Networks (PINN)
• Түсіндірілгіштік және тұрақтылық
• Есептеу аспектілері
• Қазіргі бағыттар және жоба жұмысы

Негізгі әдебиет

• 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.

Қосымша әдебиеттер

• 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.