Кафедра "Телекоммуникации"

знания передовых технологий
  • О кафедре
  • Лекториум
  • Абитуриентам
  • Электронная библиотека
  • Научные разработки
  • Научная работа
    •

    Лекториум - искусственный интеллект

    1. Язык программирования Python 3
    2. Языки программирования C/С++, JavaScript, HTML+CSS
    3. Искусственный интеллект
    4. Статистическая теория радиотехнических систем
    5. NumPy + Matplotlib = мат MatLab'у
    Основы машинного обучения

    #1. Что такое машинное обучение? Обучающая выборка и признаковое пространство

    #2. Постановка задачи машинного обучения

    #3. Линейная модель. Понятие переобучения

    #4. Способы оценивания степени переобучения моделей

    #5. Уравнение гиперплоскости в задачах бинарной классификации

    #6. Решение простой задачи бинарной классификации

    #7. Функции потерь в задачах линейной бинарной классификации

    #8. Стохастический градиентный спуск SGD и алгоритм SAG

    #9. Пример использования SGD при бинарной классификации образов

    #10. Оптимизаторы градиентных алгоритмов: RMSProp, AdaDelta, Adam, Nadam

    #11. L2-регуляризатор. Математическое обоснование и пример работы

    #12. L1-регуляризатор. Отличия между L1- и L2-регуляризаторами

    #13. Логистическая регрессия. Вероятностный взгляд на машинное обучение

    #14. Вероятностный взгляд на L1 и L2-регуляризаторы

    #15. Формула Байеса при решении конкретных задач

    #16. Байесовский вывод. Наивная байесовская классификация

    #17. Гауссовский байесовский классификатор

    #18. Линейный дискриминант Фишера

    #19. Введение в метод опорных векторов (SVM)

    #20. Реализация метода опорных векторов (SVM)

    #21. Метод опорных векторов (SVM) с нелинейными ядрами

    #22. Вероятностная оценка качества моделей

    #23. Показатели precision и recall. F-мера

    #24. Метрики качества ранжирования. ROC-кривая

    #25. Метод главных компонент (Principal Component Analysis)

    #26. Сокращение размерности признакового пространства с помощью PCA

    #27. Сингулярное разложение и его связь с PCA

    #28. Многоклассовая классификация. Методы one-vs-all и all-vs-all

    #29. Метрические методы классификации. Метод k ближайших соседей

    #30. Методы парзеновского окна и потенциальных функций

    #31. Метрические регрессионные методы. Формула Надарая-Ватсона

    #32. Задачи кластеризации. Постановка задачи

    #33. Алгоритм кластеризации Ллойда (K-средних, K-means)

    #34. Алгоритм кластеризации DBSCAN

    #35. Агломеративная иерархическая кластеризация. Дендограмма

    #36. Логические методы классификации

    #37. Критерии качества для построения решающих деревьев

    #38. Построение решающих деревьев жадным алгоритмом ID3

    #39. Усечение (prunning) дерева, обработка пропусков и категориальных признаков

    #40. Решающие деревья в задачах регрессии. Алгоритм CART

    #41. Случайные деревья и случайный лес. Бутстрэп и бэггинг

    #42. Введение в бустинг (boosting). Алгоритм AdaBoost при классификации

    #43. Алгоритм AdaBoost в задачах регрессии

    #44. Градиентный бустинг и стохастический градиентный бустинг

    #45. Нейронные сети. Краткое введение в теорию

    #46. Обучение нейронной сети. Алгоритм back propagation

     

    Теория нейронных сетей

    Нейронные сети: краткая история триумфа

    Структура и принцип работы полносвязных нейронных сетей | #1 нейросети на Python

    Персептрон - возможности классификации образов, задача XOR | #2 нейросети на Python

    Back propagation - алгоритм обучения по методу обратного распространения | #3 нейросети на Python

    Ускорение обучения, начальные веса, стандартизация, подготовка выборки | #4 нейросети на Python

    Переобучение - что это и как этого избежать, критерии останова обучения | #5 нейросети на Python

    Функции активации, критерии качества работы НС | #6 нейросети на Python

    Keras - установка и первое знакомство | #7 нейросети на Python

    Keras - обучение сети распознаванию рукописных цифр | #8 нейросети на Python

    Как нейронная сеть распознает цифры | #9 нейросети на Python

    Оптимизаторы в Keras, формирование выборки валидации | #10 нейросети на Python

    Dropout - метод борьбы с переобучением нейронной сети | #11 нейросети на Python

    Batch Normalization (батч-нормализация) что это такое? | #12 нейросети на Python

    Как работают сверточные нейронные сети | #13 нейросети на Python

    Делаем сверточную нейронную сеть в Keras | #14 нейросети на Python

    Примеры архитектур сверточных сетей VGG-16 и VGG-19 | #15 нейросети на Python

    Теория стилизации изображений (Neural Style Transfer) | #16 нейросети на Python

    Делаем перенос стилей изображений с помощью Keras и Tensorflow | #17 нейросети на Python

    Как нейронная сеть раскрашивает изображения | #18 нейросети на Python

    Введение в рекуррентные нейронные сети | #19 нейросети на Python

    Как рекуррентная нейронная сеть прогнозирует символы | #20 нейросети на Python

    Делаем прогноз слов рекуррентной сетью Embedding слой | #21 нейросети на Python

    Как работают RNN. Глубокие рекуррентные нейросети | #22 нейросети на Python

    LSTM - долгая краткосрочная память | #23 нейросети на Python

    Как делать сентимент-анализ рекуррентной LSTM сетью | #24 нейросети на Python

    Рекуррентные блоки GRU. Пример их реализации в задаче сентимент-анализа | #25 нейросети на Python

    Двунаправленные (bidirectional) рекуррентные нейронные сети | #26 нейросети на Python

    Автоэнкодеры. Что это и как работают | #27 нейросети на Python

    Вариационные автоэнкодеры (VAE). Что это такое? | #28 нейросети на Python

    Делаем вариационный автоэнкодер (VAE) в Keras | #29 нейросети на Python

    Расширенный вариационный автоэнкодер (CVAE) | #30 нейросети на Python

    Что такое генеративно-состязательные сети (GAN) | #31 нейросети на Python

    Делаем генеративно-состязательную сеть в Keras и Tensorflow | #32 нейросети на Python

     

    Tensorflow + Keras

    #1. Что такое Tensorflow? Примеры применения. Установка

    #2. Тензоры tf.constant и tf.Variable. Индексирование и изменение формы

    #3. Математические операции и функции над тензорами

    #4. Реализация автоматического дифференцирования. Объект GradientTape

    #5. Строим градиентные алгоритмы оптимизации Adam, RMSProp, Adagrad, Adadelta

    #6. Делаем модель с помощью класса tf.Module. Пример обучения простой нейросети

    #7. Делаем модель нейросети для распознавания рукописных цифр

    #8. Декоратор tf.function для ускорения выполнения функций

    #9. Введение в модели и слои бэкэнда Keras

    #10. Keras - последовательная модель Sequential

    #11. Keras - введение в функциональное API

    #12. ResNet - революция глубокого обучения. Исчезающие и взрывающиеся градиенты

    #13. Создаем ResNet подобную архитектуру для классификации изображений CIFAR-10

    #14. Тонкая настройка и контроль процесса обучения через метод fit()

    #15. Тонкая настройка обучения моделей через метод compile()

    #16. Способы сохранения и загрузки моделей в Keras

     

    Генетические алгоритмы

    Генетический алгоритм история и возможности

    #1. Основные этапы работы генетического алгоритма

    #2. Делаем генетический алгоритм для задачи OneMax

    #3. DEAP - пакет для создания генетических алгоритмов

    #4. Как генетический алгоритм находит решения. Преимущества и недостатки

    #5. Обзор методов отбора, скрещивания и мутации

    #6. Поиск минимальных маршрутов в графе

    #7. Делаем элитизм. Жесткие и мягкие ограничения

    #8. Расставляем корабли в игре Морской бой

    #9. Пример поиска минимума функции

    #10. Обучение с подкреплением или как загнать машину на гору

    #11. Не дай шесту упасть или как нейросеть держит баланс