- A
- A
- A
- АБB
- АБB
- АБB
- А
- А
- А
- А
- А
Адрес: 109028, г. Москва, Покровский бульвар, д. 11
Телефон: +7(495) 772-95-90 *28240
Департамент программной инженерии был создан в 2014 году на базе отделения программной инженерии. В департаменте ведутся исследования по различным современным научным направлениям, в число которых входят: анализ и моделирование бизнес процессов, математическое моделирование, машинное обучение и искусственный интеллект, нечеткая логика, процессно-ориентированные информационные системы.
Эконометрика: работа с данными на компьютере. Практикум: Элементы теории. Практические задания. Ответы и решения
Борзых Д. А., Вакуленко Е. С., Фурманов К. К.
М.: Издательская группа URSS, 2024.
Информационные технологии. 2024. Т. 30. № 3. С. 133-139.
In bk.: Towards a Hybrid, Flexible and Socially Engaged Higher Education. Proceedings of the 26th International Conference on Interactive Collaborative Learning (ICL2023), Volume 3. Vol. 901: Lecture Notes in Networks and Systems, vol 901. Springer, 2024. P. 464-473.
В печати
Begicheva A., Lomazova I. A., Nesterov R.
arxiv.org. Computer Science. Cornell University, 2023
Нейросетевые технологии
Нейронная сеть (НС) – вычислительная структура, состоящая из простых элементов, нейронов, соединенных между собой; НС способна реализовывать сложные отношения, с помощью которых можно решать широкий класс задач математики, управления, информационной безопасности и т.п.
При изучении НИС вы узнаете:
- что такое НС, какие есть виды НС,
- что такое нейрокомпьютер, нейрочип, как они устроены.
Научитесь:
- создавать, обучать, проверять НС различной архитектуры,
- решать математические задачи (классификация, аппроксимация и др.) с помощью НС,
- моделировать НС на ПЭВМ и ускорителях,
- решать прикладные задачи с помощью НС, в том числе распознавание изображений, распознавание спама, и многие другие.
НИС состоит из лекционных и практических занятий. На практических занятиях используется пакет Матлаб для реализации нейронных сетей и алгоритмов на их основе.
Темы НИС:
1.Понятие (искусственного) нейрона. Понятие (искусственной) нейронной сети. Понятие функции активации. Формула нейрона. Понятие разделяющей поверхности.
2.Формула для многослойной нейронной сети.
3. Требования к функции активации. Виды функций активации.
4.Понятие обучения (настройки) нейронной сети. Понятие обучающего и тестового множеств.
5.Методы обучения нейронной сети. Метод градиентного спуска. Понятие ошибки обучения и функционала оптимизации. Онлайн и офлайн обучение.
6.*Методы обучения второго порядка. Метод Левенберга-Марквардта. Метод сопряженных градиентов.
7. Расчет частных производных для реализации метода градиентного спуска.
8. Matlab Neural Network Toolbox.
9.Понятие нейроматематики. Нейросетевая аппроксимации функций.
10.Нейросетевая экстраполяция (прогнозирование) функций.
11.Нейросетевая классификация данных.
12.* Нейросетевая кластеризация данных. Самоорганизующиеся карты Кохонена.
13.Нейросетевое решение систем линейных алгебраических уравнений.
14.* Нейросетевое решение дифференциальных уравнений в частных производных.
15.Понятие нейроуправления и нейроидентификации. Схемы нейроуправления.
16. Схема инверсного нейроуправления. Ограничение на типы управляемых объектов.
17.Схема прямого нейроуправления. Схема прямого нейроуправления с эмулятором.
18.Схема косвенного нейроуправления.
19.Нейронная сеть CMAC.
20.*Рекуррентные нейронные сети. Проблемы с обучением методом градиентного спуска и их решение.
21.Нейрочипы и нейрокомпьютеры.
22.*Мемристоры.
23.Общематематические вычисления на графических процессорах. Архитектура графических процессоров.
24.Нейронные сети глубинного обучения (DNN). (а причем тут Гугл и котики?)
25.*Библиотеки реализации DNN на графических процессорах.