Нейронные сети и генетические алгоритмы

Краткое содержание учебной дисциплины, модуля / Brief summary

Обучение студентов методологии использования неточных и математически строго не обоснованных методов и алгоритмов при решении задач, для которых не существует строгих подходов, позволяющих получить требуемый по точности результат за приемлемое время.

Темы:

1. Архитектура искусственной нейронной сети.

2. Наивный байесовский классификатор.

3. Метод главных компонент.

4. Кластеризация методом k-средних и RBF-сети.

5. Линейная разделимость, повышение размерности.

6. Метод опорных векторов: ядра и штрафы.

7. Обучение последовательным методом активных ограничений.

8. Обучение с учителем. Дельта-правило обучения.

9. Обучение многослойного персептрона.

10. Архитектура свёрточных нейронных сетей.

11. Обучение CNN методом обратного распространения ошибки.

12. Генетическое кодирование и генетические операторы.

13. Репродуктивный план Холланда.

14. Гаплоидные и диплоидные алгоритмы.

15. Генетическое программирование.

16. Эволюционные алгоритмы

Teaching students the methodology of using imprecise and mathematically strictly unsubstantiated methods and algorithms when solving problems for which there are no strict approaches that would allow obtaining the result required in terms of accuracy in an acceptable time.

Themes:

1. Artificial neural network architecture.

2. Naive Bayes classifier.

3. Principal component method.

4. Clustering using k-means and RBF networks.

5. Linear separability, increasing dimensionality.

6. Support vector machine: kernels and penalties.

7. Training using the sequential method of active restrictions.

8. Training with a teacher. Delta learning rule.

9. Training of a multilayer perceptron.

10. Architecture of convolutional neural networks.

11. CNN training using backpropagation method.

12. Genetic coding and genetic operators.

13. Holland’s reproductive plan.

14. Haploid and diploid algorithms.

15. Genetic programming.

16. Evolutionary algorithms

Формируемые компетенции / The formed competences

Специализированные компетенции:

СК-3. Осуществлять полный цикл анализа данных с применением машинного обучения.

Универсальные компетенции:

УК-1. Владеть основами исследовательской деятельности, осуществлять поиск, анализ и синтез информации.

УК-2. Решать стандартные задачи профессиональной деятельности на основе применения информационно-коммуникационных технологий.

Specialized competencies:

SC-3. Carry out a full cycle of data analysis using machine learning.

Universal competencies:

UC-1. Know the basics of research, search, analyze and synthesize information.

UC-2. Solve standard problems of professional activity based on the use of information and communication technologies.

Результаты обучения (знать, уметь, владеть) / Learning outcomes (know, can, be able)

Знать:

• принципы устройства и работы нейронных сетей, основные методы обучения нейронных сетей;

• принципы построения генетических алгоритмов; 

• базовые понятия теории машинного обучения. 

Уметь:

• использовать современные методы компьютерного моделирования для исследования информационных систем;

• проектировать, обучать и использовать нейронные сети для решения практических задач;

• использовать генетические алгоритмы для решения практических задач;

• делать оценки и сравнивать качество обучения и функционирования различных моделей, построенных на базе искусственных нейронных сетей и генетических алгоритмов;

• самостоятельно расширять компьютерные математические знания с дальнейшим их использованием при построении и анализе математических и компьютерных моделей широкого круга теоретических и прикладных задач.

Владеть:

• методами построения и обучения искусственных нейронных сетей;

• методами построения генетических алгоритмов;

• методами исследований и решения проблем анализа и обработки данных с использованием математических компьютерных приложений.

know: 

• principles of the design and operation of neural networks, basic methods of training neural networks;

• principles of constructing genetic algorithms;

• basic concepts of machine learning theory;

be able to: 

• use modern computer modeling methods to study information systems;

• design, train and use neural networks to solve practical problems;

• use genetic algorithms to solve practical problems;

• make assessments and compare the quality of training and functioning of various models built on the basis of artificial neural networks and genetic algorithms;

• independently expand computer mathematical knowledge with its further use in the construction and analysis of mathematical and computer models of a wide range of theoretical and applied problems;

possess: 

• methods of constructing and training artificial neural networks;

• methods for constructing genetic algorithms;

• methods of research and solving problems of data analysis and processing using mathematical computer applications.

Семестр изучения учебной дисциплины, модуля / Semester of study

4

4

Пререквизиты / Prerequisites

Основы анализа, компьютерная математика, алгебра и геометрия, программирование, введение в специальность

Fundamentals of analysis, computer mathematics, algebra and geometry, programming, introduction to specialty

Трудоемкость в зачетных единицах (кредитах) / Credit units

3

3

Количество аудиторных часов и часов самостоятельной работы / Academic hour of students’ class work, hours of self-directed learning

Всего 110 часов, в том числе 68 аудиторных часов, из них: лекции – 34 часов, лабораторные занятия – 30 часов, управляемая самостоятельная работа – 4 часа.

Total 110 hours, including 68 hours of classwork, including: lectures – 34 hours, laboratory classes – 30 hours, guided self-directed learning – 4 hours.

Требования и формы текущей и промежуточной аттестации / Requirements and forms of current and interim certification

Текущий контроль знаний проходит в форме собеседования, отчётов по лабораторным работам с устной защитой, контрольных работ.

Форма промежуточной аттестации: зачёт.

Forms of current certification: interviews, laboratory reports with oral defense, tests.

Forms of interim certification: credit.