Нейронные сети и генетические алгоритмы

Код специальности / Specialty code: Код специальности / Specialty code: 6-05-0533-08
*Специальность* / *Specialty*: Компьютерная математика и системный анализ / Computer Mathematics and Systems Analysis
*Учебная дисциплина, модуль* / *Academic discipline, module*: Нейронные сети и генетические алгоритмы / Neural Networks and Genetic Algorithms
Краткое содержание учебной дисциплины, модуля / Brief summary	Курс «Нейронные сети и генетические алгоритмы» формирует знания и навыки в области проектирования и обучения искусственных нейронных сетей, а также применения нейронных сетей и генетических алгоритмов для решения задач классического и современного естествознания. Темы включают: классификацию и кластеризацию (наивный байесовский классификатор, метод главных компонент, RBF-сети); метод опорных векторов (SVM); метод обратного распространения ошибки (многослойный персептрон, свёрточные нейронные сети); эволюционные и генетические алгоритмы (репродуктивный план Холланда, генетическое программирование, PSO, GWO); нейронные сети в MATLAB (аппроксимация, распознавание образов, кластеризация, анализ временных рядов, LSTM).	The course «Neural Networks and Genetic Algorithms» develops knowledge and skills in designing and training artificial neural networks, as well as applying neural networks and genetic algorithms to problems in classical and modern natural science. Topics include: classification and clustering (Naive Bayes classifier, PCA, RBF networks); support vector machines (SVM); backpropagation (multilayer perceptron, convolutional neural networks); evolutionary and genetic algorithms (Holland’s reproductive plan, genetic programming, PSO, GWO); neural networks in MATLAB (function approximation, pattern recognition, clustering, time series analysis, LSTM).
Формируемые компетенции / The formed competences	*специализированные компетенции:* Осуществлять полный цикл анализа данных с применением машинного обучения. *универсальные компетенции:* Владеть основами исследовательской деятельности, осуществлять поиск, анализ и синтез информации. Решать стандартные задачи профессиональной деятельности на основе применения информационно-коммуникационных технологий.	*specialized competencies:* Carry out the full cycle of data analysis using machine learning. *universal competencies:* Possess the basics of research activities, search, analyze and synthesize information. Solve standard professional tasks based on the application 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 их обучения; – принципы построения генетических алгоритмов; – базовые понятия теории машинного обучения; – как использовать имеющиеся интеллектуальные системы и как разрабатывать новые; 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; – оценивать и сравнивать качество обучения и функционирования различных моделей на базе ИНС и ГА; – самостоятельно расширять знания с дальнейшим их использованием при построении и анализе математических и компьютерных моделей; иметь навык: – построения и обучения искусственных нейронных сетей; – построения генетических алгоритмов; – исследования и решения проблем анализа и обработки данных с использованием математических компьютерных приложений.	know: – principles of neural network design and operation, main training methods; – principles of building genetic algorithms; – basic concepts of machine learning theory; – how to use existing intelligent systems and how to develop new ones; be able to: – use modern computer modeling methods for studying information systems; – design, train and use neural networks for practical tasks; – use genetic algorithms for practical tasks; – evaluate and compare the training quality and performance of various ANN and GA-based models; – independently expand knowledge for building and analyzing mathematical and computer models; possess: – skills in building and training artificial neural networks; – skills in building genetic algorithms; – skills in data analysis and processing using computer mathematics applications.
Семестр изучения учебной дисциплины, модуля / Semester of study	4, 5	4, 5
*Пререквизиты* / *Prerequisites*	«Математический анализ», «Аналитическая геометрия», «Дифференциальные уравнения», «Компьютерная математика», «Методы программирования», «Технологии программирования».	«Mathematical Analysis», «Analytical Geometry», «Differential Equations», «Computer Mathematics», «Programming Methods», «Programming Technologies».
Трудоемкость в зачетных единицах (кредитах) / Credit units	6 (по 3 в каждом семестре)	6 (3 per semester)
Количество аудиторных часов и часов самостоятельной работы / Academic hour of students’ class work, hours of self-directed learning	всего 204 часа, в том числе 104 аудиторных часа, из них: лекции – 52 часа, лабораторные занятия – 52 часа, управляемая самостоятельная работа – 6 часов (4 ч. в 4 сем. + 2 ч. в 5 сем.).	total 204 hours, including 104 classroom hours, including: lectures – 52 hours, laboratory classes – 52 hours, guided independent work – 6 hours (4 h. in sem. 4 + 2 h. in sem. 5).
Требования и формы текущей и промежуточной аттестации / Requirements and forms of current and interim certification	зачёт (4 сем.), экзамен (5 сем.)	pass/fail exam (sem. 4), exam (sem. 5)