Внимание! Сайт курса переехал по адресу: http://kpk-nnga.sinp.msu.ru/

Чтение лекций в 2017/2018 учебном году закончено. Ждём всех желающих в феврале 2019 года. Следите за информацией на этом сайте.

Курс подготовлен сотрудниками НИИЯФ МГУ под руководством проф. И.Г.Персианцева Курс рассчитан на студентов 2-6 курсов (будущих бакалавров и магистров) Продолжительность курса - 14 лекций, 11 семинаров (1 лекция и 1 практическое занятие в неделю в течение семестра). Возможность участия в практических занятиях не гарантируется, т.к. количество мест в компьютерном классе ограничено Чтение курса в 2018 г. началось 27 февраля и закончилось в конце мая Время проведения лекций и практических занятий - вечернее (после 5-й пары, с 19-00) по вторникам (лекции) и пятницам (практические занятия) Слушателями могут стать студенты, аспиранты и сотрудники любого факультета МГУ Лица, не имеющие отношения к МГУ, могут поступить на курсы повышения квалификации (КПК) на ту же тему, с выдачей удостоверения МГУ государственного образца о повышении квалификации Для участия необходимо зарегистрироваться. Место проведения занятий (на территории МГУ) будет сообщено записавшимся дополнительно. В текущем году регистрация уже закончена. Заинтересованные студенты могут написать заявление в учебную часть с тем, чтобы после окончания курса и сдачи зачёта внести соответствующую запись в зачётную книжку и затем во вкладыш к диплому

Программа лекций

Часть 1. Основные модели искусственных нейронных сетей (ИНС) (3 лекции)
Модель нейрона. Обучение с учителем и без учителя. Многослойный персептрон. Алгоритм обратного распространения ошибки. Глубокие нейронные сети. Рекуррентные нейронные сети. Свёрточные нейронные сети. Автоассоциативная память. Нейронная cеть Кохонена. Нейронная сеть с общей регрессией. Вероятностная нейронная сеть.

Часть 2. Основы предобработки данных (3 лекции)
Методы анализа данных, направленные на определение и уменьшение размерности задачи (анализ главных компонент, кластер-анализ, оценка фрактальной размерности и пр.). Методы нелинейного преобразования входных данных, способствующие выделению отличительных свойств (вейвлет-анализ, нелинейный анализ главных компонент). Анализ временных рядов. Вейвлет нейронные сети.

Часть 3. Метод группового учета аргументов, генетические алгоритмы (ГА) (3 лекции)
Метод группового учета аргументов. Генетические алгоритмы. Генетическое программирование.

Часть 4. Дополнительные алгоритмы ИНС (2 лекции)
Нейронные сети Хопфилда. Обучение с подкреплением. Алгоритмы построения ИНС оптимальной сложности. Методики комбинирования различных моделей ИНС. Иерархические системы. Комитеты экспертов. Гибридные методы. Оценка значимости входов.

Часть 5. Нечеткая логика (1 лекция)
Основные понятия нечёткой логики. Проектирование контроллеров. Нечёткая логика и вероятность. Нечёткая логика и нейронные сети.

Часть 6. Применение ИНС и ГА (2 лекции)
Основные области применения ИНС и ГА. Практические приемы использования ИНС и ГА для решения задач в спектроскопии, космической физике, геофизике, физике высоких энергий, физике плазмы, обработке сигналов и изображений. Решение обратных задач в физике с помощью ИНС и ГА.

План практических занятий

Часть 1. Основные модели ИНС (3 занятия)
Наглядная демонстрация основных нейросетевых алгоритмов. "Нейропрактикум".

Часть 2. Современный инструментарий для практической работы с ИНС (2 занятия)
Языки R и Python. Обзор современных программных средств и библиотек для решения задач анализа данных. Основные приемы работы. Решение практических задач.

Часть 3. Генетические алгоритмы (1 занятие)
Пакет генетических алгоритмов GeneHunter. Пакет построения моделей ChaosHunter. Решение практических задач оптимизации.

Часть 4. Решение практических задач анализа данных на языке Python (3 занятия)
Технология работы с ИНС. Решение задач обработки изображений. Решение задач обработки текстовой информации.

Часть 5. Самостоятельная работа под руководством преподавателя (2 занятия)

Слушатели прошедших лекций могут ознакомиться со списком литературы к курсу, а также обратиться к нам за распечатками конспектов пропущенных лекций. Конспекты по электронной почте не высылаются и в электронном виде не распространяются.

Участники практических занятий могут ознакомиться со списком литературы, инструкциями и пособиями к практическим занятиям.

Курс разработан под руководством профессора д.ф.-м.н. Персианцева Игоря Георгиевича

Занятия ведут:
заведующий Лабораторией адаптивных методов обработки данных НИИЯФ МГУ к.ф.-м.н. Доленко Сергей Анатольевич
научный сотрудник лаборатории Ефиторов Александр Олегович
сотрудник лаборатории Широкий Владимир Романович

В разработке курса принимали участие:
профессор д.ф.-м.н. Персианцев Игорь Георгиевич
к.ф.-м.н. Доленко Сергей Анатольевич
к.ф.-м.н. Орлов Юрий Всеволодович
к.ф.-м.н. Гужва Александр Георгиевич
Агапкин Олег Анатольевич
Ефиторов Александр Олегович
Широкий Владимир Романович

Страница изменена 20.09.18