Бакалавриат
2026/2027
Искусственный интеллект для поисковых и фундаментальных естественно-научных исследований
Статус:
Курс обязательный (География глобальных изменений и геоинформационные технологии)
Где читается:
Факультет географии и геоинформационных технологий
Когда читается:
4-й курс, 1, 2 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Криницкий Михаил Алексеевич
Язык:
русский
Кредиты:
4
Контактные часы:
84
Программа дисциплины
Аннотация
Курс посвящён современным нейросетевым методам анализа пространственно распределённых и временных данных в задачах географии, физики атмосферы, океана и климата. В рамках курса рассматриваются принципы построения и обучения искусственных нейронных сетей, включая полносвязные, сверточные, рекуррентные архитектуры и архитектуры, использующие механизмы внимания; функции активации, различные постановки задач и формулировки функций потерь, методы градиентной оптимизации и регуляризации. Особое внимание уделяется специфике геофизических данных — пространственной автокорреляции, многомасштабности процессов, дисбалансу классов и неопределённости измерений — и тому, как эти свойства учитываются при проектировании нейросетевых решений. Разбираются практические аспекты реализации нейросетей с использованием современных программных библиотек, организация процесса обучения, оценка качества и анализ неопределённостей. Курс формирует системное понимание возможностей и ограничений искусственного интеллекта в задачах анализа и аппроксимации процессов в науках о Земле и готовит слушателей к самостоятельному применению нейросетевых методов в исследовательской и прикладной работе.
Цель освоения дисциплины
- Освоение современных методов и инструментов искусственного интеллекта для повышения эффективности поиска, анализа и интерпретации научной информации, обработки исследовательских данных и решения задач фундаментальных естественно-научных исследований.
- Формирование навыков применения технологий искусственного интеллекта на различных этапах научного исследования — от поиска и систематизации литературы до анализа данных, выявления закономерностей, интерпретации результатов и подготовки научных публикаций.
Планируемые результаты обучения
- Способность студентов формулировать задачу наук о Земле в форме задачи машинного обучение
- Использование ИИ на этапах постановки научной проблемы, формулирования гипотез и задач исследования
Содержание учебной дисциплины
- Первый раздел Программы
- Применение искусственного интеллекта в фундаментальных естественно-научных исследованиях
Элементы контроля
- ДЗ №1
- ДЗ № 2
- ДЗ № 3
- Практическая работа № 1
- Практическая работа 2
- Практическая работа № 3
Промежуточная аттестация
- 2026/2027 3rd module0.2 * ДЗ № 3 + 0.2 * Практическая работа № 3 + 0.2 * ДЗ № 2 + 0.2 * ДЗ №1 + 0.1 * Практическая работа № 1 + 0.1 * Практическая работа 2
Список литературы
Рекомендуемая основная литература
- 16740 - Python и машинное обучение - С.Рашка - ДМК Пресс - 2017 - https://hse.alpinadigital.ru/document/16740 - Alpina
- Генеративное глубокое обучение. Творческий потенциал нейронных сетей - 978-5-4461-1566-2 - Дэвид Фостер - 2021 - Санкт-Петербург: Питер - https://ibooks.ru/products/371724 - 371724 - iBOOKS
- Крупномасштабное машинное обучение вместе с Python : учитесь быстро создавать мощные модели машинного обучения и развертывать крупномасштабные приложения прогнозирования, Шарден, Б., 2018
Рекомендуемая дополнительная литература
- 19213 - Глубокое обучение - А.Гудфеллоу; А.Курвилль; И.Бенджио - ДМК Пресс - 9785970606186 - 2018 - https://hse.alpinadigital.ru/document/19213 - Alpina
- Глубокое обучение - 978-5-496-02536-2 - Николенко С., Кадурин А., Архангельская Е. - 2019 - Санкт-Петербург: Питер - https://ibooks.ru/products/356955 - 356955 - iBOOKS
- Глубокое обучение. - 978-5-4461-1537-2 - Николенко С., Кадурин А., Архангельская Е. - 2020 - Санкт-Петербург: Питер - https://ibooks.ru/products/377026 - 377026 - iBOOKS