Применение нейронных сетей для получения новых знаний

Бакалавриат 2026/2027

ID 1169621

Статус: Курс по выбору (Разработка информационных систем для бизнеса)

Кто читает: Кафедра информационных технологий в бизнесе (Пермь)

Где читается: Факультет социально-экономических и компьютерных наук

Когда читается: 3-й курс, 3, 4 модуль

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Ясницкий Леонид Нахимович

Язык: русский

Кредиты: 5

Контактные часы: 52

Дополнительные материалы в LMS Задать вопрос

Аннотация

При прохождении курса студентам предоставится возможность еще глубже освоить технологии нейросетевого моделирования и применить эти знания для дальнейшего развития и совершенствования своих индивидуальных проектов, а также для реализации своих идей, неизбежно возникающих в ходе обучения и, возможно, параллельной работы на предприятиях. Всем мы знаем, что за последние годы ИИ в своем развитии сделал колоссальный скачек. Но, по мнению автора, современные разработчики ИИ упускают его главную возможность. Это возможность ИИ открывать новые законы природы, общества, мироздания; закономерности экономических, политических, технологических и бизнес-процессов. Это способность извлекать новые знания из данных. В нашем новом курсе мы будем ориентироваться на задачи выявления знаний, оптимизации, прогнозирования и управления объектами, процессами, явлениями. Мы будем ориентироваться на технологии No-code и Промпт-инжиниринга. Особое внимание будем уделять все еще не решенным проблемам метода нейросетевого моделирования. Это установление причинно-следственных связей вместо ложных корреляционных зависимостей. Это обнаружение и устранение выбросов статистической информации, из-за которых многие современные ИИ-проекты терпят неудачу. Это работа с малыми «недостаточными для успешного обучения» объемами статистической информации. Это использование пока еще не признаваемых современной наукой, но полезных на практике знаний. Курс заканчивается выполнением и защитой каждым студентом собственных ИИ-проектов, темы которых студенты придумывают сами, исходя из своих собственных интересов, либо интересов их работодателей. Результаты лучших проектов представляются для участия в ежегодной конференции по ИИ (https://aintellect-psu.ru/) и с регистрацией в РИНЦ публикуются в ее трудах. Как показал опыт, такие студенческие проекты нередко становятся поводом для их продолжения в рамках КР и ВКР, для поступления в аспирантуру, для выполнения кандидатских и докторских диссертаций, для открытия новых бизнесов.

Цель освоения дисциплины

Углубление знаний о технологии нейросетевого моделирования как инструменте научного исследования.
Освоение методов выявления закономерностей и новых знаний из данных.
Формирование навыков решения задач прогнозирования, оптимизации и управления с использованием нейронных сетей.
Изучение современных проблем искусственного интеллекта, связанных с причинностью, выбросами, недостаточностью данных и интерпретацией результатов моделирования.
Развитие навыков выполнения исследовательских проектов с применением нейросетевых технологий.

Планируемые результаты обучения

Знать основные этапы процесса нейросетевого моделирования; методы выявления закономерностей в данных; различия между корреляционными и причинно-следственными зависимостями; методы обнаружения и устранения выбросов; особенности работы с малыми выборками; методы интерпретации нейросетевых моделей; современные направления развития искусственного интеллекта.
Уметь формулировать задачи выявления знаний; выполнять подготовку данных для моделирования; строить и анализировать нейросетевые модели; выявлять значимые факторы исследуемых процессов; интерпретировать результаты моделирования; представлять результаты исследований в форме научного доклада и статьи.
Владеть инструментами нейросетевого моделирования; методами анализа данных; навыками выполнения исследовательских проектов.

Содержание учебной дисциплины

Раздел 1. Нейросетевое моделирование как метод научного познания.
Раздел 2. Полный цикл нейросетевого моделирования.
Раздел 3. Выявление знаний из данных.
Раздел 4. Причинно-следственные связи и ложные корреляции.
Раздел 5. Выбросы и аномалии в данных
Раздел 6. Малые данные и дефицит обучающей информации.
Раздел 7. Интерпретация нейросетевых моделей.
Раздел 8. Нейросетевые технологии прогнозирования, оптимизации и управления.
Раздел 9. Современные направления развития искусственного интеллекта.

Элементы контроля

Работа на практических занятиях
Промежуточные отчеты по проекту
Лабораторные работы
Индивидуальный исследовательский проект
Защита проекта

Промежуточная аттестация

2026/2027 4th module
0.1 * Лабораторные работы + 0.2 * Работа на практических занятиях + 0.2 * Промежуточные отчеты по проекту + 0.35 * Индивидуальный исследовательский проект + 0.15 * Защита проекта

Список литературы

Авторы

Ясницкий Леонид Нахимович
Карпович Марина Валерьевна

Программа дисциплины