Нейронные сети в задачах выявления и применения знаний

2026/2027

Статус: Маго-лего

Кто читает: Кафедра информационных технологий в бизнесе (Пермь)

Где читается: Факультет социально-экономических и компьютерных наук

Когда читается: 1, 2 модуль

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Ясницкий Леонид Нахимович

Язык: русский

Кредиты: 6

Контактные часы: 32

Дополнительные материалы в LMS Задать вопрос

Аннотация

Автор курса занимается развитием и применением методов искусственного интеллекта уже более 30 лет. Он в числе тех, кто первыми увидел и показал в своих ранних публикациях уникальные возможности метода нейросетевого моделирования в экономике, промышленности, медицине, экологии, социологии, психологии, спорте и др., благодаря чему РИНЦ зафиксировал более четырех тысяч цитирований его работ. 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 своем курсе указанные возможности ИИ автор демонстрирует на проектах, выполненных им и его командой, по государственным заказам, по хоздоговорам с промышленными, коммерческими, медицинскими и др. предприятиями, а также в инициативном порядке. В основном – это задачи выявления знаний, оптимизации, прогнозирования и управления объектами, процессами, явлениями. Мы будем ориентироваться на технологии No-code и Промпт-инжиниринга. Особое внимание уделяется 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

Формирование у магистров системного представления о нейросетевом моделировании как методе научного познания, выявления скрытых закономерностей, поддержки принятия решений, прогнозирования и управления сложными объектами и процессами.

Планируемые результаты обучения

Студент должен знать основные этапы нейросетевого моделирования; методы выявления закономерностей в данных; ограничения корреляционного анализа; основы причинно-следственного анализа; методы обнаружения выбросов; особенности работы с малыми выборками; подходы к интерпретации моделей ИИ.
Студент должен формулировать исследовательские задачи для ИИ-проектов; подготавливать данные для нейросетевого анализа; строить и обучать модели; оценивать качество результатов; выявлять значимые факторы исследуемых процессов; интерпретировать полученные знания; представлять результаты в форме научной статьи.
Студент должен владеть инструментами нейросетевого моделирования; методами визуализации знаний; навыками выполнения прикладных ИИ-проектов.

Содержание учебной дисциплины

Раздел 1. Моделирование как метод научного познания
Раздел 2. Нейросетевое моделирование: возможности и ограничения
Раздел 3. Полный цикл нейросетевого моделирования
Раздел 4. Выявление знаний из данных
Раздел 5. Причинно-следственные связи и ложные корреляции
Раздел 6. Выбросы и аномалии в данных
Раздел 7. Малые данные и дефицит обучающей информации
Раздел 8. Современные направления развития ИИ и перспективы выявления знаний

Элементы контроля

Индивидуальный исследовательский проект
Промежуточные отчеты по проекту
Работа на семинарах
Защита проекта

Промежуточная аттестация

2026/2027 2nd module
0.2 * Защита проекта + 0.4 * Индивидуальный исследовательский проект + 0.2 * Работа на семинарах + 0.2 * Промежуточные отчеты по проекту

Список литературы

Авторы

Карпович Марина Валерьевна
Ясницкий Леонид Нахимович

Программа дисциплины