Бакалавриат
2018/2019
Искусственный интеллект и большие данные
Лучший по критерию «Новизна полученных знаний»
Статус:
Курс обязательный (Дизайн)
Направление:
54.03.01. Дизайн
Кто читает:
Санкт-Петербургская школа дизайна
Где читается:
Санкт-Петербургская школа гуманитарных наук и искусств
Когда читается:
1-й курс, 3, 4 модуль
Формат изучения:
без онлайн-курса
Преподаватели:
Маслинский Кирилл Александрович
Язык:
русский
Кредиты:
4
Контактные часы:
42
Программа дисциплины
Аннотация
Студенты познакомятся с кругом решенных и нерешенных задач искусственного интеллекта, научатся ориентироваться в истории и современном состоянии области искусственного интеллекта и машинного обучения, овладеют терминологией, необходимой для чтения литературы в этой области (на русском и английском языках), научатся обоснованно выбирать методы автоматического анализа, классификации и генерации изображений, адекватно оценивать их возможности и ограничения. По дисциплине предусмотрены следующие элементы контроля: блиц-контрольная работа, домашние задания. Ни один из элементов контроля не является блокирующим.
Цель освоения дисциплины
- Целями освоения дисциплины «Искусственный интеллект и большие данные» являются ознакомление студентов с кругом решенных и нерешенных задач в области искусственного интеллекта, а также знакомство с основными понятиями и методами машинного обучения и их применением к задачам, относящимся к профессиональной области дизайна. В рамках курса будут рассмотрены основные понятия логики и теории алгоритмов, эвристические методы поиска, архитектуры нейронных сетей, многомерные репрезентации объектов в задачах распознавания образов и правила байесовского вывода.
Планируемые результаты обучения
- Студент узнает круг решенных и нерешенных задач искусственного интеллекта
- Студент ориентируется в истории и современном состоянии области искусственного интеллекта и машинного обучения
- Студент изучит модель мышления и овладеет терминологией, необходимой для чтения литературы в этой области (на русском и английском языках)
- Студент освоит символьный подход к искусственному интеллекту, его отличия от иных подходов
- Студент ориентируется в истории развития искусственного интеллекта
- Студент узнает о формальных грамматиках и языковых моделях
- Студент понимает значение и архитектуру нейронных сетей
- Студент анализирует основы и принципы работы с информационными данными, методологией
- Студент знакомится с теоремой Байеса и Баейсовской моделью мозга
- Студент анализирует этические проблемы искусственного интеллекта
Содержание учебной дисциплины
- Проблема искусственного интеллектаАктуальность искусственного интеллекта в прикладных областях, включая дизайн. Примеры проектов в области дизайна с использованием данных и алгоритмов машинного обучения. Задачи и структура курса. Что такое интеллект. Интеллектуальные задачи. Тесты интеллекта (IQ). Тест Тьюринга. Критика теста Тьюринга (китайская комната Серля). Сильный и слабый искусственный интеллект.
- Основания: логика, алгоритмы, сложность вычисленийМеханический разум — история идеи. Проблема формализации рассуждений от Аристотеля до Карнапа. Теорема Гёделя о неполноте. Логика как модель мышления. Дедуктивный вывод. Простой категорический силлогизм. Индуктивный вывод. Эксперимент Вэйсона (2—4—6). Проблема объединения индукции и дедукции. Парадокс Гемпеля. Алгоритм. История формализации понятия алгоритма. Конечный автомат. Машина Тьюринга. Универсальная машина Тьюринга. Проблема алгоритмической неразрешимости. Проблема останова.
- Мышление как поиск. Эвристические методыПоявление ИИ как отдельной дисциплины. Эвристический этап развития ИИ. Модель мышления как поиска. Лабиринтная гипотеза. Робот Тесей Шэннона (1952). Символьный подход к ИИ. Символьные преобразования. Logic Theorist Ньюэлла и Саймона (1955). Парадигма «generation— test». Алгоритмы поиска. Неинформированный поиск. Поиск в ширину. Поиск в глубину. Вычислительная сложность. Теория сложности. NP-полные задачи. Эвристики. Эвристический поиск. Поиск восхождением к вершине. Поиск по первому наилучшему совпадению.
- Символьный подход к искусственному интеллектуГипотеза физической символьной системы Ньюэлла и Саймона. Универсальный решатель задач (GPS). Проблема репрезентации. Задача «Обезьяна и банан». Анализ целей и средств. Предметно-специфические эвристики. Возможности и ограничения GPS. Критика гипотезы Саймона и Ньюэлла.
- Экспертные системы и представление знанийПериод экспертных систем в развитии искусственного интеллекта. Представление знаний как язык описания мира. Исчисление свойств и отношения. Неклассические логики. Знания, требующие рассуждений. Знания в правилах. Экспертные системы 1970х — 1980х.
- Обработка естественного языкаЯзык как представление знаний и проблема формализации языка. Формальные грамматики. Языковые модели. N-граммы. Ассоциативные и семантические сети. Фреймы.
- Нейронные сети и глубинное обучениеПоявление искусственных нейронных сетей. Нейронная теория мозговой деятельности. Модель нейрона МакКаллока и Питтса (1943). Первый нейронный компьютер (SNARC, 1951). Правило Хебба. Перцептрон Розенблатта. Функция активации. Перцептрон как линейный вычислитель. Ограничения перцептрона. Проблема XOR. Обучение нейронных сетей. Принцип обратного распространения ошибки. Нейронные сети в задачах классификации. Архитектура нейронных сетей. Структура сетчатки и организация ИНС. Нейронные сети в задачах распознавания образов. Сверточные сети. Глубинное обучение. Рекуррентные нейронные сети. Нейронные сети и машина Тьюринга. Нейронные сети и символьный подход к ИИ.
- Машинное обучение. Распознавание образовЗадачи машинного обучения. Обучение с учителем и обучение без учителя. Обучающая и тестовая выборки. Функции потерь. Многомерное представление данных. Задача классификации. Метод k ближайших соседей. Линейные методы классификации. Метод опорных векторов. Нелинейные методы классификации. Решающие деревья и случайный лес. Нейронные сети в задачах классификации. Задача классификации изображений. Оценка качества классификации. Полнота, точность, F-мера. Задача кластеризации данных. Алгоритмы кластеризации. Метод k-средних. Задача сокращения размерности. Связь снижения размерности и глубокого обучения: word2vec. Многомерные пространства признаков и задача генерации образов.
- Байесовский выводВероятность и обучение. Теорема Байеса. Байесовская модель мозга. Проблема выбора наилучшей модели. Универсальное пространство моделей. Теория алгоритмической сложности Колмогорова. Принцип минимальной длины описания.
- Искусственный интеллект и этикаЭтические проблемы искусственного интеллекта. Использование алгоритмов ИИ для принятия решений. Ответственность создателей систем ИИ. Искусственный интеллект в государстве и бизнесе.
Элементы контроля
- Блиц-контрольная работаБлиц-контрольная работа состоит из 5 вопросов, каждый из которых оценивается от одного до трех баллов. Максимальный балл за ответы на вопросы № 1 и № 4 равен одному баллу, 2 балла – максимальный балл для оценки ответов на вопрос № 5. Вопросы № 2 и 3 оцениваются максимум в 3 балла. Итоговая оценка за блиц-контрольную работу складывается из суммы всех полученных баллов за ответы на вопросы (максимум 10 баллов по шкале оценивания НИУ ВШЭ). Блиц-контрольная работа проводится в аудитории. На выполнение работы отводится 60 минут.
- Домашнее заданиеДомашнее задание за 4 модуль состоит из двух домашних работ. Каждая домашняя работа оценивается индивидуально, по 10-бальной шкале НИУ ВШЭ. Результирующая оценка за домашнее задание за 4 модуль — среднее арифметическое оценок за обе домашние работы. Домашняя работа № 1 заключается в написании реферата. Студент самостоятельно выбирает тему – интеллектуальную задачу, которой будет посвящена работа. На написание реферата отводится одна неделя (7 календарных дней). Домашняя работа № 2 заключается в разработке концепции сервиса, работающего с использованием искусственного интеллекта. Студенту необходимо составить текстовое описание ресурса, а также его макет. На выполнение домашней работы № 2 отводится две недели (14 календарных дней).
Промежуточная аттестация
- Промежуточная аттестация (4 модуль)0.5 * Блиц-контрольная работа + 0.5 * Домашнее задание
Список литературы
Рекомендуемая основная литература
- Новиков Ф. А. - СИМВОЛИЧЕСКИЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ: МАТЕМАТИЧЕСКИЕ ОСНОВЫ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ. Учебное пособие для академического бакалавриата - М.:Издательство Юрайт - 2019 - 278с. - ISBN: 978-5-534-00734-3 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/simvolicheskiy-iskusstvennyy-intellekt-matematicheskie-osnovy-predstavleniya-znaniy-434065
- Станкевич Л. А. - ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ И ТЕХНОЛОГИИ. Учебник и практикум для бакалавриата и магистратуры - М.:Издательство Юрайт - 2019 - 397с. - ISBN: 978-5-534-02126-4 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/intellektualnye-sistemy-i-tehnologii-433370
Рекомендуемая дополнительная литература
- Raheem, N. (2019). Big Data : A Tutorial-Based Approach (Vol. First edition). Boca Raton: Chapman and Hall/CRC. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=2031482
- Simon, P. (2014). The Visual Organization : Data Visualization, Big Data, and the Quest for Better Decisions. Hoboken, New Jersey: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=707200