Искусственный интеллект и большие данные

Бакалавриат 2018/2019

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

Полная версия программы учебной 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 интеллекта
Актуальность 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 вычислений
Механический 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 методы
Появление 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 интеллекту
Гипотеза 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 знаний
Период 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 языка
Язык как представление знаний и проблема формализации языка. Формальные грамматики. Языковые модели. N-граммы. Ассоциативные и семантические сети. Фреймы.
Нейронные сети и глубинное обучение
Появление 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 образов
Задачи 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 вывод
Вероятность 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 этика
Этические проблемы искусственного интеллекта. Использование алгоритмов ИИ для принятия решений. Ответственность создателей систем ИИ. Искусственный интеллект в государстве и бизнесе.

Элементы контроля

Блиц-контрольная работа
Блиц-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 задание
Домашнее 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

Программа дисциплины