Проектный семинар «Основы технологии производства и машинное обучение»

Бакалавриат 2024/2025

Статус: Курс обязательный (Информатика и вычислительная техника)

Направление: 09.03.01. Информатика и вычислительная техника

Кто читает: Департамент компьютерной инженерии

Где читается: Московский институт электроники и математики им. А.Н. Тихонова

Когда читается: 3-й курс, 1-4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Варнавский Александр Николаевич, Трубочкина Надежда Константиновна

Язык: русский

Кредиты: 3

Дополнительные материалы в LMS Задать вопрос

Аннотация

Проектный семинар «Основы технологии производства и машинное обучение» объединяет принципы современной промышленности (Industry 4.0, станки с ЧПУ, цифровизация производственных процессов) и методы машинного обучения для анализа данных, моделирования и автоматизации производственных задач. Цель курса — сформировать у студентов целостное представление о том, как данные промышленных систем применяются для повышения эффективности, качества и надёжности производства. Рассматриваются сбор и обработка промышленных данных, построение моделей для предиктивного обслуживания, контроля качества, оптимизации параметров процессов и автоматизации разработки управляющих программ для станков с ЧПУ. Особое внимание уделяется выбору методов в зависимости от задачи (контролируемое и неконтролируемое обучение, обучение с подкреплением, рекомендательные системы и ассоциативные правила, нейронные сети и глубокое обучение), а также вопросам интерпретации моделей, валидации эффективности и внедрения в производственную среду. По итогам курса студенты смогут формулировать ML-задачи, подбирать и адаптировать алгоритмы, работать с промышленными данными и создавать решения, интегрируемые в технологические процессы.

Цель освоения дисциплины

Сформировать целостное представление о взаимодействии Industry 4.0, станков с ЧПУ и современных методов машинного обучения в производственных системах.
Развить практические навыки сбора, подготовки и анализа промышленных данных, выбора и применения ML-методов для оптимизации процессов, качества и надёжности оборудования.

Планируемые результаты обучения

Иметь общее представление о принципах работы нейроных сетей. Уметь использовать готовые нейронные сети для анализа собственных данных
Демонстрирует знание специальных видов нейронных сетей: рекуррентные, сверточные, глубокие сети для обработки текстов (распределенные представления слов и рекурсивные нейронные сети)
Конструирует нейронные сети для решения задач классификации, регрессии и прогнозирования временных рядов
Применяет машинное обучение и нейронные сети на реальных кейсах
Интерпретировать виды нейронных сетей (сверточные, рекуррентные, глубокие), возможность изменения параметров сети (число слоев, число нейронов). Применять нейронные сети для решения практических задач.
Знает, как использовать алгоритмы и нейронные сети для сбора и верификации информации
Применяет сверточные и рекуррентные нейронные сети для анализа текста
Применяет нейронные сети для обработки изображений
Применяет нейронные сети для обработки текстов и звуков
Уметь использовать методы контроллируемого машинного обучения
Уметь использовать методы неконтролируемого машинного обучения
Умеет создавать рекомендательные системы.
Умеет разрабатывать алгоритм обучения с подкреплением.

Содержание учебной дисциплины

Машинное обучение в производственных системах
Контролируемое машинное обучение в решении производственных задач
Неконтролируемое машинное обучение в решении производственных задач
Обучение с подкреплением в решении производственных задач
Нейронные сети и глубокое обучение в решении производственных задач
Введение в производство микросхем. Обзор применения нейросетей для производства микроэлектронных устройств.
Применение сверточных нейронных сетей Convolutional Neural Networks (CNN) для анализа изображений в микроэлектронике
Применение рекуррентных нейронных сетей Recurrent Neural Networks (RNN) в производственных процессах
Применение генеративно-состязательных сетей Generative Adversarial Networks (GAN) для синтеза и моделирования новых схем.
Применение Long Short-Term Memory (LSTM) — разновидности RNN для прогнозирования надежности и долговечности электронных устройств
Применение автоэнкодеров для сжатия данных и восстановления информации при оптимизации проектирования
Применение Deep Reinforcement Learning (DRL) — Глубокого обучения с подкреплением для улучшения производственных процессов
Экзаменационные Проекты

Элементы контроля

Экзамен по основам машинного обучения
Активность на семинарах
Проектное задание №1
Проектное задание №2
Экзамен по основам технологии производства
Проект по применению нейросетей в производстве вычислительных систем и сетей
Активность 3 модуль
Активность 4 модуль

Промежуточная аттестация

2024/2025 2nd module
0.1 * Активность на семинарах + 0.1 * Активность на семинарах + 0.3 * Проектное задание №1 + 0.3 * Проектное задание №2 + 0.2 * Экзамен по основам машинного обучения
2024/2025 4th module
0.25 * Активность 3 модуль + 0.25 * Активность 4 модуль + 0.25 * Проект по применению нейросетей в производстве вычислительных систем и сетей + 0.25 * Экзамен по основам технологии производства

Список литературы

Авторы

Полесский Сергей Николаевич
Трубочкина Надежда Константиновна
Романова Ирина Ивановна
Варнавский Александр Николаевич

Программа дисциплины