• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Машинное обучение, нейронные сети и искусственный интеллект для журналистов

2019/2020
Учебный год
RUS
Обучение ведется на русском языке
3
Кредиты
Кто читает:
Институт медиа
Статус:
Курс по выбору
Когда читается:
2-й курс, 2 модуль

Преподаватель


Макаревич Евгений Викторович

Программа дисциплины

Аннотация

Курс знакомит журналистов с технологиями нейронных сетей и искусственного интеллекта, рассматривает машинное обучение искусственного интеллекта, его применение на практике. В течение занятий будут рассмотрены принципы работы нейронных сетей, варианты их применения в медиа и коммуникациях, основные требования к нейронным сетям и качеству их обучения, инструменты работы с нейросетями и искусственным интеллектом. Студенты сделают практическую работу по подготовке, выбору и обучению нейронной сети, проверке результатов обучения и их корректировке.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целями освоения дисциплины «Машинное обучение, нейронные сети и искусственный интеллект для журналистов» являются овладение студентами основными концепциями и инструментами в области проектирования и оценки интерфейсов.
Планируемые результаты обучения

Планируемые результаты обучения

  • Разбирается в особенностях применения существующих моделей в повседневной действительности
  • Умеет работать с переменными, числами, вводом/выводом, циклами, условиями и простыми функциями
  • Применяет элементы математического аппарата в машинном обучении
  • Умеет писать функции на Python
  • Работает с массивами, используя математический аппарат
  • Применяет Git в проектах машинного обучения
  • Реализует теорию линейной регрессии и логистической регрессии, градиентный спуск в Python
  • Применяет алгоритмы машинного обучения и глубокого обучения для решения задач работы с текстовыми данными и изображениями
  • Применяет машинное обучение и нейронные сети на реальных кейсах
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Тема 1. Введение в искусственный интеллект и машинное обучение.
    Выясняем, что такое AI, ML и NN, разбираемся в особенностях, существующих моделях применения их в повседневной жизни. Смотрим и обсуждаем примеры.
  • Тема 2. Использование языка программирования Python в машинном обучении.
    Разбираем как и почему Python используется в ML и какие возможности предоставляет. Оцениваем умение студентов работать с переменными, числами, вводом/выводом, циклами, условиями и простыми функциями.
  • Тема 3. Изучение математического аппарата в машинном обучении.
    Изучение математического аппарата, применяемого в машинном обучении: векторы, матрицы, действия с векторами и матрицами, скалярное произведение, длина вектора, определитель, ранг, частные и полные производные, элементы теории вероятности.
  • Тема 4. Реализация математического аппарата. Введение в классификацию.
    Классификация. Учимся писать функции на Python. Работаем с массивами и используем ранее изученный математический аппарат на Python. Изучаем применение Git в проектах машинного обучения. Разбираемся в классификации, рассматриваем области применения. Изучаем математический аппарат классификации и реализацию в Python.
  • Тема 5. Регрессия и кластеризация.
    Теория линейной регрессии, градиентный спуск. Реализация их в Python. Теория логистической регрессии, реализация в Python.
  • Тема 6. Работа с текстовыми данными. Глубокое обучение. Работа с изображениями.
    Изучаем применение алгоритмов машинного обучения и глубокого обучения для решения задач работы с текстовыми данными и изображениями.
  • Тема 7. Практические кейсы применения машинного обучения и нейронных сетей.
    Изучаем применение машинного обучения и нейронных сетей на реальных кейсах.
Элементы контроля

Элементы контроля

  • неблокирующий Посещаемость занятий
  • неблокирующий Домашнее задание 1
  • неблокирующий Домашнее задание 2
  • неблокирующий Домашнее задание 3
  • неблокирующий Итоговый проект
  • неблокирующий Работа на семинарах
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (2 модуль)
    Итоговая оценка округляется по арифметическим правилам.
Список литературы

Список литературы

Рекомендуемая основная литература

  • Основы алгоритмизации и программирования на Python : учеб. пособие / С.Р. Гуриков. — М. : ФОРУМ : ИНФРА-М, 2018. — 343 с. — (Высшее образование: Бакалавриат). - Режим доступа: http://znanium.com/catalog/product/924699
  • Последнее изобретение человечества: Искусственный интеллект и конец эры Homo sapiens: Научно-популярное / Баррат Д., Лисова Н. - М.:Альпина нон-фикшн, 2016. - 304 с.: 60x90 1/16. - (Искусственный интеллект) (Переплёт) ISBN 978-5-91671-436-4 - Режим доступа: http://znanium.com/catalog/product/916060
  • Теория вероятностей, математическая статистика в примерах, задачах и тестах: Учебное пособие. / Сапожников П.Н., Макаров А.А., Радионова М.В. - М.:КУРС, НИЦ ИНФРА-М, 2016. - 496 с.: 60x90 1/16. - (Бакалавриат и магистратура) (П) ISBN 978-5-906818-47-8 - Режим доступа: http://znanium.com/catalog/product/548242
  • Федоров Д. Ю. - ПРОГРАММИРОВАНИЕ НА ЯЗЫКЕ ВЫСОКОГО УРОВНЯ PYTHON 2-е изд. Учебное пособие для СПО - М.:Издательство Юрайт - 2019 - 161с. - ISBN: 978-5-534-11961-9 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/programmirovanie-na-yazyke-vysokogo-urovnya-python-446505

Рекомендуемая дополнительная литература

  • Домингос П. - Верховный алгоритм: как машинное обучение изменит наш мир - Издательство "Манн, Иванов и Фербер" - 2016 - 336с. - ISBN: 978-5-00100-172-0 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/91645
  • Паттерсон Дж., Гибсон А. - Глубокое обучение с точки зрения практика - Издательство "ДМК Пресс" - 2018 - 418с. - ISBN: 978-5-97060-481-6 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/116122
  • Флах П. - Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных - Издательство "ДМК Пресс" - 2015 - 400с. - ISBN: 978-5-97060-273-7 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/69955
  • Шарден Б., Массарон Л., Боскетти А. - Крупномасштабное машинное обучение вместе с Python - Издательство "ДМК Пресс" - 2018 - 358с. - ISBN: 978-5-97060-506-6 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/105836