Курс по искусственному интеллекту

Урок 1 • Этика ИИ и ответственное проектирование

Вводит принципы предвзятости, справедливости, прозрачности и подотчётности. Устанавливает этические рассуждения как обязательное проектное ограничение на протяжении всего курса.

Урок 2 • Основы представления знаний

Объясняет логику высказываний и первого порядка, а также семантические сети, показывая, как символьные представления кодируют факты и отношения. Показывает интеграцию, объединяющую символьные и нейросетевые методы.

Урок 3 • Интеллектуальные агенты и среды

Определяет рациональных агентов, структуру PEAS и типы сред. Студенты смогут проектировать архитектуры агентов, подходящие для конкретных сред задач.

Урок 4 • История и эволюция ИИ

Прослеживает путь ИИ от символьной логики до глубокого обучения, выделяя ключевые прорывы. Обеспечивает контекст для понимания того, почему возникли современные методы и в чём их сильные стороны.

Урок 1 • Основы обучения с учителем

Охватывает размеченные данные, функции потерь и градиентную оптимизацию. Формирует основу для понимания нейронных сетей и продвинутых моделей в дальнейшем.

Урок 2 • Детальное изучение алгоритмов классификации

Исследует логистическую регрессию, деревья решений, SVM и k-NN. Охватывает конвейеры обучения, гиперпараметры и оценку, чтобы студенты могли реализовать и сравнить каждый классификатор на эталонных наборах данных.

Урок 3 • Модели регрессии и прогнозирования

Строит модели линейной и полиномиальной регрессии со статистической интерпретацией. Связывает точность прогнозов с бизнес- и научными решениями.

Урок 4 • Методы обучения без учителя

Исследует кластеризацию, снижение размерности и оценку плотности. Студенты обнаруживают скрытые структуры в неразмеченных данных для исследовательского анализа.

Урок 1 • Обратное распространение и оптимизация

Выводит обратное распространение через цепное правило и охватывает Adam, RMSProp и SGD. Студенты отлаживают исчезающие градиенты и эффективно настраивают оптимизаторы.

Урок 2 • Рекуррентные сети и модели последовательностей

Исследует рекуррентные нейронные сети, блоки LSTM и GRU для моделирования последовательных данных. Охватывает развёртывание, обратное распространение во времени и практические соображения, связывая эти методы с NLP и прогнозированием временных рядов.

Урок 3 • Регуляризация и практическое обучение

Применяет dropout, раннюю остановку и смешанное обучение к реальным сетям. Студенты уменьшают переобучение и сокращают время обучения на GPU.

Урок 4 • Свёрточные нейронные сети

Охватывает свёртку, пулинг и интерпретацию карт признаков для задач с изображениями. Студенты строят CNN и применяют перенос обучения к пользовательским наборам данных.

Урок 1 • Эмбеддинги слов и семантическое пространство

Обучает и применяет эмбеддинги Word2Vec, GloVe и FastText, показывая, как плотные векторы отражают семантическую близость. Включает методы оценки и визуализации для исследования пространств эмбеддингов.

Урок 2 • Детальное изучение архитектуры трансформера

Разбирает многоголовое самовнимание, позиционное кодирование и структуру кодировщика-декодировщика. Обеспечивает понимание архитектуры, необходимое для тонкой настройки больших языковых моделей.

Урок 3 • Предобученные модели и тонкая настройка

Тонкая настройка вариантов BERT, RoBERTa и GPT на доменных задачах. Студенты достигают передовых результатов NLP с ограниченным объёмом размеченных данных.

Урок 4 • Приложения и конвейеры NLP

Строит сквозные конвейеры для анализа тональности, NER и суммаризации. Интегрирует предобработку, моделирование и развёртывание в готовые к эксплуатации системы.

Урок 1 • Трансформеры и современные архитектуры для зрения

Применяет Vision Transformers, CLIP и DINO для классификации изображений и нулевого распознавания. Объясняет эмбеддинги патчей, самовнимание и контрастивное обучение, связывая концепции трансформеров NLP с современными системами зрения.

Урок 2 • Генеративные модели для изображений

Строит GAN и вариационные автокодировщики для синтеза реалистичных изображений и переноса стиля. Исследует манипуляции в латентном пространстве, приёмы стабильности обучения и метрики оценки качества и разнообразия генерации.

Урок 3 • Архитектуры обнаружения объектов

Сравнивает YOLO, Faster R-CNN и SSD для обнаружения в реальном времени и с высокой точностью. Студенты обучают детекторы на пользовательских наборах данных с аннотациями ограничивающих рамок.

Урок 4 • Семантическая и экземплярная сегментация

Реализует U-Net и Mask R-CNN для сегментации на уровне пикселей, детализируя архитектуры кодировщика-декодировщика и конвейеры генерации масок. Связывает эти методы с такими областями, как медицинская визуализация, автономное вождение и робототехника.

Урок 1 • Безмодельные методы, основанные на ценности

Реализует Q-learning, SARSA и Deep Q-Networks в средах Gym. Студенты понимают обучение с временной разницей и повторное воспроизведение опыта.

Урок 2 • Марковские процессы принятия решений

Формализует состояния, действия, вознаграждения и динамику переходов математически. Обеспечивает теоретическую основу для всех алгоритмов обучения с подкреплением.

Урок 3 • Многоагентное и иерархическое RL

Расширяет RL на кооперативные и конкурентные многоагентные настройки и иерархии навыков. Готовит студентов к управлению сложными системами в реальном мире.

Урок 4 • Продвинутое RL: PPO и SAC

Применяет проксимальную оптимизацию политики и мягкий актор-критик для сложных задач. Студенты достигают стабильного обучения на бенчмарках непрерывного управления.

Урок 1 • Тонкая настройка и согласование

Применяет контролируемую тонкую настройку, RLHF и прямую оптимизацию предпочтений для согласования LLM с намерениями человека. Студенты создают доменные модели, которые следуют инструкциям, соблюдая ограничения безопасности.

Урок 2 • Инженерия запросов и обучение в контексте

Применяет методы нулевого запроса, нескольких примеров, цепочки мыслей и структурированных запросов. Эффективная инженерия запросов многократно увеличивает возможности модели без обновления параметров.

Урок 3 • Архитектура LLM и законы масштабирования

Анализирует архитектуры GPT, LLaMA и Mistral наряду с законами масштабирования Chinchilla. Студенты прогнозируют возможности модели на основе бюджетов вычислений и данных.

Урок 4 • Агенты LLM и использование инструментов

Строит автономных агентов, используя ReAct, вызов функций и многоагентные фреймворки. Студенты развёртывают агентов, которые планируют, используют инструменты и выполняют многошаговые задачи.

Урок 1 • Мониторинг и обслуживание моделей

Реализует обнаружение дрейфа, оповещение и триггеры переобучения в эксплуатации. Предотвращает скрытое ухудшение модели, которое со временем снижает бизнес-ценность.

Урок 2 • Отслеживание экспериментов и воспроизводимость

Использует MLflow, Weights & Biases и DVC для систематического логирования экспериментов. Воспроизводимость обеспечивает командное сотрудничество и соответствие нормативным требованиям.

Урок 3 • Предоставление и развёртывание моделей

Развёртывает модели через REST API, пакетные конвейеры и пограничные среды выполнения. Проводит студентов через контейнеризацию Docker, сериализацию моделей и масштабируемые стратегии предоставления для производительности и надёжности.

Урок 4 • Масштабируемая инфраструктура обучения

Настраивает распределённое обучение с Horovod и облачными кластерами GPU. Студенты сокращают время обучения больших моделей с помощью стратегий параллелизма.