• A
  • A
  • A
  • ABC
  • ABC
  • ABC
  • А
  • А
  • А
  • А
  • А
Regular version of the site

Artificial Intelligence and Big Data

2018/2019
Academic Year
RUS
Instruction in Russian
4
ECTS credits
Course type:
Compulsory course
When:
1 year, 3, 4 module

Instructor

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

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

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

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

Элементы контроля

  • неблокирующий 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.
  • неблокирующий 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

  • Промежуточная аттестация (4 модуль)
    0.5 * Блиц-контрольная работа + 0.5 * Домашнее задание
Список литературы

Список литературы

Рекомендуемая основная литература

  • Новиков Ф. А.-СИМВОЛИЧЕСКИЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ: МАТЕМАТИЧЕСКИЕ ОСНОВЫ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ. Учебное пособие для академического бакалавриата-М.:Издательство Юрайт,2019-278-Бакалавр. Академический курс. Модуль-978-5-534-00734-3: -Текст электронный // ЭБС Юрайт - https://biblio-online.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,2019-397-Бакалавр и магистр. Академический курс-978-5-534-02126-4: -Текст электронный // ЭБС Юрайт - https://biblio-online.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