Искусственный интеллект за последний год стал принципиальным трендом во всем мире. Мы видим, что интеллектуальные системы, вооруженные машинным обучением, составляют значительную конкуренцию человеку во многих областях деятельности. Машинное обучение и искусственный интеллект отличаются от классической математики стилем и образом мысли, но могут быть очень полезны не только в прикладных задачах, но и для чисто математических проблем. С другой стороны, в искусственном интеллекте большую роль играет не только логика и дискретная математика, но и алгебра, тензорное исчисление, топология, дифференциальные уравнения, стохастический анализ. Эти и другие дисциплины имеют неожиданное и эффективное применение в искусственном интеллекте.

Мы ставим целью рассказать основные методы искусственного интеллекта на простых, «осязаемых» примерах и показать математическую основу машинного обучения и искусственного интеллекта. По окончанию курса слушатели узнают работающие алгоритмы машинного обучения, чтобы применять их в своих задачах (теоретических или прикладных).

Каждая лекция включает в себя теоретическое введение, подробное описание алгоритма, а также демонстрацию работы программы, реализующей этот алгоритм. Слушателям будут доступны исходные тексты программ для самостоятельного использования в своих проектах. Основные языки программирования: Python, C#. По желанию слушателей будет организован дополнительный экспресс-курс по научному программированию на Python. Минимальные требования – знание основ дискретной математики (графы, логика, алгоритмы), основы математического анализа, основы теории вероятности, понятия алгебры (матрицы, группы), понятия дифференциальных уравнений. Навыки программирования не предполагаются, но желательны.

Программа курса:

1. История искусственного интеллекта и современные возможности машинного обучения
2. Метод отжига и оптимизация негладких функций
3. Метод роения частиц и коллективные методы оптимизации
4. Генетические алгоритмы и их применения
5. Нейронные сети - обучение персептрона и многослойной сети
6. Сети Хопфилда и Хемминга в задачах распознавания образов
7. Самоорганизующиеся карты Кохонена и классификация
8. Байесовское обучение
9. EM-алгоритмы в задачах автоматической классификации
10. Обучение с подкреплением
11. Data Mining и решающие деревья
12. Нечетка логика и мягкие вычисления
13. Теория игр и машинное обучение

Руководитель семинара
Шамин Роман Вячеславович

Организации
Математический институт им. В.А. Стеклова Российской академии наук, г. Москва