К курсам
COMP5511

PolyU | Основы искусственного интеллекта

Этот всесторонний курс предоставляет строгий, но доступный вводный курс по искусственному интеллекту, предназначенный для аспирантов и профессионалов. Курс охватывает разрыв между историческими основами и передовыми инновациями, последовательно переходя от символического ИИ и алгоритмов поиска к современным методам глубокого обучения и генеративного ИИ. Студенты изучат ключевые темы, такие как представление знаний, вероятностное рассуждение и классическое машинное обучение, прежде чем углубиться в нейронные сети, трансформеры и модели крупных языковых моделей (LLM). Упор делается как на теорию, так и на практику: курс использует Python и отраслевые стандартные фреймворки, такие как PyTorch, для реализации алгоритмов, взаимодействия с современными API и решения важнейших вопросов этики и безопасности в области ИИ.

5.0 Рейтинг
100 Студенты
Начать обучение

Обзор курса

📚 Сводка содержания

Этот всеобъемлющий курс представляет собой строгое, но доступное введение в искусственный интеллект, предназначенное для аспирантов и специалистов. Соединяя исторические основы и передовые инновации, учебная программа переходит от символического ИИ и алгоритмов поиска к современному глубокому обучению и генеративному ИИ. Студенты изучат основные темы, такие как представление знаний, вероятностное рассуждение и классическое машинное обучение, прежде чем углубиться в нейронные сети, Трансформеры и большие языковые модели (LLM). Делая акцент как на теории, так и на практике, курс использует Python и отраслевые фреймворки, такие как PyTorch, для реализации алгоритмов, взаимодействия с современными API и решения критических вопросов этики и безопасности ИИ.

Соединяя классический символический ИИ и современный генеративный ИИ, этот курс вооружает студентов теоретической глубиной и практическими навыками Python для разработки, реализации и этической оценки интеллектуальных систем.

🎯 Цели обучения

  1. Овладение основами ИИ: Анализ и реализация фундаментальных парадигм решения задач, включая эвристический поиск, логические рассуждения и вероятностное моделирование.
  2. Реализация архитектур глубокого обучения: Проектирование и обучение продвинутых нейронных сетей с использованием PyTorch, от многослойных перцептронов до сверточных нейронных сетей и Трансформеров.
  3. Развертывание решений генеративного ИИ: Разработка приложений с использованием больших языковых моделей (LLM), применяя такие методы, как дообучение (fine-tuning), инженерия подсказок (prompt engineering) и генерация с дополненным поиском (Retrieval-Augmented Generation, RAG).
  4. Обеспечение этичной разработки ИИ: Критическая оценка систем ИИ на предмет предвзятости, безопасности и соответствия, применяя стратегии для объяснимости и устойчивости в реальных сценариях.

🔹 Урок 1: История и основы ИИ

Обзор: Исследование истоков искусственного интеллекта, охватывающее тест Тьюринга, Дартмутскую конференцию и циклический характер развития ИИ, известный как "зимы ИИ".

Результаты обучения:

  • Проследить историческую эволюцию ИИ с 1956 года по настоящее время.
  • Сравнить и сопоставить парадигмы символического ИИ (GOFAI) и коннекционизма.
  • Обсудить влияние революции глубокого обучения и недавних генеративных прорывов.

🔹 Урок 2: Стратегии поиска: Неинформированный и информированный

Обзор: Введение в фундаментальных агентов решения задач с использованием алгоритмов поиска, различая слепой поиск и подходы, основанные на эвристике.

Результаты обучения:

  • Реализовать методы неинформированного поиска, включая BFS, DFS и поиск по равномерной стоимости.
  • Применить методы эвристического поиска, такие как A* и "жадный" поиск по наилучшему совпадению (Greedy Best-First search).
  • Проанализировать сложность и оптимальность различных стратегий поиска.

🔹 Урок 3: Состязательный поиск и удовлетворение ограничений

Обзор: Глубокое погружение в принятие решений в конкурентной среде (игры) и решение задач, определяемых ограничениями.

Результаты обучения:

  • Овладеть алгоритмом Минимакс и отсечением Альфа-Бета для игры.
  • Понять поиск в дереве Монте-Карло (MCTS), используемый в продвинутых системах, таких как AlphaGo.
  • Решать задачи удовлетворения ограничений (CSP) с использованием обратного отслеживания (backtracking) и локального поиска.

🔹 Урок 4: Представление знаний и рассуждение

Обзор: Изучение того, как системы ИИ логически представляют информацию для выполнения выводов, переходя от классической логики к современным структурам знаний.

Результаты обучения:

  • Использовать пропозициональную логику и логику первого порядка для представления и выводов.
  • Сравнить устаревшие экспертные системы с современными графами знаний и онтологиями.
  • Исследовать нейросимвольный ИИ как мост между логикой и нейронными сетями.

🔹 Урок 5: Неопределенность в эпоху GenAI

Обзор: Переход от классических расчетов вероятностей к пониманию того, как неопределенность движет современным ИИ. Этот урок исследует, почему LLM "галлюцинируют" (и почему это особенность, а не ошибка), как диффузионные модели создают искусство из чистого шума, и как автономные агенты принимают решения в непредсказуемых открытых мирах.

Результаты обучения:

  • От Байеса до "вайба": получить интуитивное понимание уверенности и калибровки, научившись, почему "99% вероятность" все еще может быть неверной, не увязая в сложной математике.
  • Двигатель творчества: проанализировать, как вероятностные механизмы выборки (Temperature, Top-P) обеспечивают творчество генеративного ИИ и приводят к галлюцинациям.
  • Принятие решений агентом: понять стратегии принятия решений в условиях неопределенности, сосредоточившись на дилемме "исследование против эксплуатации" (Exploration vs. Exploitation) в обучении с подкреплением и многоагентных системах.

🔹 Урок 6: Классическое машинное обучение

Обзор: Практическое введение в алгоритмы, управляемые данными, для обучения с учителем и без учителя с использованием Python.

Результаты обучения:

  • Реализовать модели обучения с учителем, включая деревья решений и SVM.
  • Применить методы обучения без учителя, такие как кластеризация K-средних и PCA.
  • Использовать Scikit-learn для решения базовых задач анализа данных.

🔹 Урок 7: Основы нейронных сетей

Обзор: Переход к биологически-подобным вычислениям, охватывающий архитектуру и механизмы обучения искусственных нейронных сетей.

Результаты обучения:

  • Объяснить структуру искусственных нейронов и многослойных перцептронов (MLP).
  • Овладеть алгоритмом обратного распространения ошибки (Backpropagation) и различными функциями активации (ReLU, GELU).
  • Создать базовую нейронную сеть с использованием PyTorch.

🔹 Урок 8: Компьютерное зрение и CNN

Обзор: Фокус на обработке визуальных данных с помощью специализированных архитектур глубокого обучения.

Результаты обучения:

  • Понять механику сверточных нейронных сетей (CNN).
  • Проанализировать продвинутые архитектуры, такие как ResNet и Vision Transformers (ViT).
  • Реализовать базовую модель классификации изображений.

🔹 Урок 9: Моделирование последовательностей и Трансформер

Обзор: Эволюция обработки последовательностей от рекуррентных нейронных сетей к революционному механизму внимания (Attention).

Результаты обучения:

  • Различить RNN, LSTM и архитектуру Трансформера.
  • Объяснить статью "Attention Is All You Need" и механизмы самовнимания.
  • Понять роль кодировщиков (Encoders) и декодировщиков (Decoders) в таких моделях, как BERT и GPT.

🔹 Урок 10: Большие языковые модели (LLM)

Обзор: Углубленное изучение передового генеративного ИИ, фокусирующееся на генерации текста и адаптации моделей.

Результаты обучения:

  • Описать жизненный цикл предварительного обучения (Pre-training) и дообучения (Fine-tuning) LLM.
  • Исследовать обучение с подкреплением на основе отзывов человека (RLHF).
  • Практиковать инженерию подсказок (Prompt Engineering) и методы параметрически эффективного дообучения (PEFT/LoRA).

🔹 Урок 11: Продвинутые приложения генеративного ИИ

Обзор: Расширение за пределы текста до поисковых систем и генеративных медиа с использованием современных API.

Результаты обучения:

  • Реализовать генерацию с дополненным поиском (RAG) для уменьшения галлюцинаций.
  • Понять математику диффузионных моделей (например, Stable Diffusion) и VAE.
  • Взаимодействовать с современными API ИИ для создания генеративного приложения.

🔹 Урок 12: Этика, безопасность и согласованность ИИ

Обзор: Критический анализ влияния ИИ на общество с акцентом на ответственность и протоколы безопасности.

Результаты обучения:

  • Выявлять источники предвзятости и обеспечивать справедливость в моделях ИИ.
  • Обсудить безопасность ИИ, его устойчивость и проблему согласованности (Alignment).
  • Оценивать объяснимость (XAI) и стратегии смягчения галлюцинаций LLM.