PolyU | Основы искусственного интеллекта

📚 Краткое содержание

Этот комплексный курс предлагает строгий, но доступный вводный курс по искусственному интеллекту (ИИ), предназначенный для аспирантов и профессионалов. Курс призван мост между историческими основами и передовыми инновациями, 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 большие языковые модели (LLM). Уделяя внимание как теории, так и практике, курс использует Python и отраслевые стандартные фреймворки, такие как PyTorch, для реализации алгоритмов, взаимодействия с современными API и решения критических вопросов этики и безопасности ИИ.

Создавая мост между классическим символическим ИИ и современным генеративным ИИ, этот курс наделяет студентов необходимой теоретической глубиной и практическими навыками на языке Python для проектирования, реализации и этической оценки интеллектуальных систем.

🎯 Цели обучения

1. Овладеть основами ИИ: Анализировать и реализовывать основные парадигмы решения задач, включая эвристический поиск, логическое рассуждение и вероятностное моделирование.
2. Реализовать архитектуры глубокого обучения: Проектировать и обучать сложные нейронные сети с помощью PyTorch — от многослойных перцептронов до свёрточных нейронных сетей и трансформеров.
3. Развернуть решения генеративного ИИ: Создавать приложения с использованием больших языковых моделей (LLM), применяя техники, такие как дообучение, инженерия подсказок (prompt engineering) и дополненная генерация на основе поиска (RAG).
4. Обеспечить этичное развитие ИИ: Критически оценивать системы ИИ на предмет предвзятости, безопасности и согласованности, применяя стратегии объяснимости и устойчивости в реальных условиях.

🔹 Урок 1: История и основы ИИ

Обзор: Исследование истоков искусственного интеллекта, включая тест Тьюринга, конференцию в Дартмуте и циклический характер развития ИИ, известный как «зимы ИИ».

Результаты обучения:

• Продолжить историческую эволюцию ИИ с 1956 года до настоящего времени.
• Сравнить и противопоставить парадигмы символического ИИ (GOFAI) и соединительной модели (Connectionism).
• Обсудить влияние революции глубокого обучения и недавних прорывов в генеративном ИИ.

🔹 Урок 2: Стратегии поиска: безоценочные и информированные

Обзор: Введение в базовые агенты решения проблем с использованием алгоритмов поиска, различающих слепой поиск и подходы, основанные на эвристиках.

Результаты обучения:

• Реализовать безоценочные методы поиска, включая поиск в ширину (BFS), поиск в глубину (DFS) и поиск с равной стоимостью.
• Применить эвристические методы поиска, такие как A* и жадный поиск по лучшему первому.
• Проанализировать сложность и оптимальность различных стратегий поиска.

🔹 Урок 3: Конкурентный поиск и удовлетворение ограничений

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

Результаты обучения:

• Освоить алгоритм минимакса и отсечение по α-β для игры.
• Понять использование Монте-Карло дерева поиска (MCTS) в продвинутых системах, таких как AlphaGo.
• Решать задачи удовлетворения ограничений (CSP) с помощью обратного отслеживания и локального поиска.

🔹 Урок 4: Представление знаний и рассуждения

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

Результаты обучения:

• Использовать пропозициональную и первую порядковую логику для представления и вывода.
• Сравнить устаревшие экспертные системы с современными графами знаний и онтологиями.
• Изучить нейросимволический ИИ как мост между логикой и нейронными сетями.

🔹 Урок 5: Неопределенность в эпоху генеративного ИИ

Обзор: Выход за рамки классических расчетов вероятностей для понимания того, как неопределенность движет современным ИИ. Этот урок исследует, почему LLM "галлюцинируют" (и почему это особенность, а не дефект), как модели диффузии создают искусство из чистого шума, и как автономные агенты принимают решения в непредсказуемых открытых мирах.

Результаты обучения:

• От Байеса к «настроению»: получить интуитивное понимание уверенности и калибровки, научиться тому, почему «99% вероятность» всё ещё может быть ошибочной, не теряясь в сложных математических выкладках.
• Движущая сила творчества: проанализировать механизмы вероятностного выбора (температура, Top-P), которые делают творчество генеративного ИИ возможным и порождают галлюцинации.
• Принятие решений агентом: понять стратегии принятия решений в условиях неопределенности, сосредоточившись на дилемме «исследование против эксплуатации» в обучении с подкреплением и многопользовательских системах.

🔹 Урок 6: Классическое машинное обучение

Обзор: Практическое введение в данные-ориентированные алгоритмы для обучения с учителем и без учителя с использованием Python.

Результаты обучения:

• Реализовать модели обучения с учителем, включая деревья решений и метод опорных векторов (SVM).
• Применить методы обучения без учителя, такие как кластеризация по методу K-средних и анализ главных компонент (PCA).
• Использовать Scikit-learn для решения базовых аналитических задач с данными.

🔹 Урок 7: Основы нейронных сетей

Обзор: Переход к вычислениям, вдохновленным биологией, охватывающий архитектуру и механизмы обучения искусственных нейронных сетей.

Результаты обучения:

• Объяснить структуру искусственных нейронов и многослойных перцептронов (MLP).
• Освоить алгоритм обратного распространения и различные функции активации (ReLU, GELU).
• Создать базовую нейронную сеть с использованием PyTorch.

🔹 Урок 8: Компьютерное зрение и свёрточные нейронные сети (CNN)

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

Результаты обучения:

• Понять механику свёрточных нейронных сетей (CNN).
• Проанализировать продвинутые архитектуры, такие как ResNet и трансформеры для зрения (ViT).
• Реализовать базовую модель классификации изображений.

🔹 Урок 9: Моделирование последовательностей и трансформер

Обзор: Эволюция обработки последовательностей от рекуррентных нейронных сетей до революционной механизма внимания.

Результаты обучения:

• Различать RNN, LSTM и архитектуру трансформера.
• Объяснить статью «Attention Is All You Need» и механизмы самовнимания.
• Понять роль кодировщиков и декодировщиков в моделях, таких как BERT и GPT.

🔹 Урок 10: Большие языковые модели (LLM)

Обзор: Подробное изучение передовых технологий генеративного ИИ, сосредоточенное на генерации текста и адаптации моделей.

Результаты обучения:

• Описать жизненный цикл предобучения и дообучения больших языковых моделей.
• Изучить обучение с подкреплением от отзывов человека (RLHF).
• Практиковать инженерию подсказок (prompt engineering) и методы дообучения с минимальным числом параметров (PEFT/LoRA).

🔹 Урок 11: Расширенные приложения генеративного ИИ

Обзор: Выход за рамки текста к системам поиска и генеративным медиа с использованием современных API.

Результаты обучения:

• Реализовать дополненную генерацию на основе поиска (RAG) для снижения галлюцинаций.
• Понять математику моделей диффузии (например, Stable Diffusion) и вариационных автоэнкодеров (VAE).
• Взаимодействовать с современными API ИИ для создания генеративного приложения.

🔹 Урок 12: Этичность ИИ, безопасность и согласованность

Обзор: Критический анализ социального воздействия ИИ, с акцентом на ответственность и протоколы безопасности.

Результаты обучения:

• Выявить источники предвзятости и обеспечить справедливость моделей ИИ.
• Обсудить безопасность ИИ, устойчивость и проблему согласованности.
• Оценить объяснимость (XAI) и стратегии снижения галлюцинаций больших языковых моделей.