PolyU | Концепции искусственного интеллекта
Этот комплексный курс предоставляет строгое, но доступное введение в искусственный интеллект, предназначено для аспирантов и профессионалов. Курс охватывает как исторические основы, так и передовые достижения, последовательно проходя от символического ИИ и алгоритмов поиска до современных методов глубокого обучения и генеративного ИИ. Студенты изучат ключевые темы, такие как представление знаний, вероятностные рассуждения и классическое машинное обучение, прежде чем углубиться в нейронные сети, трансформеры и модели крупных языковых моделей (LLM). Курс уделяет внимание как теории, так и практике, используя язык программирования Python и отраслевые стандартные фреймворки, такие как PyTorch, для реализации алгоритмов, взаимодействия с современными API, а также решения важнейших вопросов этики и безопасности ИИ.
Обзор курса
📚 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
- Овладеть основами ИИ: Анализировать и реализовывать основные парадигмы решения задач, включая эвристический поиск, логическое рассуждение и вероятностное моделирование.
- Реализовать архитектуры глубокого обучения: Проектировать и обучать сложные нейронные сети с помощью PyTorch — от многослойных перцептронов до свёрточных нейронных сетей и трансформеров.
- 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).
- Обеспечить этичное развитие ИИ: Критически оценивать системы ИИ на предмет предвзятости, безопасности и согласованности, применяя стратегии объяснимости и устойчивости в реальных условиях.
Уроки
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.
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.
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.
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.
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.
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.
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.
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.
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.
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).
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.
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.