МФК
Межфакультетский курс
Нейронные сети и их применение в научных исследованиях
МФК «Нейронные сети и их применение в научных исследованиях» разработан на основе программы одноимённого курса для молодых учёных.

Из-за упрощённого изложения МФК подойдёт студентам, которые только хотят начать разбираться в теме искусственного интеллекта.
Записаться на МФК и получить зачёт могут студенты любых факультетов МГУ имени М. В. Ломоносова (кроме физического).

Материалы лекций доступны всем желающим для самостоятельного изучения.
Компьютерное зрение, распознавание речи, «понимание» текста и многие другие формы узкоспециализированного искусственного интеллекта (ANI — artificial narrow intelligence) сегодня являются частью повседневной жизни. В основе этих технологий лежит машинное обучение, которое используется для построения алгоритмов, которые могут обучаться. В настоящее время одним из самых перспективных методов машинного обучения считается глубокое обучение (нейронные сети). За последние несколько лет глубокое обучение нашло применение практически во всех областях науки: от биологии и физики до лингвистики и философии.

Этот 12-недельный курс даст студентам высокоуровневый обзор современных методов искусственного интеллекта и их применения в различных научных областях. Демонстрации и викторины помогут студентам разобраться, что возможно в настоящее время и что, вероятно, будет возможно в ближайшем будущем. Из-за упрощённого изложения курс может быть неинтересен студентам технических факультетов, которые уже разбираются в нейронных сетях.
Виктор Немченко МГУ
Виктор Немченко
Преподаватель:
Немченко Виктор Андреевич
Разработчики:
Елизаров Сергей Георгиевич
Запуниди Сергей Александрович
Новосёлов Артемий Максимович
Нагрузка:
Аудиторная [ч]: 24
Самостоятельная [ч]: 12
Место и время проведения:
Весенний семестр МФК завершен.
Следующий набор ожидается осенью 2023 года.
Формат:
Очные занятия
Когда:
-
Семестр:
-
Количество мест:
-

Тематическое содержание курса:

Искусственный интеллект и чем он отличается от машинного обучения? Что такое нейросеть? Узкоспециализированный искусственный интеллект. Примеры использования машинного обучения в повседневной жизни. Применение глубокого машинного обучения в науке. Обзор курса.
Лекция 1: Новая суперспособность науки
Алгоритмы и методы обучения. Данные. Модели. Классификация. Примеры из различных научных дисциплин.
Лекция 2:
Как учить машины
Линейные модели. Уменьшение размерности. Эмбеддинги слов. Можно ли смоделировать язык? Примеры из различных научных дисциплин.
Лекция 3:
Линейные модели
Свёрточные нейронные сети. Классификация картинок. Детекция объектов. Transfer learning. Примеры из различных научных дисциплин.
Лекция 4:
Свёрточные сети
Работа с последовательностями. Рекуррентные нейронные сети. Распознавание речи. Работа с текстами. Примеры из различных научных дисциплин.
Лекция 5:
Рекуррентные сети
Механизм внимания. Трансформеры. Self-supervised learning. Трансформеры для текста. Трансформеры для картинок. Объяснимый искусственный интеллект. Примеры из различных научных дисциплин.
Лекция 6:
Трансформеры (1)
Генеративный пред-обученный трансформер (GPT). Few shot-learning. Языковые модели. AlphaFold и связанные модели. Примеры из различных научных дисциплин.
Лекция 7: Трансформеры (2). GPT
Генеративные модели. Генеративно-состязательные сети (GAN). Мультимодальные модели. CLIP. Семейство моделей Text2Image. Предсказание погоды с помощью генеративных моделей. Примеры из различных научных дисциплин.
Лекция 8:
Генеративные модели
Основы обучения с подкреплением (RL). Роботы и их взаимодействие с окружающей средой. Искусственный интеллект в экономике. Примеры из различных научных дисциплин.
Лекция 9: Обучение с подкреплением
NeRF: нейронные поля. Физические симуляции. Ускорение научных расчетов с помощью нейросетей. Примеры из различных научных дисциплин.
Лекция 10: Нейрорендеринг
и физическое моделирование
Графовые сети (GNN). Графовые свёртки (GCNN). GNN на службе социологии. GNN для химии. Примеры из различных научных дисциплин.
Лекция 11:
Графовые сети
Дополнительные примеры применения машинного обучения, не вошедшие в основную программу.
ML как инструмент для научных исследований. Подведение итогов курса.
Лекция 12: Финал
Отзывы
Курс очень понравился, все было интересно
и понятно)
Максим Маслов
Довольно крутая подача материала: через шутки, мемы, так сказать, юмор помогает разобраться в достаточно сложных темах. Для себя узнал много крутых лайфхаков, которые буду стараться использовать в дальнейшем.
Иван Фролышев
Преподаватель был на одной волне со студентами, отлично с ними общался, был открыт для обратной связи. Отдельная благодарность за годные мемы. Спасибо за интересный курс!
Татьяна Сиваченко
Химический факультет, специалитет
Экономический факультет, бакалавриат
Географический факультет, магистратура
Живые примеры, интерес преподавателя к своему делу, современность и актуальность, юмор.
Круто и увлекательно, познавательно и полезно) спасибо!
Александра Прибойченко
Широкий круг примеров из совершенно разных областей науки. Мне, как геоморфологу, интересно будет почитать побольше о применении искусственного интеллекта в науках о Земле.
Мария Писцова
Живость, простота и интересность повествования. Формат проведения лекций и квизов, структурированность.
Александр Гинзбург
Понравилось обилие примеров. Визуал, отсылки к реальным публикациям. Целая библиотека статей :)
Анна Крючечникова
Факультет психологии, специалитет
Географический факультет, магистратура
Географический факультет, бакалавриат
Биологический факультет, бакалавриат
Классный МФК! Мне показался сложным, но интересным. Спасибо за интерактивные штуки, я сделала много мемов благодаря ИИ.
Продолжайте в том же духе!
Маргарита Бруннер
Химический факультет, специалитет