Системы искусственного интеллекта в современной инженерной деятельности (онлайн)

Профессиональная компетенция, полученная слушателями при освоении настоящей программы, необходима для выполнения следующих видов профессиональной деятельности:

• разработка интеллектуальных систем мониторинга и предиктивной диагностики технического состояния промышленного оборудования;
• создание и обучение моделей машинного обучения для автоматизации анализа больших массивов инженерных данных и телеметрии;
• применение генеративных моделей и инструментов искусственного интеллекта для подготовки технической документации и программного кода.

В результате освоения программы слушатель должен:

знать:

• основные принципы и этапы развития искусственного интеллекта;
• роль и значение ИИ в современной инженерной практике на примере ведущих мировых компаний;
• методыподготовки, очистки и визуализации инженерных данных;
• роль математической логики и теории множеств в представлении знаний и обработке данных в системах искусственного интеллекта;
• основные задачи машинного обучения: классификацию, регрессию и кластеризацию, а также метрики оценки их качества;
• математическую модель искусственного нейрона, архитектуру многослойных перцептронов и алгоритм обратного распространения ошибки;
• принципы работы современных глубоких нейронных сетей и ключевые механизмы библиотеки Keras: слои, функции потерь, оптимизаторы;
• основы тензорных вычислений и принципы построения вычислительных графов в TensorFlow;
• методы борьбы с недообучением и переобучением, включая регуляризацию, дропаут и аугментацию данных;
• базовые операции технического зрения: понятие свертки и архитектуру сверточных нейронных сетей (CNN).

уметь:

• использовать облачные среды разработки и специализированные библиотеки (NumPy, Pandas, Scikit-learn) для решения задач ИИ;
• создавать программные компоненты для классификации состояний и регрессионного анализа технических объектов;
• применять методы глубокого обучения для построения прогностических моделей;
• оптимизировать инженерную деятельность с помощью инструментов генеративного дизайна и автоматизированной подготовки технической документации;
• проектировать логические структуры и применять операции над множествами для структурирования инженерных данных на языке Python;
• настраивать гиперпараметры моделей и выбирать функции активации в зависимости от решаемой инженерной задачи;
• проводить анализ результатов обучения с помощью графиков потерь и точности, а также применять методы ранней остановки;
• реализовывать алгоритмы обработки изображений и сигналов на основе сверточных слоев для задач технической диагностики и компьютерного зрения;
• интегрировать готовые модели ИИ в инженерное программное обеспечение, используя компоненты библиотек для С++ и Python.

Учебно-тематический план 

Тема 1. Концепция ИИ и стратегия внедрения в инженерии. Определение искусственного интеллекта как имитации человеческого познания. Типы ИИ: узкий (слабый) и общий (сильный). Краткая история развития: от работ Маккаллоха-Питтса до современного этапа. Стратегическое значение ИИ для оптимизации проектирования и производства понятие модели как результата инкапсуляции знаний: прогностические, дескриптивные и генеративные модели.

Тема 2. Генеративные модели и промпт-инжиниринг. Разновидности генеративного ИИ: работа с текстом (LLM), изображениями, кодом и презентациями. Методология промпт-инжиниринга: управление контекстом и точностью ответов. Технические аспекты: токенизация и контекстное окно. Проблема «галлюцинаций» систем ИИ: функциональная основа, влияние данных обучения и особенности промпта. Методы минимизации рисков при подготовке технической документации.

Тема 3. Среды разработки и библиотеки. Обзор облачной среды Google Colab: возможности GPU/TPU, интеграция с Google Drive и формат Jupyter Notebook. Базовый стек библиотек Python для инженера: numpy для вычислений, Pandas для работы с таблицами, Matplotlib для визуализации, Scikit-learn для классического машинного обучения. Установка компонентов библиотеки tensorflow.

Тема 4. Математическая логика и теория множеств в ИИ. Роль формальных структур в представлении и обработке знаний. Логика нулевого уровня (пропозициональная): переменные, логические связки и таблицы истинности. Логика первого уровня: кванторы и предикаты. Основы теории множеств в ИИ. Реализация операций над множествами в Python. Использование множеств для структурирования инженерных данных.

Тема 5. Классическое машинное обучение: задачи и метрики. Определение машинного обучения (ML) как класса методов обучения на решениях сходных задач. Типы данных: числовые, категориальные, текстовые и изображения. Разбиение данных: тренировочная, валидационная и тестовая выборки. Основные задачи: классификация, регрессия и кластеризация. Метрики качества: точность, среднеквадратичная ошибка и коэффициент силуэта для оценки разделения кластеров.

Тема 6. Математика ИНС и алгоритм обратного распространения. Математическая модель искусственного нейрона: входы, веса, сумматор и функция активации. архитектура многослойного перцептрона. теоретические аспекты обучения: прямой проход и обратный проход. алгоритм обратного распространения ошибки. использование цепного правила для вычисления градиентов функции потерь по параметрам сети.

Тема 7. Основы работы с Keras и тензорные операции. Понятие тензора и его ранга. Тензорные операции в tensorflow: сложение, возведение в квадрат, матричное умножение. Концепция вычислительного графа как направленного ациклического графа. Библиотека Keras как высокоуровневый интерфейс: создание моделей через Sequential API. Ключевые компоненты: слои, функции потерь и оптимизаторы.

Тема 8. Принципы и механизмы глубокого обучения. Жизненный цикл разработки глубокой модели. Ключевые термины: образец, прогноз, цель и эталон. Работа с конкретными датасетами: imdb (бинарная классификация), reuters (многоклассовая классификация) и предсказание цен (регрессия). Настройка выходных слоев и выбор функций активации в зависимости от типа решаемой задачи.

Тема 9. Регуляризация и оптимизация нейронных сетей. Анализ графиков потерь и точности. Диагностика проблем: недообучение и переобучение. Методы регуляризации: метод исключения, нормализация пакетов. Аугментация данных для увеличения разнообразия обучающей выборки. Применение методики ранней остановки для оптимизации процесса обучения.

Тема 10. Глубокое обучение в системах технического зрения. Биологические предпосылки и история развития компьютерного зрения. основные операции: понятие свертки (convolution), ядро свертки и карты признаков. архитектура сверточных нейронных сетей (CNN). применение глубокого обучения для задач инженерной дефектоскопии, распознавания объектов и автоматизированного контроля качества на производстве.