|
ИСТИНА |
Войти в систему Регистрация |
Интеллектуальная Система Тематического Исследования НАукометрических данных |
||
«Сплайны, нейронные сети, распознавание образов, искусственный интеллект, большие данные – начальный курс» (межфакультетский курс лекций - 24 часа)учебный курс
- Авторы: Хомяков Д.М., Хакимов Б.В.
- Год создания: 2017
- Организация: МГУ имени М.В. Ломоносова
- Описание: АННОТАЦИЯ МФК «Сплайны, нейронные сети, распознавание образов, искусственный интеллект, большие данные – начальный курс»-24 часа. Анализ парных и множественных зависимостей между параметрами физических, химических, биологических, геологических, экономических, социальных и других процессов и систем показывает, что линейные зависимости встречаются лишь в 10-15 процентах случаев, остальные зависимости – нелинейные. Применение линейных методов для моделирования реальных объектов не позволяет адекватно решать большинство современных задач. Монотонные зависимости отображаются линейными методами как более слабые, а знакопеременные зависимости - как отсутствующие, что приводит к повышенной погрешности и ошибочным результатам. Линейность - частный случай. Для моделирования парной зависимости используется сплайн - плавная кривая сложной формы, определяемая узловыми точками, координаты которых вычисляются итерационным алгоритмом. Для множественной зависимости - многомерный сплайн, являющийся совокупностью одномерных сплайнов. Принципы, алгоритмы вычислений и возможности рассматриваемых методов характеризуются универсальностью, простотой вычислений и наглядностью результатов. Демонстрация осуществляется на конкретных примерах, известных моделях и задачах, в том числе и предложенных в процессе обучения слушателями курса. Рассматривается одна из новых сплайн-моделей искусственного нейрона (СМН). Её геометрическим аналогом является многомерный ортогональный сплайн; по разрешающей способности эквивалентна трехслойной сети известных нейронов, имеет единственную точку решения и настраивается со скоростью на 2-3 порядка быстрее. Показано, что сплайн-составляющие СМН, как правило, наглядно отражают исследуемые причинно-следственные связи. Использование СМН значительно расширяет возможности моделирования корреляционных множественных зависимостей, распознавания образов, автоматической классификации и решения других научно-практических задач, в том числе анализ больших данных. Изложение курса адаптировано для слушателей, знакомых с математикой в объеме средней школы. Полученные знания могут быть успешно использованы при выполнении квалификационных и диссертационных работ. Ключевые слова: корреляционный сплайн, многомерный сплайн, итерационные алгоритмы, нейронные сети, сплайн-модель нейрона, распознавание образов, автоматическая классификация.
- Добавил в систему: Хомяков Дмитрий Михайлович
Преподавание курса
- 15 февраля 2017 - 26 апреля 2017 Хомяков Дмитрий Михайлович
- МГУ имени М.В. Ломоносова, Факультет почвоведения
- обязательная, по выбору (межфакультетский курс), лекции, 24 часов
- Авторы: Хомяков Д.М., Хакимов Б.В.