Вузы России введут в программы изучение ИИ с 2023 года

Минобрнауки рассказал, что с нового учебного года, который начнётся с 1 сентября 2023 года, в вузах России будут введены новые учебные программы по изучению искуственного интеллекта. Утверждается, что уже готов прототип курса по изучению ИИ.

Программа была подготовлена совместно с «Альянсом в сфере искусственного интеллекта». В альянс вошли ВК, Яндекс, Сбер, Газпром, Северсталь и другие российские компании. 

Департамент государственной политики в сфере высшего образования Министерства науки и высшего образования Российской Федерации <…> направляет актуализированный совместно с Ассоциацией «Альянс в сфере искусственного интеллекта» образовательный модуль «Системы искусственного интеллекта» для включения в образовательные программы высшего образования и дополнительные профессиональные программы, планируемые к реализации в 2023/24 учебном году.

Прототип программы уже была опубликована на портале федеральных государственных образовательных стандартов высшего образования.

По результатам обучения специалисты должен владеть такими компетенциями:

1. Способность использовать знание основных методов искусственного интеллекта в последующей профессиональной деятельности в качестве научных сотрудников, преподавателей образовательных организаций высшего образования, инженеров, технологов.
2. Способен выявить естественнонаучную сущность проблем, возникающих в ходе профессиональной деятельности в области моделирования и анализа сложных естественных и искусственных систем.

Лекции, которые войдут в состав программы:

1. Основные задачи систем искусственного интеллекта. Классификация, кластеризация, регрессия. Типы машинного обучения: с учителем, без учителя, с частичным привлечением учителя, обучение с подкреплением.
2. Классификация на примере алгоритма k-ближайших соседей (kNN) [Опционально: Быстрый поиск ближайших соседей.]. Метрики оценки классификации: полнота, точность, F1, ROC, AUC. Валидационная и тестовая выборка. Кросс-валидация. Работа с категориальными признаками.
3. Регрессия. Метрики оценки регрессии: MSE, MAE, R2 – коэффициент детерминации. Линейная регрессия, полиномиальная регрессия.
4. Переобучение и регуляризация, гребневая регрессия, LASSO, Elastic Net.
5. Линейные модели для классификации. Перцептрон, логистическая регрессия, полносвязные нейронные сети, стохастический градиентный спуск и обратное распространение градиента. Регуляризация линейных моделей классификации.
6. Кластеризация. k-means, k-means++, DBSCAN, агломеративная кластеризация. Метрики оценки кластеризации.
7. Алгоритмы, основанные на применении решающих деревьев. Критерии разделения узла: информационный выигрыш, критерий Джини.
8. Ансамбли решающих деревьев: случайный лес, градиентный бустинг. Метод опорных векторов. Прямая и обратная задача. Определение опорных векторов. Ядерный трюк.
9. Наивный байесовский классификатор. Методы оценки распределения признаков. ЕМ-алгоритм на примере смеси гауссиан.
10. Методы безградиентной оптимизации: случайный поиск, hill climb, отжиг, генетический алгоритм.
11. Нейронные сети. Функции ошибки нейронных сетей и обучение с помощью обратного распространения градиента. Понятие бэтча и эпохи.
12. Работа с изображениями с помощью нейронных сетей. Сверточные нейронные сети. Операции сверток, max-pooling. Популярные архитектуры сверточных нейронных сетей: AlexNet, VGG, Inception (GoogLeNet), ResNet. Трансферное обучение.
13. Обработка текстов. Работа с естественным языком с помощью нейронных сетей. Векторные представления для текста: word2vec, skipgram, CBOW, fasttext. Рекуррентные нейронные сети, LSTM, GRU. Трансформеры, BERT, GPT.
14. Понятия агента, среды, состояния, действий и награды. Функция ценности состояния (Value function) и функция качества действия (Qfuntion). Оптимизация стратегии с помощью максимизации функций ценности и качества. Q-обучение.
15. Глубокое обучение с подкреплением. Deep Q-Networks, Actor-critic. Для уровня экспертный: REINFORCE, A2C, PPO, DDPG.