В данном разделе будет представлен обзор области искусственного интеллекта и машинного обучения, с акцентом на важность нейронных сетей. Будут рассмотрены основные понятия, терминология и области применения нейронных сетей в современном мире. Особое внимание будет уделено историческому контексту развития нейронных сетей и перспективам их дальнейшего развития. Дается общее представление о курсе, его структуре, задачах и целевой аудитории, необходимом уровне подготовки и ожидаемых результатах.

В этом разделе будет детально рассмотрена структура и принцип работы перцептрона, как базового элемента нейронных сетей. Будут изучены функции активации, алгоритмы обучения перцептрона и примеры его применения для решения простых задач классификации. Рассмотрены математические основы работы перцептрона, включая линейную алгебру и дифференциальное исчисление.

В данном разделе будут рассмотрены многослойные нейронные сети (MLP), их структура, преимущества и недостатки. Будут изучены алгоритмы обучения MLP, такие как обратное распространение ошибки, а также методы регуляризации для предотвращения переобучения. Приведены примеры применения MLP для решения более сложных задач, чем перцептрон.

Этот раздел посвящен изучению различных функций потерь, используемых для оценки качества работы нейронной сети, и оптимизаторов, применяемых для поиска оптимальных весов сети. Будут рассмотрены функции потерь для задач классификации и регрессии, а также градиентные методы оптимизации, такие как стохастический градиентный спуск.

В данном разделе будет представлен обзор сверточных нейронных сетей, которые широко используются для обработки изображений и видео. Будут изучены основные слои CNN, такие как сверточные слои, пулинги и полносвязные слои, а также архитектуры CNN для задач классификации изображений.

Данный раздел включает практическое задание по классификации изображений с использованием сверточных нейронных сетей. Участники курса должны будут реализовать модель CNN для распознавания объектов на изображениях, используя библиотеки машинного обучения, такие как TensorFlow или PyTorch. Предоставляется датасет для обучения и тестирования.

В этом разделе студенты реализуют модель многослойной нейронной сети для решения задачи регрессии. Будет необходимо выбрать подходящую функцию потерь и оптимизатор, а также провести настройку гиперпараметров модели для достижения оптимальной производительности. Реализация будет выполняться в среде Python с использованием библиотеки Keras.

Этот раздел посвящен методам оценки качества работы нейронных сетей и способам улучшения их производительности. Будут рассмотрены метрики оценки для задач классификации и регрессии, а также методы регуляризации, аугментации данных и настройки гиперпараметров. Обсуждаются методы борьбы с переобучением и недообучением.

В заключении подведены итоги курса, обобщены основные концепции и представлены перспективы дальнейшего изучения нейронных сетей. Обсуждаются современные тенденции в области машинного обучения и возможные направления для дальнейших исследований. Предоставляется список дополнительных ресурсов для самообразования.

В этом разделе представлен список рекомендуемой литературы, статей и онлайн-ресурсов для углубленного изучения нейронных сетей. Ссылки на ключевые публикации в области машинного обучения, онлайн-курсы, документацию библиотек машинного обучения и полезные блоги. Список организован по тематическим разделам.