Нейротехнології та нейрокомп’ютерні системи. Курсова робота - Робоча програма навчальної дисципліни (Силабус)

Реквізити навчальної дисципліни

Рівень вищої освіти Другий (магістерський)
Галузь знань 12 Інформаційні технології
Спеціальність 126 Інформаційні системи та технології
Освітня програма Інформаційне забезпечення робототехнічних систем
Статус дисципліни Нормативна
Форма навчання очна(денна), заочна
Рік підготовки, семестр 1 курс, осінній семестр
Обсяг дисципліни 30 год
Семестровий контроль/ контрольні заходи захист курсової роботи
Розклад занять
Мова викладання Українська
Інформація про
керівника курсу / викладачів		 к.т.н., доц. Олійник В.В., oliinyk.volodymyr@gmail.com
Розміщення курсу https://classroom.google.com/w/NjIxMDI1OTI1NzM0

Програма навчальної дисципліни

Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання

Курсова робота з дисципліни є важливим доповненням основної дисципліни «Нейротехнології та нейрокомп’ютерні системи», що дозволяє студентам отримати практичні навички застосування нейронних мереж для вирішення реальних задач.

Метою навчальної дисципліни є формування та закріплення у студентів наступних компетентностей: (СК 11) Здатність проектування та експлуатації нейрокомп’ютерних систем, які використовуються в задачах моделювання процесів і явищ, що супроводжують функціонування інформаційного забезпечення робототехнічних систем.

Предметом дисципліни є: математичний апарат, архітектури та технології для опису, синтезу та аналізу нейронних мереж в рамках машинного навчання.

Програмні результати навчання, на формування та покращення яких спрямована дисципліна:

(РН 17) Знати принципи, методи та технології проектування нейромереж різних

топологій і призначення.

В результаті вивчення дисципліни слухачі мають вміти:

  • обирати раціональні архітектури та моделі нейронних мереж для розв’язання поставленої задачі.

  • використовувати нейротехнології для розв’язання прикладних задач у різних предметних галузях;

  • оцінювати та підвищувати ефективність розроблених нейромоделей;

  • впроваджувати моделі нейронних мереж в робототехнічні та інтелектуальні системи.

Пререквізити та постреквізити дисципліни (місце в структурно-логічній схемі навчання за відповідною освітньою програмою)

Для успішного засвоєння дисципліни необхідні базові знання з дисциплін: “Вища математика”, “Теорія ймовірностей і математична статистика”, «Програмування».

Результати навчання даної дисципліни використовують у дипломному проектуванні та у спеціалізованих дисциплінах подальшого циклу підготовки магістрів.

Зміст навчальної дисципліни

Узагальнена тематика курсових робіт:

  1. Комп’ютерний зір (CV – computer vision)

    • Класифікація, розпізнавання зображень: обличь, поз, дій, станів,

      елементів сцен, предметів

    • Локалізація (визначення границь) об’єкту

    • Детектування (класифікація та локалізація багатьох об’єктів)

    • Сегментація зображень,

    • Реконструкція, збільшення роздільної здатності, розфарбовування

      ч.-б. зображень

    • Інші задачі: опис зображень, синтез та стилізація тощо

    • Аналогічні задачі на відео

    • Трекінг об’єктів

  2. Обробка природної мови (NLP – natural language processing)

  • Класифікація текстів

  • Пошук а текстових даних, відповіді на питання

  • Визначення емоційного забарвлення (sentiment analysis)

  • Прогнозування наступного символу чи слова/вставка пропущеного

  • Розпізнавання мови, чат-боти

  • Машинний переклад

  • Опис зображень та ін

  1. Задачі управління:

  • Управління рухомим об’єктом та іншими пристроями

  • Еволюційне моделювання,

  • Глибоке навчання з підкріпленням (https://gym.openai.com)

  1. Прогнозування та загальні задачі машинного навчання

  • Прогнозування числових рядів в практичних задачах (курси, індекси та

    ін.)

  • задачі економічного та ERP прогнозування (продажів, закупівель,

    рівней складських запасів, доходу, ризиків тощо)

  • Маркетингові задачі (прогнозування результатів рекламних кампаній,

    акцій, програм лояльності тощо)

  • Виявлення залежностей в даних (data mining)

  • автоматичне виділення значимих ознак (feature extraction), зменшення

    розмірності

  1. Аудіо та музика

  • Класифікація музичних даних: жанри, ноти, інструменти та ін.

  • Класифікація аудіо даних: тип, стать, види звуків, команд тощо

  • Сегментація аудіо даних

  • Покращення аудіо даних

  • Розпізнавання природної мови

  • Синтез природної мови

  1. Генерація контенту (Generative models)

  • Створення текстових послідовностей, зображень, аудіо контенту

  • Перенос стилю

  • Створення синтетичних даних для навчання

  • Файн-тюнинг та інші застосування LLM

  • RAG-застосунки

  1. Інші спеціальні застосування:

  • Стиснення, збереження інформації

  • Криптографії

  • Фільтрації

  1. Наукове дослідження нейронних мереж

  • Нові архітектури НМ

  • Біологічно подібні моделі нейронних мереж

  • Питання покращення якості роботи НМ

  • Методологічні питання вибору та використання НМ

Навчальні матеріали та ресурси

Базова література:

  1. Олійник В.В. Нейротехнології та нейрокомп’ютерні системи: методичні вказівки до виконання курсової роботи [Електронний ресурс] : навч. посіб. для студ. спеціальності 126 «Інформаційні системи та технології», освітньої програми «Інформаційне забезпечення робототехнічних систем» / В.В. Олійник, О.І. Лісовиченко ; КПІ ім. Ігоря Сікорського. – Електронні текстові дані (1 файл: 329 Кбайт). – Київ : КПІ ім. Ігоря Сікорського, 2021. – 52 с.

  2. Ямпольський Л.С. Нейротехнології та нейрокомп’ютерні ситеми / Ямпольський Л.С., Лісовиченко О.І., Олійник В.В. // Дорадо-друк, Київ, 2016. ­– 571 с.

  3. Goodfellow I. Deep Learning/ Goodfellow I.,Bengio Y., Courville A.// MIT Press, 2016.- 800p.

  4. Geron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems.– O'Reilly Media. – 856p.

Додаткова література:

  1. Архангельський В.І. Нейронні мережі в системах автоматизації / В.І.Архангельський, І.М.Богаєнко, Г.Г.Грабовський, М.О.Рюмшин – К.: Техніка, 1999. – 364 с.

  2. Ямпольський Л.С. Гнучкі комп’ютерно-інтегровані системи: планування, моделювання, верифікація, управління. КНИГА 2. Штучний інтелект в плануванні і керуванні виробничими процесами: підручник / Л.С. Ямпольський, П.П. Мельничук, К.Б .Остапченко, О.І. Лісовиченко – Житомир: ЖДТУ, 2010. – 786 с.

  3. Кононюк А.Ю. Нейроні мережі і генетичні алгоритми. – К.:«Корнійчук», 2008. – 446 с.

  4. Richard S. Reinforcement Learning : An Introduction MIT Press, Adaptive Computation and Machine Learning / Richard S. Sutton, Andrew G. Barto // Ser.: 2018. - 552 p.

Навчальний контент

Методика опанування навчальної дисципліни (освітнього компонента)

В рамках обраної теми курсової роботи з запропонованого переліку або індивідуальної теми, попередньо погодженої з викладачем, необхідно виконати наступні задачі:

  1. вибрати практичну задачу для обраної теми чітко сформулювати мету і задачу розробки;

  2. сформувати план роботи;

  3. обґрунтувати доцільність використання нейротехнологій для вирішення задачі;

  4. вибрати (або зібрати) датасет для навчання нейромережевої моделі (НМ);

  5. вибрати та обгрунтувати архітектуру і модель нейронної мережі;

  6. обрати середовище та/або фреймворк для роботи з нейронними мережами

  7. реалізувати обрану нейронну мережу та навчити її на підготовленому датасеті в вибраному середовищі;

  8. отримати результати роботи навченої нейромережі, за необхідності змінити параметри та повторити навчання;

  9. застосувати відомі техніки покращення якості роботи нейронної мережі (регуляризацію, переднавчання, «перенос навчання» та ін.), провести дослідження з реалізованою НМ;

  10. підготувати пояснювальну записку(ПЗ) по проведеній роботі.

За результатами виконання роботи готується пояснювальна записка –документ, оформлений згідно вимог діючих ДСТУ та інших відповідних нормативних документів, що описує процес виконання курсової роботи та основні одержані результати. Викладення матеріалу в пояснювальній записці повинно бути коротким, ясним і прийнятим в технічній літературі. Опис відомих положень та рішень, що викладені в довідкових матеріалах не допускається. Основне завдання студента під час виконання курсової роботи – показати рівень володіння теоретичним та практичним матеріалами застосування технологій штучного інтелекту для вирішення поставленої задачі. Тому, у першу чергу, варто описувати принципові моменти – обґрунтування прийнятих рішень. У пояснювальній записці мають бути висвітлені обсяги виконаної роботи, складність та особливості розв'язуваної задачі і використаних методів, елементи новизни, рівень практичної і теоретичної підготовки студента. Пояснювальна записка – це єдиний документ, що характеризується цілісністю викладів від постановки задачі до аналізу отриманих результатів. Взаємозв’язок окремих частин записки повинен чітко проглядатися; попередні розділи визначають напрямок рішення наступних. Кожен розділ має закінчуватися короткими висновками.

Рекомендована структура пояснювальної записки:

Структура ПЗ:

  1. Титульна сторінка

  2. Вступ

  3. Задача.

Постановка задачі – сформулювати мету роботи, суть та особливості задачі

Мотивація та аналіз задачі – чим цікава задача, які її особливості свідчать про доцільність використання штучного інтелекту.

Формалізація задачі – виділення вхідних-вихідних параметрів, зв’язків між ними тощо

Середовище – вибір та опис програмного середовища моделювання предметної області або інтерфейсі взаємодії з апаратною частиною засобів інтелектуалізації, мова пограмування, інші засоби

  1. Нейромежева модель.

Вибір технології штучного інтелекту – обґрунтування вибору, огляд можливих варіантів, що розглядались

Розробка моделі – створення формальної моделі для розв’язку задачі на основі обраної технології. Вибір або визначення гіперпараметрів.

Практична реалізація – короткий огляд програмної реалізації моделі в обраному середовищі.

Результати вирішення задачі – наводяться кількісні результати та висновки щодо можливості та точність розв'язання задачі, бажано порівняти з відомими аналогами

  1. Експериментальне дослідження обраної НМ

Планування експерименту – порівняння класичних підходів до розв’язку задачі з інтелектуальними, моделей різного рівня інтелектуальності, дослідження впливу параметрів моделі на результати. Формування гіпотез та опис механізму їх перевірки.

Результати експерименту – отримані результати та їх значення

  1. Висновки

  2. Список використаної літератури

Самостійна робота студента/аспіранта

Самостійна робота окремою складовою навчальним планом не передбачення і є частиною виконання курсової роботи.

Політика та контроль

Політика навчальної дисципліни (освітнього компонента)

Порядок виконання та захисту курсової роботи

Студент виконує курсову роботу самостійно або у бригаді з двох осіб (з відповідним збільшенням обсягів роботи та погодження з викладачем).

Демонстрація поточних результатів, обговорення питань по роботі та ін. відбувається в час консультації викладача або при наявності вільного часу за розкладом лабораторних робіт.

Для захисту студент попередньо здає оформлену пояснювальну записку через Google Class. Після цього у призначений для захисту час студент демонструє програмну реалізацію та відповідає на запитання по прийнятим в роботі рішенням, результатам та пов’язаному теоретичному матеріалу (3-5 питань).

При виконанні курсової роботи необхідно дотримуватись календарного плану:

Вибір теми – 2 тиждень

Затвердження теми – 4 тиждень

Надання короткого звіту з планом роботи – 7 тиждень

Подання ПЗ на розгляд – 14 тиждень

За подання ПЗ на розгляд після встановленого терміну без поважних причин, або невиконання інших календарних вимог, максимальний бал за роботу знижується : -1 бали за кожен наступний тиждень після (але не більше - 5 балів).

Заохочувальні бали

Студент має змогу отримати додаткові заохочувальні бали за проведення наукового пошуку, застосування сучасних наукових результатів в роботі та власне проведення актуальних наукових досліджень - надається від 1 до 10 заохочувальних балів. Загальна сума стартових балів за роботу не має перевищувати 60.

Політика щодо академічної доброчесності

Усі курсові роботи (перевіряються на наявність плагіату і допускаються до захисту із коректними текстовими запозиченнями не більше 20%. Роботи що містять більшу кількість до розгляду і оцінювання не приймаються.

Види контролю та рейтингова система оцінювання результатів навчання (РСО)

Рейтинг студента з дисципліни складається з балів:

1) стартова складова;

2) захист курсової роботи;

Система рейтингових (вагових) балів та критерії оцінювання

1. Стартова складова

Ваговий бал - 60. Складові стартової складової представлені у таблиці:

Складова роботи Балів

  1. Дотримання вимог календарного плану

  2. Практична робота над темою

Аналіз задачі, вибір технології штучного інтелекту

Практична реалізація/застосування технології штучного інтелекту

Застосовані техніки оптимізації мережі/проведений експеримент

  1. ПЗ

Відповідність вимогам до структури та обсягів, ДСТУ

Якість оформлення та повнота подання інформації

10

40

10

15

15

20

10

10
Всього 70

2. Захист роботи

Ваговий бал – 30.

Складові захисту:

  1. Ступінь володіння теоретичним матеріалом – 10 балів

  2. Ступінь обґрунтування прийнятих рішень- 10 балів

  3. Якість відповідей на питання та вміння захищати свою думку – 10 балів

Умови позитивної проміжної атестації

Для отримання “зараховано” з першої проміжної атестації (8 тиждень) студент повинен обрати тему роботи та надати короткий план роботи.

Для отримання “зараховано” з другої проміжної атестації (14 тиждень) студент повинен надати чорновий варіант пояснювальної записки без оформлення.

Розрахунок шкали (R) рейтингу

Сума вагових балів контрольних заходів протягом семестру складається зі стартового рейтингу RC

оцінка за захист роботи RЗ .

Загальний рейтинг студента: RD=RC + RЗ

Максимальне значення стартової шкали RC =70 балів.

Максимальне значення захисту RЗ =30 балів.

Всього RD = 70 + 30 = 100 балів.

Для отримання студентом відповідних оцінок (ЕСТS та традиційних) його рейтингова оцінка RD переводиться згідно з таблицею:

RD=RC + RЗ оцінка
95…100 відмінно
85…94 дуже добре
75…84 добре
65…74 задовільно
60…64 достатньо
R < 60 незадовільно
RС < 35 або не виконано інші умови допуску до екзамену не допущений

Робочу програму навчальної дисципліни (силабус):

Складено доцентом кафедри ІСТ, к.т.н., доц. Олійником В.В.

Ухвалено кафедрою ІСТ (протокол № 17 від 26.06.2024)

Погоджено Методичною комісією факультету (протокол № 10 від 21.06.2024)