-
5 рабочих дней,
50 академических часов
-
Очное обучение в Томске
Как проходят занятия
-
175 000 руб.
за 1 человека, НДС не облагается
Получить скидку
- Преподаватель: Андраханов Анатолий Александрович
- Целевая аудитория: специалисты с высшим и средним специальным образованием, инженеры по разработке и эксплуатации нефтяных месторождений, геологи, геофизики и петрофизики, специалисты и руководители отделов предприятий нефтегазовой отрасли, занимающиеся вопросами анализа данных и построения цифровых моделей.
- Методика обучения: обучение включает в себя лекционные и интерактивные занятия с разбором реальных практических кейсов, индивидуальные практикумы с использованием ПО по машинному обучению (Python) с последующей обсуждением полученных результатов.
- Примечание: продвинутый курс требует от слушателей знаний базовых основ и техник ИИ и машинного обучения, а также базовых навыков работы с библиотеками машинного обучения Python.
- По окончании курса участники смогут: знать принципы функционирования продвинутых современных техник глубокого обучения (Deep Learning), таких как свёрточные нейронные сети, генеративные модели, трансформеры, глубокое обучение с подкреплением и других, а также их применения в нефтегазовой сфере; владеть навыками применения Deep Learning для решения профессиональных задач в области нефтегазового дела; знать нестандартные подходы и новейшие тренды, такие как искусственные иммунные системы, physics-informed neural network и др., применяемые при решении задач отрасли; использовать библиотеки и инструментарий Python для решения задач нефтегазового дела с помощью современных техник Deep Learning.
Часть 1: Механизмы ИИ и машинного обучения
- Краткий обзор базовых механизмов ИИ.
- Механизм обучения: «с учителем», «без учителя», с подкреплением. Алгоритмы Random Forest, Support Vector Machine, Probabilistic Neural Network и др.
- Гибридные алгоритмы ИИ.
- Лабораторный практикум (Python) по применению механизма обучения в нефтегазовой сфере.
- Примеры практических приложений базовых техник ИИ нефтегазовой сфере.
Часть 2: Глубокое обучение (Deep Learning): свёрточные нейронные сети
- Введение в глубокое обучение. Свёрточные нейронные сети.
- Архитектуры свёрточных нейронных сетей.
- Лабораторный практикум (Python) по применению свёрточных нейронных сетей в анализе изображений.
- Примеры практических приложений свёрточных нейронных сетей в нефтегазовой сфере.
Часть 3: Технологии Deep Learning для работы с последовательностями
- Рекуррентные нейронные сети.
- Сети LSTM.
- Лабораторный практикум (Python) по применению LSTM в анализе временных последовательностей.
- Примеры практических приложений Deep Learning для работы с последовательностями в нефтегазовой сфере.
Часть 4: Генеративный ИИ в нефтегазовой сфере
- Основы генеративного ИИ.
- Автоэнкодеры. Условные автоэнкодеры. Вариационные автоэнкодеры.
- Графовые вариационные автоэнкодеры.
- Генеративно-состязательные нейронные сети (GAN).
- Лабораторный практикум (Python) по применению генеративного ИИ в задачах нефтегазовой сферы.
- Примеры практических приложений генеративного ИИ в нефтегазовой сфере.
Часть 5: Нестандартные подходы и ведущие современные техники и тренды ИИ в нефтегазовой сфере
- Бионические алгоритмы ИИ в нефтегазовой сфере: алгоритм муравьиной колонии, алгоритм пчелиного роя, искусственные иммунные системы, примеры практических приложений бионических алгоритмов ИИ в нефтегазовой сфере.
- Ведущие современные техники и тренды Deep Learning в нефтегазовой сфере: нечёткие свёрточные нейронные сети, глубокое обучение с подкреплением, трансформеры, physics-informed neural network, примеры практических приложений передовых техник Deep Learning в нефтегазовой сфере.
