-
5 рабочих дней,
50 академических часов
-
Очное обучение в Томске
Как проходят занятия
-
100 000 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 тренинг, лекции, интерактивные занятия с совместным решением реальных практических кейсов, индивидуальные практические занятия с использованием ПО по машинному обучению (в т.ч. среды Python) с последующей обсуждением полученных результатов.
- Примечание: курс выстроен таким образом, что за счёт комплексной интеграции различных методик обучения не предъявляет к слушателям никаких изначальных требований к знаниям в области искусственного интеллекта (ИИ) и машинного обучения, а также к навыкам работы с Python.
- По окончании курса участники смогут: понимать ключевые механизмы, лежащие в основе методов ИИ и машинного обучения; знать принципы функционирования конкретных алгоритмов ИИ, их достоинства и недостатки; выбирать алгоритмы ИИ для решения тех или иных задач в области геологии; владеть базовыми приемами борьбы за повышение точности и прогнозирующей способности получаемых моделей; проводить исследования влияния параметров алгоритма ИИ и параметров выборки данных на качество получаемых моделей с целью получения более лучшего решения задачи; использовать библиотеки и инструментарий Python для решения профессиональных задач в области геологии.
Часть 1: «Погружение» в методологию искусственного интеллекта
- Основные механизмы (источники) машинного интеллекта и примеры методов/технологий их реализующие: механизм коммуникации (мультиагентные технологии), механизм эволюции (генетические алгоритмы), механизм обучения (метод группового учёта аргументов), механизм принятия решений (нечёткая логика).
- Ключевые фокусы внимания при проектировании интеллектуальных систем на базе ИИ.
Часть 2: Введение в механизм обучения. Основы Machine Learning
- Введение в механизм обучения: обучение «с учителем», обучение «без учителя», обучение с подкреплением.
- Обучение «с учителем». Искусственные нейронные сети. Дедуктивный и индуктивный подходы в машинном обучении. Основные принципы индуктивного метода самоорганизации моделей. Полиномиальная нейронная сеть. Дважды многорядная модифицированная полиномиальная нейронная сеть с активными нейронами.
- Лабораторный практикум (механизм обучения «с учителем»). Задачи на каротаж с применением дважды многорядных сетей с активными нейронами. Проведение исследования влияния параметров алгоритма ИИ и параметров выборки данных на качество получаемых моделей.
Часть 3: Обучение «с учителем». Задачи регрессии и классификации
- Искусственные нейронные сети. Алгоритм обратного распространения ошибки. Достоинства и недостатки нейросетевых алгоритмов машинного обучения в рамках дедуктивного и индуктивного подходов.
- Лабораторный практикум (Python). Решение задачи регрессии (оценка скорости проходки ROP) с помощью классической полносвязной нейронной сети прямого распространения.
- Основные особенности задачи классификации. Несбалансированность классов.
- Лабораторный практикум (Python). Решение задачи классификации (автоматическое определение классов литологии по данным ГИС) с помощью классической полносвязной нейронной сети прямого распространения.
- Примеры практических приложений механизма обучения «с учителем» в нефтегазовой сфере.
Часть 4: Обучение «без учителя» и с подкреплением
- Обучение «без учителя». Классический алгоритм кластеризации k-means, достоинства и недостатки. Самоорганизующаяся карта Кохонена (SOM), достоинства и недостатки.
- Лабораторный практикум (Python). Решение задачи кластеризации и построение ансамбля моделей.
- Обучение с подкреплением. Классический алгоритм Q-learning. Введение в адаптивные нейросетевые критики.
- Примеры практических приложений механизма обучения «без учителя» и с подкреплением в нефтегазовой сфере.
Часть 5: Гибридные алгоритмы ИИ. Основы глубокого обучения
- Гибридизация методов ИИ. Аниматный подход: адаптивные нейросетевые критики.
- Практические примеры применения гибридных методов ИИ в нефтегазовой сфере.
- Основные принципы глубокого обучения (Deep Learning), связь с механизмами обучения «с учителем» и «без учителя». Понятие «свёртки» и принципы обучения свёрточных нейронных сетей. Основные архитектуры свёрточных нейронных сетей.
- Примеры практических приложений Deep Learning в задачах определения характеристик керна по изображению.
- Современные инструментальные средства ИИ и машинного обучения.
