Введение в искусственный интеллект и машинное обучение

Введение в математику и философию ИИ. От естественного интеллекта к искусственному
Представление знаний и автоматизация рассуждений
Введение в машинное обучение. Процесс принятия решения в терминах обучаемой модели (упрощенно). Нечеткая функция принадлежности и представление естественных признаков в виде нечеткого множества.
Базовое представление о проблеме переобучения моделей. Дилемма смещения-разброса как пояснение в терминах аппроксимации и статистики (упрощенно).
Основы Python. Базовые аспекты и основные объекты
Классическое машинное обучение. Краткий обзор базовых методов машинного обучения (с упрощенным пояснением). Примеры задач: как простейшие алгоритмы решают сложные задачи.
Логическое представление естественно-биологической модели связи из нескольких нейронов. Многослойная нейронная сеть прямого распространения. Проблемы переобучения нейронной сети.
Автоассоциативные нейронные сети. Оценка важности признаков и главная нелинейная компонента множества. Смещение рода ошибки (упрощенно: больной-здоровый, здоровый-больной). Пример: рекомендательная система для врачей - оценка вероятности неблагоприятного клинического исхода у пациента.
Рекуррентные нейронные сети. Задачи прогнозирования и обработки временных рядов, основы обработки естественного языка. Примеры: распознавание речи, оценка тональности текста.
Глубокие сверточные нейронные сети. Основы компьютерного зрения. Примеры карт признаков. Аугментация данных окклюзия признаков. Технология transfer-learning и дообучение нейронных сетей. Примеры кода: как обучить модель в 15 строк кода.