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.