Целью дисциплины является изучение продвинутых нейросетевых методов компьютерного зрения, требующихся для обработки и распознавания изображений, видео, облаков точек. По итогам освоения дисциплины студенты должны получить базовые теоретические знания и овладеть практическими навыками разработки нейросетевых моделей повышения разрешения и восстановления изображений, генерации изображений и видео; мультимодальными (изображение+текст, изображение+облака точек и др.) методами классификации, обнаружения, сегментации объектов; методами слабоконтролируемого обучения для формирования карт активации признаков, позволяющих интерпретировать результаты работы нейросетевых методов компьютерного зрения. Отдельное внимание будет уделено изучению методов трехмерного компьютерного зрения для построения карт местности (в том числе, карт проходимости, BEV-представлений сцены) и локализации интеллектуальных агентов, методов построения и использования графов трехмерных сцен, в том числе на основе мультимодальных данных.

В курсе рассматриваются следующие темы:

1. Архитектуры нейросетевых моделей повышения разрешения и восстановления изображений.
2. Архитектуры генеративных состязательных нейронных сетей для фотореалистичной генерации изображений.
3. Архитектуры диффузионых моделей для генерации изоборажений и видео.
4. Обучение нейросетевых моделей для работы с последовательностями изображений. Использование временной компоненты при классификации видео.
5. Обучение нейросетевых моделей для распознавания текста на изображениях.
6. Архитектуры нейросетевых моделей семантической и инстанс-сегментации на изображениях и видео.
7. Методы слабоконтролируемого обучения для формирования карт активации признаков, позволяющих интерпретировать результаты работы нейросетевых методов компьютерного зрения.
8. Архитектуры многомодальных (текст и изображение) многозадачных нейросетевых моделей (VLM) в задачах компьютерного зрения (сегментации, детекции и др.).
9. Методы кодирования трехмерных облаков точек. Их применение для классификации облаков точек.
10. Обучение нейросетевых моделей для детекции и сегментации объектов в трехмерных облаках точек.
11. Методы компьютерного зрения для построения карт местности (в том числе, карт проходимости) и локализации интеллектуальных агентов.
12. Самообучение моделей оценки позы камеры по монокулярному видео и реконструкцией карт глубин.
13. Методы построения и использования графов трехмерных сцен, в том числе на основе мультимодальных данных.
14. Построение вида сверху (Bird’s Eye View, BEV) для обнаружения, сегменатции и трекинга объектов бортовыми сенсорами интеллектуальных транспортных средтсв (несколькими камерами, лидарами, радарами).

Современные исследования в области искусственного интеллекта (ИИ) требуют не только понимания математических основ методов ИИ, но и владения языками программирования, инструментами и фреймворками, которые обеспечивают их программную реализацию и проведение компьютерных экспериментов. Этот курс фокусируется на ключевых технологиях, необходимых для решения задач ИИ.

В рамках курса будут рассмотрены основы языка программирования Python, который является одним из основных языков как в промышленном ИИ, так и в академическом сообществе исследователей. Помимо базовых конструкций Python и программных пакетов, используемых при реализации методов ИИ, будут рассмотрены способы интеграции с источниками данных, такими как REST API для веб-сервисов, а также SQL и NoSQL базы данных.

Также будет рассмотрен Docker как важный инструмент для контейнеризации приложений и управления зависимостями, что упрощает развёртывание моделей ИИ в различных средах и проведение экспериментов. На примере платформы WandB будут продемонстрированы подходы к обеспечению воспроизводимости экспериментов, автоматической диагностике, отслеживанию и визуализации результатов.

В курсе рассматриваются следующие темы:

1. Базовые конструкции языка, тестирование в Python
2. Строки, алгоритмы, регулярные выражения
3. Объектно-ориентированное программирование, ввод-вывод, исключения, Typing, Pydantic
4. Векторизованные вычисления. Программные пакеты Numpy и Pandas
5. Многопроцессорность и многопоточность в Python
6. Асинхронные вычисления в Python
7. Фреймворк Ray для распределённых и параллельных вычислений
8. Docker
9. REST APIs. Фреймворк Flask
10. Интеграция с SQL базами данных
11. Интеграция с NoSQL базами данных
12. Логирование: библиотека Loguru, платформа Wandb

На курсе освещаются основные понятия и результаты из теории графов и сетей, использующиеся при моделировании различного рода задач прикладного характера. Курс включает в себя математическое обоснование применимости той или иной графовой модели, примеры их использования, а также работу учащихся с рассматриваемыми моделями в jupyter notebook

В курсе рассматриваются следующие темы:

1. Основные понятия теории графов.
2. Граф как модель конфликтов, связь с вершинными и реберными раскрасками
3. Граф как связующая сеть, критические места такой сети, меры центральности вершин. Циклические маршруты по графам
4. Орграфы как транспортировочные сети. Потоки в сетях и их применение
5. Случайные графовые модели (модель Эрдеша-Реньи, Марковские сети, Байесовские сети)

Комплекс когнитивных наук включает в себя наряду с искусственным интеллектом и науки о человеке — психологию, лингвистику и нейрофизиологию. Курс основ когнитивной психологии направлен на ознакомление студентов, специализирующихся в области искусственного интеллекта, с ведущими теориями познавательной деятельности, моделями отдельных когнитивных функций, данными о феноменах восприятия, памяти, внимания и мышления.

Полученные знания позволят будущему специалисту по искусственному интеллекту в задачах моделирования когнитивных функций и в задачах создания инструментов интеллектуальной поддержки деятельности человека опираться на данные теоретических и экспериментальных исследований механизмов познания, специфичных для человека.

В курсе рассматриваются следующие темы:

1. Введение в психологию познавательных процессов. Когнитивная психология в широком и узком смысле слова. Специфика психологического знания, предмет и метод, принципы научной психологии
2. Принцип развития. Развитие психики фило-, антропо- и онтогенезе. Мозг и психика. Проблема обучения и развития. Речь и коммуникация. Речь и мышление
3. Принцип субъектности в сенсорно-перцептивных процессах и в мышлении. Типологии мышления, мышление как решение задач. Культуро-специфичность интеллектуальных стратегий и мозговые корреляты мыслительных процессов
4. Принцип активности в области восприятия и в сфере психических состояний. Восприятие и память как процессы конструирования. Виды памяти и виды внимания
5. Принцип системности в организации работы мозга и в организации познавательной сферы. Строение познавательной сферы и типологии интеллекта. Система представлений: образ мира, семантическое пространство, языковая картина мира
6. Принцип адекватности. «У узбеков нет иллюзий». Проблема нормы. Проблема эмоциональной, смысловой и ценностной регуляции работы когнитивных механизмов

Целью дисциплины является изучение математических и теоретических основ глубокого обучения, лежащих в основе современных нейросетевых фреймворков, а также подготовка слушателей к дальнейшей самостоятельной работе по разработке и обучению нейронных сетей для решения практических задач анализа данных.

По итогам освоения дисциплины студенты должны, в том числе, знать основные современные программные фреймворки глубокого обучения; основные методы обучения нейронных сетей и ключевые подходы к формированию функции потерь; основные архитектуры нейросетевых моделей, пригодных для решения различных практических задач; подходы к сжатию и ускорению нейросетевых моделей.

Кроме того, студенты научатся анализировать эффективность процесса обучения по получаемым метрикам качества и значениям функции потерь; строить вычислительно эффективные нейросетевые модели для решения практических задач.

В курсе рассматриваются следующие темы:

1. Знакомство с нейросетевыми фреймворками глубокого обучения (Pytorch, PyTorch Lightning, MindSpore, JAX/Flax) на площадках с доступными ресурсами GPU/TPU (Google Colab, Kaggle)
2. Основы подходов к обучению нейронных сетей (методы стохастического градиентного спуска, ADAM и др.) и особенности их программной реализации в фреймворках глубокого обучения
3. Обзор популярных библиотек на основе фреймворка Pytorch, в том числе семейство библиотек Hugging Face
4. Теория и практика проведения экспериментов с помощью нейросетевых фреймворков
5. Методы контрастивного обучения и самообучения нейросетевых моделей
6. Реализация собственных операторов для нейронных сетей на языке Python
7. Введение в разработку вычислительно эффективных операторов с помощью CUDA
8. Особенности распределенного обучения нейросетевых моделей на вычислителях с графическими процессорами
9. Повышение эффективности нейронных сетей с помощью прунинга (pruning)
10. Основы квантизации нейронных сетей
11. Квантизация обученных моделей и обучение квантизованных нейронных сетей.
12. Дистилляция знаний для повышения эффективности нейронных сетей
13. Эффективные методы обучения и инференса трансформерных моделей

Курс, озаглавленный "Мультимодальные и поведенческие модели", разработан для того, чтобы предоставить студентам всестороннее понимание последних достижений в области обучения трансформерных моделей для манипуляции и навигации роботов. Учебная программа объединяет базовые знания в области машинного обучения, обучению с подкреплением и робототехнике, опираясь на последние исследования в данной тематике.

Курс начинается с введения в задачи манипуляции и навигации для роботов и методов решения вызовов, связанных с многомерными пространствами действий, мультимодальным состоянием агента и реальными приложениями. Студенты изучат роль трансформеров в моделировании зрения, языка и действий, а также рассмотрят примеры современных систем, таких как RT-2, OpenVLA и Octo. Также будут обсуждаться ограничения трансформеров в решении частично наблюдаемых марковских процессов принятия решений (POMDP).

Одним из главных направлений курса будет обучение с подкреплением (RL) для робототехники. Студенты узнают о марковских процессах принятия решений (MDP) и способах оптимизации стратегии агента.

Также курс погрузится в стратегии офлайн-обучения для манипуляции и навигации роботов. Это включает клонирование поведения (BC) и офлайн обучение с подкреплением (Offline RL).
В заключении, будет рассмотрена интеграция офлайн и онлайн фаз обучения. Студенты изучат иерархические актор-критик фреймворки, такие как алгоритм ArCHer, и техники стабилизации переходов между офлайн и онлайн обучением.

В курсе рассматриваются следующие темы:

1. Введение в задачи манипуляции и навигации роботов и их реальные приложения. Роль трансформеров в моделировании зрения, языка и действий, а также их ограничения в решении частично наблюдаемых марковских процессов принятия решений (POMDP)
2. Основы обучения с подкреплением (RL) для робототехники: марковские процессы принятия решений (MDP), оптимизация стратегии агента и методы обучения
3. Проектирование архитектур трансформеров для непрерывного управления: энкодер-декодер структуры для обработки состояний наблюдений и генерации последовательностей действий. Использование гауссовских политик для непрерывного управления
4. Стратегии офлайн-обучения для манипуляции и навигации роботов: клонирование поведения (BC) и оффлайн обучение с подкреплением (Offline RL)
5. Формулировка задачи и проектирование вознаграждений для манипуляции и навигации роботов. Способы проектирования эффективных функций вознаграждения
6. Интеграция оффлайн и онлайн фаз обучения: техники стабилизации переходов между оффлайн и онлайн обучением
7. Практическая реализация моделей на основе трансформеров: создание единой архитектуры для актор-критик моделей
8. Оценочные метрики и бенчмаркинг для манипуляции и навигации роботов
9. Проблемы и открытые вопросы в робототехнике на основе трансформеров: теоретические ограничения трансформеров в решении POMDP и проблемы масштабируемости

Теория управления динамическими системами начала бурное развитие в прошлом веке и продолжает развиваться в настоящее время. Плодом ее развития стали успешные пилотируемые и беспилотные полеты в космос, автоматизация производства, создание автономных робототехнических систем и пр. В ходе ее развития накоплен большой опыт решения множества прикладных задач, знание которого является крайне полезным при работе в области инженерных наук.

Курс позволит студентам освоить фундаментальные принципы и методы управления динамическими системами, как с применением традиционных подходов, так и с использованием современных интеллектуальных технологий.

Достоинством курса является его фундаментальный и строгий характер: основные понятия, методы и теория, как правило, имеют математическое обоснование, а их актуальность будет сохраняться еще долгое время. Курс не требует специальной, углубленной подготовки по математике - основные понятия разбираются в процессе обучения. В нем также затронуты инженерные проблемы, связанные с построением систем управления и моделированием.

1. Определения устойчивости по Ляпунову
2. Метод функций Ляпунова для непрерывных и дискретных систем
3. Матричное уравнение Ляпунова для непрерывных и дискретных систем
4. Определения управляемости и наблюдаемости. Критерии управляемости и наблюдаемости
5. Решение задач линейно-квадратичного оптимального управления на конечном и бесконечном интервалах времени
6. Решение линейной задачи оптимальной фильтрации в непрерывных системах с некоррелируемыми белыми шумами объекта и наблюдения и ее решение
7. Решение вырожденных линейных задач оптимальной фильтрации: задачи с цветными шумами объекта и наблюдения
8. Непрерывная задача стохастического оптимального управления с наблюдением и ее решение. Принцип разделения
9. Задача слежения для линейной системы с квадратичным функционалом
10. Принцип оптимальности Беллмана. Уравнение Беллмана
11. Постановка задачи оптимального управления для непрерывных систем. Различные критерии оптимальности
12. Принцип максимума Понтрягина
13. Принцип максимума Понтрягина для дискретных многошаговых систем управления. Пример
14. Регулятор Паде
15. Критерии управляемости и наблюдаемости для нестационарных линейных систем. Граммианы управляемости и наблюдаемости
16. Адаптивная система, самонастраивающаяся система, самоорганизующаяся система, поисковая и беспоисковая адаптивные системы
17. Адаптивное управление с эталонной моделью
18. Адаптивного управления с идентификатором
19. Линеаризацией обратной связью, производная Ли
20. Нечеткие регуляторы Мамдани и Такаги-Сугено. Нейро-нечеткая сеть ANFIS

Данный курс является адаптационным и не требует предварительных знаний по машинному обучению и искусственному интеллекту.

В курсе будут даны необходимые базовые знания по машинному обучению, требующиеся для дальнейшего углубленного изучения предмета. В частности, будут рассмотрены такие темы как: линейные модели для задач регрессии и классификации, деревья решений, композиции моделей, задачи кластеризации и понижения размерности, работа с временными рядами, детектирование аномалий и интерпретируемые методы в машинном обучении.

Практическая часть курса включает работу с популярными библиотеками, такими как scikit-learn, pandas, NumPy, Matplotlib и seaborn.

В курсе рассматриваются следующие темы:

1. Введение в машинное обучение: общая постановка задачи машинного обучения, основные понятия, основные типы задач машинного обучения, типы признаков
2. Линейный модели: линейные модели для задач регрессии и классификации, метрики качества.
3. Проблема переобучения, регуляризация моделей, кросс-валидация
4. Деревья решений: общий подход к построению дерева решений, измерение качества предиката, связь с линейной моделью
5. Композиции моделей: стекинг и блендинг, разложение ошибки на смещение и разброс, бэггинг, случайный лес, градиентный бустинг
6. Обучение без учителя: кластеризация и понижение размерности
7. Обработка временных рядов: семейство ETS моделей, SARIMA
8. Детектирование аномалий: статистические тесты, метод опорных векторов для одного класса, изолирующий лес, другие подходы
9. Интерпретируемое машинное обучение: PDP, LIME, SHAP

Дисциплина посвящена основам и современным методам обработки естественного языка (NLP), включая как классические алгоритмы, так и глубокое обучение. Рассматриваются векторные представления текста, языковые модели (RNN, seq2seq, трансформер), а также продвинутые архитектуры, такие как BERT, GPT и T5.

Особое внимание уделяется эффективным методам вычислений: оптимизация обучения и инференса, квантизация, дистилляция знаний и распределённое обучение.

Также изучаются мультимодальные модели, агенты на основе LLM, современные техники промптинга, включая few-shot, zero-shot, Chain of Thought и Reasoning.

Введение в NLP. Классические vs. глубокие методы обучения. Векторные представления слов и методы представления текста.

В курсе рассматриваются следующие темы:

1. Моделирование языка: RNN, seq2seq, Attention
2. Трансформеры, механизм самовнимания, абсолютное позиционное кодирование
3. Модели на основе трансформеров: BERT, GPT, T5 и другие
4. Эффективные трансформеры и продвинутые механизмы внимания
5. InstructGPT и ChatGPT: предобучение, настройка инструкциями, RLHF
6. Методы квантизации, форматы весов моделей и дистилляция знаний
7. Инференс LLM: лучшие практики и фреймворки
8. Эффективное обучение, PEFT, распределённое обучение и методы настройки, бенчмарки, промптинг, few-shot и zero-shot обучение, CoT, Reasoning
9. Мультимодальные модели
10. Агенты на основе больших языковых моделей

Курс посвящен продвинутым методам решения актуальных задач обработки естественного языка с применением механизмов памяти. В ходе курса обсуждаются предпосылки и мотивация использования памяти в нейросетевых моделях, включая ассоциативную память, сети Хопфилда, рекуррентные нейросети и модели на основе механизма внимания.

Также обозначаются ограничения моделей семейства Трансформер и рассматриваются способы их преодоления. Проводится обзор различных практических методов анализа и интерпретации нейросетевых моделей, сравнения моделей по их экспрессивности и классу решаемых задач. Курс включает также актуальные методы адаптации больших языковых моделей, такие как In-Context Learning, RAG, а также методы для решения более сложных задач за счет генерации рассуждений и увеличения объема вычислений на этапе генерации ответа (scaling test-time compute).

Курс нацелен на изучение теоретических аспектов актуальных методов обработки естественного языка с перспективы памяти в нейросетевых моделях и практическую тренировку научно-исследовательских навыков в области искусственного интеллекта.

В курсе рассматриваются следующие темы:

1. Введение. Виды и функции памяти с точки зрения когнитивных наук и нейросетевых моделей
2. Классические задачи нейросетевого моделирования, нейросетевые архитектуры с памятью. Ассоциативная память, сети Хопфилда, Fast Weights. Dense Associative Memory, Modern Hopfield Networks
3. Рекуррентные модели с точки зрения памяти. Память и механизм внимания: Neural Turing Machine, Differentiable Neural Computer, Memory Networks, Tardis, Hierarchical Memory Networks
4. Трансформер с точки зрения памяти. Ограничения трансформеров: длина контекста. Longformer, Transformer-XL, RMT, Titans
5. Трансформер с точки зрения памяти. Ограничения трансформеров: размер рабочего пространства. Memory Transformer, ACT, Universal Transformer
6. Современные рекуррентные модели: линейный механизм внимания и линейная рекуррентность
7. Альтернативный взгляд на механизм внимания: формальная эквивалентность и взаимосвязь с моделями с памятью и современными рекуррентными моделями
8. Экспрессивность нейросетевых архитектур. Полнота по Тьюрингу, иерархия Хомского, формальные языки, классы задач, решаемые основными архитектурами
9. Анализ и интерпретация нейросетевых моделей: карты внимания, градиентные методы анализа, logits lens, механистическая интерпретируемость
10. Обучение без обновления параметров сети: in-context learning, test-time training
11. Пошаговое рассуждение. Методы генерации цепочек рассуждений. Scaling test-time compute. Внешняя память – Retrieval Augmented Generation (RAG)
12. LLM-агенты, мультиагентные LLM-системы. Память как общее рабочее пространство для агентов
13. Перспективные направления развития механизмов памяти и новые задачи искусственного интеллекта с применением памяти

Цель дисциплины – познакомить студентов с нейронными основами когнитивной деятельности, обсудить теоретический и экспериментальный материал мировой современной нейронауки, нейробиологии и нейрофизиологии, рассмотреть нерешенные проблемы нейронауки, привести основные методы получения экспериментальных данных в когнитивной нейронауке.

В курсе рассматриваются следующие темы:

1. Нейроны головного мозга и их особенности
2. Электрические свойства нейронов
3. Синапсы и их устройство
4. Пластичность мозга: механизмы и функции
5. Что кроме нейронов: внесинаптические взаимодействия и глиальные клетки
6. Сети нейронов и коннектомы
7. Структурное деление мозга
8. Эволюция и развитие нервной системы
9. Методы когнитивной нейронауки клеточного уровня
10. Методы когнитивной нейронауки общемозгового уровня
11. Поведенческая нейронаука
12. Нейронные основы обучения и памяти
13. Психофизиология сна
14. Проблема сознания в нейронауке
15. Психофизиологическая проблема

В современном мире огромное количество задач решается с помощью автономных робототехнических систем. Разработка таких систем помимо математической базы требует понимания основных алгоритмов автономной навигации и манипуляции, знаний сенсоров современных роботов, а также владения фреймворком ROS, на котором разрабатывается подавляющее большинство робототехнических программ.

В рамках данного курса мы изучим фреймворк ROS, основные сенсоры современных роботов, а также современные алгоритмы навигации и манипуляции. Каждая тема курса состоит из краткой лекции и лабораторной работы, выполняемой на мини-роботах Jetbot и ноутбуках с симулятором Gazebo.

В курсе рассматриваются следующие темы:

1. Робот как интеллектуальный агент. Начальная настройка робота.
2. Фреймворк ROS. Основные понятия: пакеты, узлы, сообщения, топики, сервисы. Настройка ROS на роботе. Написание простых узлов.
3. Восприятие роботом окружающей среды. Сенсоры роботов: камеры, однолучевые и многолучевые лидары, энкодеры, инерциальные сенсоры. Взаимодействие с сенсорами через ROS. Запись и воспроизведение rosbag.
4. Методы следование траектории на мобильном роботе. PID-регуляторы. Написание простого PID-регулятора для движения робота.
5. Робототехнические симуляторы. Модели мира и робота. Настройка ROS на ноутбуке, создание простой модели мира и модели робота в симуляторе Gazebo. Взаимодействие с сенсорами модели робота и управление моделью робота через ROS.
6. Оценка положения робота в пространстве. Одометрия. Комплексирование данных из нескольких источников одометрии. Фильтр Калмана.
7. Картирование и локализация на мобильных роботах. Одновременное картирование и локализация (SLAM). Реализация SLAM в Gazebo.
8. Методы планирования траектории на роботах. Методы управления мобильными роботами. Модельно-предиктивное управление. Реализация модельно-предиктивного управления в Gazebo.
9. Запуск навигационного стека на роботе
10. Исполнительные устройства робота. Манипуляторы. Прямая и обратная кинематика. Управление манипулятором. Создание модели манипулятора в Gazebo.
11. Планирование траектории для манипулятора. Взаимодействие с манипулятором через ROS. Хватание кубика манипулятором в Gazebo.

Данный курс является продолжением базового курса по машинному обучению с подкреплением и предполагает знакомство слушателей с базовыми понятиями (Марковский процесс принятия решений, уравнение Беллмана, функция полезности и стратегия) и основными алгоритмами, такими как DQN, PPO, SAC, Dreamer, MCTS.

Будут рассмотрены продвинутые методы с использованием функции полезности и с прямой оптимизацией стратегии. Особое внимание будет уделено мета-обучению, использования памяти и трансформерных архитектур, мультиагентному обучению с подкреплением и подходам с использованием модели мира. Также будет подробно рассмотрена прикладная часть исследований с акцентом на робототехнические применения.

В курсе рассматриваются следующие темы:

1. Введение в обучение с подкреплением и основные понятия
2. Классы алгоритмов машинного обучения с подкреплением
3. Продвинутые методы на основе функции полезности: R2D2, Agent57, MEME
4. Продвинутые методы оптимизации стратегии: MPO, Muesli, Langevin SAC
5. Модели мира в обучении с подкреплением: TD-MPC, STORM, ROCA, OC-Dreamer
6. Использование трансформерных архитектур в автономном и онлайн обучении с подкреплением: DT, TT, RATE, ArCHer, OnlineTr
7. Мета-обучение, память, перенос знаний и генерализация в обучении с подкреплением.
8. Мультиагентное обучение с подкреплением
9. Безопасное обучение с подкреплением
10. Саморегулируемое обучение с подкреплением и обучение умений
11. Мультимодальное обучение с подкреплением
12. Обучение с подкреплением как инструмент дооубчения в языковых и мультимодальных моделях
13. Эволюционные алгоритмы и обучение с подкреплением
14. Обучение с подкреплением в робототехнике: локомоция, навигация и манипуляция.
15. Биологически правдоподобные модели обучения с подкреплением

Эвристический поиск - один из основных приемов, применяемых в искусственном интеллекте для решения задач планирования, т.е. для решения таких задач, когда нужно построить последовательность действий, переводящих агента из текущего состояния в целевое, при этом модель мира известна (т.е. её не нужно восстанавливать в отличие от, например, model-based reinforcement learning). В рамках этого курса мы познакомимся с основными алгоритмами эвристического поиска и реализуем их на практике.

Основными оцениваемыми активностями являются тесты по теории, лабораторные работы (тетрадки на Pytnon), а также итоговый проект в мини-группах (2-3 человека). 50% оценки - за тесты/лабораторные, 50% - за проект. Экзамен по курсу не предусмотрен. Зачет = защита выполненного проекта.

В курсе рассматриваются следующие темы:

1. Поиск как способ решения планирования. Понятие состояния и пространства состояний. Неинформированный поиск без детекции дубликатов
2. Игра в 15-ки. Pancake Problem. Способы кодирования состояний. Наивные алгоритмы поиска: BFS, DFS, DFID (depth-first iterative deepening)
3. Поиск с детекцией дубликатов на примере задачи поиска пути на графе регулярной декомпозиции: основные алгоритмические идеи и терминология (g-значения, раскрытие состояний), основные вопросы, связанные с реализацией алгоритмов поиска (списки OPEN и CLOSED)
4. Алгоритмы Дейкстры для поиска пути на графе регулярной декомпозиции
5. Алгоритм A*. Свойства эвристик (допустимость, монотонность, информированность) и взаимосвязь этих свойств со свойствами алгоритма эвристического поиска A*. Перераскрытие вершин (различные способы реализации). Breaking ties. Основные метрики, используемые для оценки эффективности алгоритмов эвристического поиска
6. Алгоритмы A* для поиска пути на графе регулярной декомпозиции
7. Эмпирические исследования A* с различными эвристиками
8. Модификации алгоритма A*: A* с итерационным заглублением. Суб-оптимальные алгоритмы эвристического поиска (WA*, Focal A* и др.). Ленивый поиск. Переиспользование результатов поиска при решении схожих задач. Anytime-алгоритмы (ARA* и др.). Lifelong алгоритмы (LPA* и др.)
9. Планирование в среде с динамическими препятствиями. Time-space A*
10. Централизованное много-агентное планирование траекторий на основе эвристического поиска. Конфликтно-ориентированное и приорититизрованное планирование
11. Децентрализованное много-агентное планирование. Интеграция эвристического поиска и обучения с подкрепления, подходы на основе масштабного обучения по экспертным данным
12. Многорукие бандиты и поиск Монте-Карло по дереву (MCTS). Задача о многоруком бандите, понятие сожаления (regret), формула UCB. Основная идея MCTS в контексте задачи планирования действий в антагонистической игре, алгоритм MCTS
13. Поиск на основе случайного семплирования. Алгоритмы покрывающих деревьев (rapidly exploring random tree, RRT), их базовые блоки (поиск ближайшего узла в дереве, процедура расширения и проверки на коллизии, техника goal-bias)

Искусственный интеллект в настоящее время является как и отдельной научной дисциплиной, так и важным технологическим инструментом развития многих отраслей экономики.

Большинство методов искусственного интеллекта являются узкоспециализированными и предназначены для решения конкретного класса задач. Однако со времен зарождения данной научной дисциплины развивалось и направление создания универсальных подходов, которые принято относить к методам общего (сильного) искусственного интеллекта.

Данный курс посвящен рассмотрению как истории развития общих методов ИИ, так и обсуждению современных подходов в этой области: когнитивных архитектур.

В курсе рассматриваются следующие темы:

1. Искусственный интеллект: общий и специализированный
2. Тесты на уровень (общего) искусственного интеллекта: Тьюринг, пост-Тьюринг и уровни AGI
3. Проблема нейросимвольной интеграции и привязки символов
4. Большие языковые модели как базовые общие модели
5. Когнитивные архитектуры: ACT-R, Soar, Sigma
6. Универсальный алгоритмический интеллект: индукция Соломонова и AIXI
7. Вероятностные логические модели: ProbLog, PLN
8. Семантическое моделирование с вероятностным выводом: Discovery
9. Семиотический подход и знаковая картина мира
10. ДСМ-системы и синтез моделей рассуждений
11. Эволюционная парадигма в искусственном интеллекте
12. Биологически правдоподобные модели обучения и поведения
13. Воплощенный искусственный интеллект
14. Общие системы управления и роботы общего назначения
15. Перспективы развития общего искусственного интеллекта и этические вопросы