...

пятница, 7 марта 2014 г.

Вебинар о Теории Алгоритмов Университета Иннополис

Доброго времени суток, Уважаемые читатели!

Серия наших вебинаров на прошлой неделе успешно преодолела свой экватор, и сегодня мы хотим проанонсировать предстоящий вебинар, а также публикуем расшифровки записей вопросов наших слушателей и ответов на них наших лекторов.


Итак, 11 марта в 18:00 (мск) наш профессор Мануэль Маззара проведет вебинар по теме Теория Алгоритмов (Theory of Computation). Спешите зарегистрироваться на вебинар по ссылке.




Напоминаем, что продолжается сбор заявок на нашу программу бакалавриата.


Вебинар Artificial Intelligence, лектор — Самир Белхауари

Вопрос 1:

Профессор, слышали ли Вы о проекте Human Brain, целью которого является создание модели симуляции человеческого мозга?

Ответ: Да, проект HBP осуществляется университетом, в котором я работал прежде — École polytechnique fédérale de Lausanne (EPFL-Switzerland). Этот проект финансируется Евросоюзом. Они строят компьютерную модель настоящего мозга и тем самым пытаются познать всего его тайны.


Вопрос 2:

Какие языки сегодня используются в программировании AI?

Ответ: Это зависит от конкретной отрасли AI (computer vision, machine learning, search, planning, robotics, natural language processing итд.). Я бы сказал, что следует выбирать тот язык, который позволяет легко создавать прототипы определенных элементов, к примеру, MATLAB. Однако, если Вы планируете построить систему, то С или С++ будут наилучшим выбором.


Вопрос 3:

Не могли бы Вы привести пример, как AI может быть использован в нефтегазовой отрасли?

Ответ: Технологии искусственного интеллекта сегодня широко используются в современной нефтяной промышленности, включая симуляции нефтяных и газовых месторождений, оптимизация бурения и добычи, автоматизация бурения и контроль процесса в целом.


Вопрос 4:

Какие базовые знания необходимо иметь для успешного обучения по этому предмету?

Ответ: Вам потребуются базовые знания по Программированию, Теория Вероятностей и Линейная Алгебра.


Вопрос 5:

Относится ли Цепь Маркова к динамическому программированию?

Ответ: Да, относится. Цепи Маркова часто используются в решении проблем динамической оптимизации.


Вопрос 6:

Скажите пожалуйста, насколько нужно хорошо разбираться в экономике, чтобы разработать механизмы AI в этой отрасли?

Ответ: Вам необходимо точно знать, что хочет от Вашей модели экономист, чтобы разработать эффективно действующую модель. С точки зрения знаний, я считаю, что Вам потребуется знание лишь основных экономических терминов и общих концепций.


Вопрос 7:

Какие подходы существуют в области компьютерного зрения для приложений без априорной информации. Какие идеи существуют в области детекции движения?

Ответ: 1) Алгоритм кластеризации будет использоваться, если отсутствует априорная информация; 2) Детекция движения работает на основе метода дифференциации кадров, который сравнивает, как интенсивность пикселей меняет свое положение от кадра к кадру. Существует два варианта детекции движения: а) первый метод рассматривает изменение рисунка в целом; б) второй метод рассматривает движение усредненного массива


Вопрос 8:

Что Вы можете сказать о языке R? Я слышал, что он достаточно популярен в области Machine Learning. Предусмотрен ли в самом курсе практикум по какому-либо языку программирования?

Ответ: Язык R часто используется, так как он бесплатен и легкодоступен в Сети. Я предпочитаю использовать MATLAB (мы можем добавить несколько заданий по языку R, если будут желающие). Курс по Artificial Intelligence будет иметь 5 заданий, в ходе которых студенты смогут использовать MATLAB или С++ для кодирования


Вопрос 9:

Какая из указанных организаций – IEEE или ACM имеет больший авторитет в области Computer Science?

Ответ: Обе эти организации весьма авторитетны


Полная запись вебинара:


Вебинар Artificial Cognitive Systems, лектор — Дэвид Вернон

Вопрос 1: Ренат Шайхутдинов

Как Вы тестируете сложные линии поведения? Например, простую функцию можно тестировать с помощью юнит-тестов, а что делать в этом случае?

Ответ: Главная проблема заключается в том, что когнитивные системы имеют дело с обстоятельствами, которые невозможно полностью детализировать на этапе разработки, то есть предполагается, что когнитивные системы сталкиваются с изменяющейся, неподдающейся прогнозированию и не обладающей целостностью информацией. Тестировать эти типы систем крайне сложно. Конечно, Вы можете подвергнуть отдельные компоненты юнит-тестированию, но провести системное тестирование значительно сложнее. Большинство людей решают эту задачу путем тестирования системы в реальных условиях, наблюдая за тем, как она взаимодействует с живыми и неживыми объектами при переборе возможных сценариев. Вы можете сделать это в лабораторных условиях, смоделировав естественную среду (например, кухню), либо испытать ее в естественной среде, поставив ей задачу, и наблюдая за ее поведением, когда она пытается выполнить конкретную задачу.


Вопрос 2: Виктор Смирнов

Профессор Вернон, в своей презентации Вы концептуально разделяете обучение и развитие. Насколько распространено это разделение в когнитивистике и/или робототехнике?

Ответ: Различие между обучением и развитием заключается в том, что в ходе обучения происходит адаптация (калибровка) модели, предоставленной сторонним субъектом, а во время развития субъект создает свою модель. Таким образом, обучение основано на определении параметров модели, предоставленной другим субъектом, в то время, как развитие основано на самостоятельном создании модели. Это разделение еще не так распространено в научном сообществе, но оно оказалось очень полезным при объяснении технических методов и процессов, лежащих в основе обеих проблем. Конечно, существуют другие способы разделения обучения и развития. Например, обучение обычно сосредоточено на одном навыке или знании, в то время, как развитие подразумевает приобретение множества навыков и знаний и понимание их взаимоотношений. Также, обучение часто подразумевает понимание того, как функционирует мир, зачастую без учета точки зрения агента на ситуации. Развитие всегда связано с отношением способностей субъекта в контексте того, как функционирует мир. В психологии развитие представляет собой процесс, который проходит субъект с целью расширения своего набора возможных действий и продления временного интервала его способностей к проспекции (то есть способности предвосхищать события и необходимость действовать).


Вопрос 3: Анатолий Свириденков

Используете ли Вы какую-то определённую логику для знания? Если да, то какой тип? Логику первого порядка?

Ответ: Большинство когнитивных систем, такие как, Soar и ACT-R используют продукционную модель, то есть они являются системами, основанными на правилах с условиями и связанными действиями. Хотя они не используют формальную логику, они, в сущности, являются применением исчисления предикатов первого порядка, то есть логики первого порядка. Эмерджентные (от англ. emergent – возникающий, неожиданно появляющийся) когнитивные системы не обозначают знание с помощью символов и следовательно, не используют формальную логику для обоснования или обозначения знания. Вместо этого они используют коммутативные методы и ассоциативные техники для того, чтобы представить информацию и оперировать ей.


Вопрос 4: Дмитрий Чеснаков

В своей презентации Вы говорите о MOOC (массовые открытые дистанционныекурсы) или о курсе в Университете Иннополис?

Ответ: Речь идет курсе в Университете Иннополис. Профессор Вернон будет читать курс «Искусственные Когнитивные Системы» во втором семестре 2014-2015 учебного года


Вопрос 5: Виктор Смирнов

Насколько важна проблема моделирования феноменального сознания в современных когнитивных системах?

Ответ: Мнения расходятся. Некоторые ученые считают, что нет необходимости использовать понятие сознания при изучении процесса познания. Другие убеждены, что это неотъемлемая часть познания. Что точно верно, так это то, что изучение вычислительных моделей сознания в данный момент является признанной областью исследования и изучение процесса познания играет важную роль. В моем курсе мы не будем много обращаться к теме сознания, только при изучении различных типов памяти (процедурная и декларативная память)


Вопрос 6: Анатолий Свириденков

Что Вы думаете о глубоком обучении в когнитивных системах? Возможно ли комбинировать символьный и субсимвольный уровни?

Ответ: Отличный вопрос! Большая часть научного сообщества считает, что это важно. Когда я говорил о когнитивных архитектурах, я упомянул когнитивистский и эмерджентный подход. Сочетание этих двух подходов называется гибридной когнитивной архитектурой. Существует множество известных гибридных когнитивных архитектур, таких как CLARION и ACT-R. Основная идея заключается именно в том, что Вы предлагаете: сочетать символьные и субсимвольные формы знания, то есть знание, которое является эксплицитным и представлено символьной системой и знание, которое является имплицитным и зачастую представлено с помощью коммутативных методик, таких как искусственные нейронные сети.


Вопрос 7: Анатолий Свириденков

В какой области Вы ожидаете прорыв: моделирование мозга, машинное обучение или искусственный интеллект?

Ответ: Я думаю, в области машинного обучения, но все три области очень важны. Например, сейчас проводится много исследований в области моделирования мозга. Результаты уже оказали влияние на несколько вычислительных систем, например зеркальную нейронную систему. Лично я ожидаю несколько ключевых прорывов в области изучения автономных систем.


Вопрос 8:

В своей презентации Вы уделяете большое внимание различным типам памяти. Для чего машине столько типов памяти?

Ответ: Нам нужны различные типы памяти для кодирования различным типов знания. Например, есть декларативное знание, которое относится к фактам о мире (металлы твердые, кипящая вода очень горячая и тд). Другой тип знания — это знания, основанные на навыках, способность делать вещи. Это процедурные знания. Они закодированы в отдельном типе памяти и требует другие представления, когда Вы создаете искусственную систему. Мы называем это процедурной памятью. Также есть кратковременная и долговременная память, кратковременная память хранит знание только, пока оно является нужным для выполнения какой-то задачи, долговременная память содержит весь опыт субъекта.


Полная запись вебинара:


Вебинар Component-Based Software Engineering, лектор — Мануэль Маззара

Вопрос 1:

Сегодня компании и люди оперируют огромными массивами данных. Компании при этом аккумулируют всю историю сделок, управленческую информацию и другие данные. Люди сохраняют большой объем медиа-данных. Но в реальной жизни не существует организмов, способных сохранять всю сенсорную информацию. Есть ли в области разработки ПО парадигма, которая касается этого вопроса?

Ответ: Насколько мне известно, такой парадигмы сейчас не существует. Эта область является очень сейчас очень новой. Big Data, Data Mining и в определенной степени Deep Web – это те области, которые связаны с проблемой, упомянутой Вами.


Вопрос 2:

Как вы думаете, превзойдут ли компьютеры и машины наши способности в будущем, если технологии будут развиваться такими темпами? Как человечество может это предотвратить, чтобы всегда оставаться впереди.

Ответ: Мое личное мнение – нет. Есть определенные вещи, которые способен сделать только человек; машины никогда не смогут их сделать. Скорость развития технологий и быстрота машин не имеют к этомй отношения. Есть отдельные мыслительные процессы, которые машины просто не способны иметь. К примеру, вычислимость и гипотеза Туринга-Черча. Естественно, это всего лишь мое мнение. Однако, нет и свидетельств об обратном. Некоторые же из моих коллег уверены, что через 50 лет у нас будут машины, обладающие сознанием. Я не уверен, что это случится.


Вопрос 3:

Насколько я понимаю, мы используем component-based software engineering ежедневно. Есть ли какая-то разница между CBSE и традиционными методиками программирования?

Ответ: Потребность в декомпозиции ПО на более мелкие компоненты существует не только в последние 10 или 15 лет, а намного дольше. В самом начале развития компьютерных наук стало очевидно, что большие проблемы эффективнее решаются, если разделить их на мелкие части. CBSE безусловно является частью Software Engineering. CBSE является эволюционным развитием предыдущих конепций, таких как структурированное программирование и объекто-ориентированная разработка.


Вопрос 4:

Какие отрасли развития IT являются наиболее важными в наши дни, и будут наиболее важными в ближайшем будущем?

Сегодня много обсуждаются облачные вычисления, Big Data и Data Mining. C появлением социальных сетей, мы заметили колоссальный коммерческий интерес в этих областях (от Facebook, Twitter итд.)

Ответ: Другим важным аспектом является область электронной медицины, технологии в которой используются для улучшения качества жизни людей, особенно пожилых и с ограниченными возможностями. Этим людям мы можем помочь благодаря современным технологиям. К примеру, это реализуемо через мобильные приложения и устройства. Лично я планирую уделять особое внимание этим направлениям в будущем.


Вопрос 5:

Что Вы думаете о действительно децентрализованных системах? Например, системы, в которых все звенья взаимозаменяемы?

Ответ: Вопрос этот очень интересный. Такие системы существуют, но мы не будем обсуждать их во время нашего курса. Я готов обсудить этот вопрос внеклассно.


Вопрос 6:

Считаете ли Вы, что знания не столь важны, как способность учиться и анализировать?

Ответ: Я лично считаю, что наиболее важной является способность научиться «как учиться». Поэтому, для меня знания являются менее важными, чем умение применять мыслительные конструкции в работе. Вы всегда можете получить знания в Интернете, в базах данных, в других местах; но вы должны обладать способностью обрабатывать информацию. Если вы не умеете работать с информацией, то Вы никогда не поймете многих вещей. Для меня методы обучения более важны, чем просто знания.


Вопрос 7:

Есть ли разница между небольшими и крупными проектами в области software engineering? Нужно ли нам применять к ним различные подходы?

Ответ: На эти вопросы есть два ответа. Конечно, разница существует. Потребность в объектоориентированной разработке возникла в связи со сложностью управления большими проектами. Для небольших проектов такой потребности мы не видим. Второй ответ: во время занятий мы не сможем работать с большими проектами, и будем применять вышеобозначенный методы к маленьким проектам. Конечно же, небольшие проекты не всегда максимально хорошо подходят к этой цели. Однако, итоговый ответ таков, что методики эти мы можем применять для обоих случаев.


Вопрос 8:

Как Вы считаете, какое самое важное событие произошло в области компьютерных наук за последние 10 лет?

Ответ: С научной точки зрения, было много открытий, например в области алгоритмов. Однако, они не столь важны для широкой общественности. Наиболее видимой и существенной частью я, конечно же, считаю распространение социальных сетей. Они и мобильные технологии – наиболее видимые изменения прошедшего десятилетия. Двадцать лет назад никто не мог себе представить, что люди будут сидеть в ресторане и уделять больше внимания своему мобильному устройству, нежели чем приему пищи и общению с живыми людьми.


Полная запись вебинара:


Вебинар Machine Learning, лектор — Самир Белхауари

Вопрос 1:

За последние несколько лет было создано множество программных библиотек и сред для исследователей в области Machine Learning. Однако, в области аппаратного обеспечения мы встречаем лишь несколько примеров специальных процессоров для обработки цифровых данных и машинного обучения. Какие наиболее значимые разработки Вы могли бы отметить за последние годы?

Ответ: Я работал над проектом по применению сенсоров и чипов для распознавания и определения газов на основе Гаусовых процессов и модели смеси нормальных распределений для машинного обучения. Алгоритм SVM был применен в виде аппаратного обеспечения.


Вопрос 2:

Что Вы думаете о раке кожи? Показатели смертности от этого вида меньше, чем от других опасных видов рака, в то же время он наиболее подходит для машинного распознавания благодаря своим визуальным симптомам.

Ответ: Рак груди и рак легких наиболее распространены среди женщин и мужчин, а касательно рака кожи существует достаточно много исследований, касающихся сегментации и диагностики.


Вопрос 3:

Вы упоминали несколько предметов, которые необходимо изучить, прежде чем приступить к Машинному Обучению. Могли бы Вы посоветовать предметы, которые можно изучить параллельно или после занятий по Machine Learning?

Ответ: Я «освежу» знания студентов по математике и алгоритмам перед началом нашего курса, а также буду предоставлять дополнительные материалы, которые позволят лучше понять основные концепции курса.


Вопрос 4:

Какие проекты студенты будут делать в ходе обучения?

Ответ: От студентов требуется знание основ и алгоритмов ML, а также переписывать (понимать) коды


Вопрос 5:

Как я понимаю, основная цель курса состоит в том, чтобы машина научилась сама без программирования через процесс генерализации.

Ответ: она может быть запрограммирована, а может и не быть, так как некоторые алгоритмы являются динамическими, но не которые — нет


Вопрос 6:

Считаете ли Вы, что обобщения добытой информации достаточно для создания искусственного интеллекта?

Ответ: Я считаю, что этого недостаточно, так как некоторые приложения требуют использования инновационных алгоритмов без данных


Вопрос 7:

Некоторые университеты отмечают, что они некоторые университеты преуспели в программировании роботов и компьютеров для обобщения данных. Возможно ли научить машины принимать решения, осознавая их последствия в будущем?

Ответ: безусловно, возможно научить компьютеры принимать наилучшие решения и выводы, однако для осуществления этой задачи важно смоделировать нашу задачу в математических терминах.


Вопрос 8:

Какую литературу Вы бы посоветовали по данной теме для начинающих? Какие области математики важны для изучения машинного обучения?

Ответ: Необходимо знать следующие области:

•Basic probability, matrices and calculus

•Familiarity with some programming language C/C++ and MATLAB

Литература:

S.Russell and P.Norvig. Artificial Intelligence: A Modern Approach, 3rd Edition, Prentice Hall (2010).

D.Koller and N.Friedman. Probabilistic Graphical Models, MIT Press (2009)

R.Sutton and A.Barto. Reinforcement Learning: An Introduction, MIT Press (1998)

E.Tsang. Foundations of constraint satisfaction. Academic Press (1993)


Полная запись вебинара:


This entry passed through the Full-Text RSS service — if this is your content and you're reading it on someone else's site, please read the FAQ at http://ift.tt/jcXqJW.


Комментариев нет:

Отправить комментарий