Методы искусственного интеллекта в медицинской мехатронике и робототехнике

Открытый онлайн курс по машинному обучению для нужд медицинской мехатроники и робототехники, и не только. Лекции, практики, лабораторные работы (4+6+3). С применением языков MATLAB, Python, GNU-Octave для решения задач и программирования "железа". С использованием медицинских данных из открытых источников и данных от наших коллег. Курс для начинающих, у которых серьезные намерения, примерно на 100 часов упорной работы. Если вы хотя-бы сомневаетесь, что в выражении f(x)=dy(x)/dx наверное не стоит сокращать d, то можно приступать.

Современный этап развития методов искусственного интеллекта основан на применении новой парадигмы программирования – машинного обучения (МО). Эта парадигма основана на полном или частичном отказе от классического, логического построения программы, от заведомо заданной программистом последовательности действий, отражающей детерминированную математическую модель объекта, процесса и т.д. Новая парадигма основана на анализе большого объема данных, поиске взаимосвязей входных, выходных и внутренних величин. Данный курс направлен на изучение и практическое применение методов и средств создания обучающихся программ, которые могут быть реализованы, в частности, в медицинской мехатронике и робототехнике, как элементы искусственного интеллекта.

Содержание курса:

Лекция 1. Искусственный интеллект и основы машинного обучения / Artificial Intelligence (AI) and Machine Learning (ML) basics

Лекция 2. Искусственные нейронные сети и обучение с учителем / Artificial Neural Networks (ANNs) and Supervised Learning

Лекция 3. Искусственные нейронные сети и обучение без учителя / Artificial Neural Networks (ANNs) and Unsupervised Learning

Лекция 4. Глубокое обучение и его приложения / Deep Learning (DL) and it’s applications

Пр. 1. Линейная регрессия (MATLAB)

Пр. 2. Логистическая регрессия (MATLAB или GNU Octave)

Пр. 3. Аппроксимация и классификация с применением полносвязных искусственных нейронных сетей (ИНС) (MATLAB+Deep learning Toolbox)

Пр. 4. Распознавание изображений с применением трансферного обучения глубоких сверточных нейронных сетей (MATLAB+Deep learning Toolbox+Deep Learning Toolbox Model for AlexNet Network)

Пр. 5. Распознавание изображений с применением разработанных глубоких сверточных нейронных сетей (MATLAB+Deep learning Toolbox+Deep Network Designer)

Пр. 6. Управление маятником с применением глубокого обучения с подкреплением (MATLAB+Deep learning Toolbox+Simulink+SimScape Multibody)

Л.р. 1. Семантическая сегментация для подготовки медицинских изображений (MATLAB+Deep learning Toolbox)

Л.р. 2. Использование открытых баз данных для распознавания медицинских изображений (Python)

Л.р. 3. Разработка систем диагностики с применением Raspberry Pi (Python)