Модуль 1. Введение в оптимизацию с использованием AI (14 часов)
1.1. Основные понятия и роль оптимизации в современном мире (4 часа)
- Понятие «оптимизация» и ее значение в науке, бизнесе и промышленности
-
Классификация задач оптимизации (линейная, нелинейная, дискретная, многокритериальная)
-
Вклад искусственного интеллекта в решение оптимизационных задач
-
История развития AI-технологий и их взаимодействие с классической математической оптимизацией
1.2. Обзор методов искусственного интеллекта для оптимизации (6 часов)
- Машинное обучение как инструмент для оптимизационных задач
-
Метаэвристические алгоритмы (генетические алгоритмы, рой частиц, муравьиные колонии и др.)
-
Глубокое обучение и его связи с оптимизацией (стохастический градиентный спуск, адаптивные оптимизаторы и т.д.)
-
Роль генеративных моделей в поиске оптимальных решений (пример: генерация вариантов конфигурации для производственных процессов)
1.3. Практикум: постановка оптимизационной задачи (4 часа)
- Формулировка реальной задачи (e.g. оптимизация расписания, управление цепочками поставок, анализ трафика)
-
Определение метрик и критериев эффективности
-
Определение инструментов и методов для решения: обзор доступных библиотек и фреймворков
Модуль 2. Классические и современные алгоритмы оптимизации (14 часов)
2.1. Базовые классические методы (6 часов)
- Метод наискорейшего спуска, градиентный спуск и его модификации
-
Линейное программирование (Simplex, внутренние точки и т.д.)
-
Нелинейное программирование: методы штрафных функций, барьерных функций
2.2. Метаэвристики и эволюционные алгоритмы (6 часов)
- Генетические алгоритмы (GA): принципы, оператор скрещивания, мутации, селекции
-
Алгоритм роя частиц (PSO): применение для задач оптимизации
-
Алгоритм муравьиной колонии (ACO): маршрутизация и логистические задачи
-
Комбинации и гибридные подходы: GA + градиентный спуск, локальные методы улучшения
2.3. Практикум: настройка и отладка алгоритмов (2 часа)
- Сравнение производительности классических и эволюционных алгоритмов
-
Выбор гиперпараметров и критериев остановки
-
Практические кейсы: демонстрация работы алгоритмов с помощью Python-библиотек (DEAP, PyGAD и др.)
Модуль 3. Машинное обучение и нейронные сети для оптимизации (16 часов)
3.1. Методы машинного обучения и их применение (6 часов)
- Супервизия и оптимизация параметров моделей (деревья решений, ансамбли, бустинг)
-
Роль байесовских методов для оптимизации гиперпараметров
-
Регуляризация моделей, борьба с переобучением, кросс-валидация
-
Автоматизированный подбор гиперпараметров (AutoML, Hyperopt, Optuna)
3.2. Глубокое обучение и современные архитектуры (6 часов)
- Полносвязные нейронные сети, CNN, RNN, трансформеры
-
Оптимизационные аспекты обучения нейронных сетей (SGD, Adam, RMSProp, LAMB)
-
Использование глубокой сети для аппроксимации сложных целевых функций (например, распределение вероятностей решений)
-
Применение генеративных моделей (GAN, VAE) для задач синтеза и поиска оптимальных вариантов
3.3. Практикум: разработка моделей для конкретной оптимизационной задачи (4 часа)
- Создание модели на базе популярных фреймворков (PyTorch/TensorFlow)
-
Настройка и отладка процесса обучения (логирование, мониторинг потери и метрик)
-
Внедрение модели в процесс принятия решений (промышленная среда, веб-сервис, edge-устройства и т.д.)
Модуль 4. Прикладные кейсы и отраслевые решения (16 часов)
4.1. Оптимизация производственных процессов и логистики (4 часа)
- Управление цепочками поставок: прогнозирование спроса и оптимизация запасов
-
Планирование производственных линий, оптимизация расписания сотрудников/станков
-
Алгоритмы маршрутизации для транспорта и доставки (Vehicle Routing Problem)
4.2. Финансовые, экономические и маркетинговые приложения (4 часа)
- Оптимизация торговых стратегий, алгоритмический трейдинг, портфельные инвестиции
-
Ценообразование и маркетинговые кампании: динамическое и персонализированное ценообразование.
-
Аналитика рисков и моделирование сценариев
4.3. Энергетика, «умные» города и IoT (4 часа)
- Оптимизация энергопотребления: балансировка сетей, прогнозирование нагрузки
-
Управление «умными» зданиями и городами (трафик, освещение, аварийные системы)
-
Роль IoT-устройств и потокового анализа данных в процессах оптимизации
4.4. Практикум: разбор конкретных бизнес-кейсов (4 часа)
- Командная работа над кейсом: постановка задачи, сбор данных, выбор алгоритмов
-
Разработка базового прототипа для решения кейса
-
Защита результатов и обратная связь от экспертов
Модуль 5. Проектная работа и современные тенденции (12 часов)
5.1. Финальный проект: от идеи до прототипа (8 часов)
- Формирование проектных групп и распределение ролей
-
Постановка реальной оптимизационной задачи (по выбору или предложенной заказчиком)
-
Сбор и предобработка данных, разработка прототипа оптимизационного алгоритма (с применением AI-технологий)
-
Тестирование, оценка результатов, презентация проекта
5.2. Перспективы и тренды в области AI-оптимизации (4 часа)
- Возрастающая роль больших языковых моделей (ChatGPT, GPT-4 и др.) и их возможностей для оптимизационных задач
-
Слияние классических методов оптимизации и генеративного AI (генерация новых идей, сценариев)
-
Edge-AI и децентрализованные решения (использование блокчейн-технологий для децентрализованной оптимизации)
-
Этические и правовые аспекты применения AI для оптимизации (прозрачность, ответственность, безопасность)
Формат и методы обучения
- Лекции и семинары: изучение теоретических основ, разбор алгоритмов и примеров из реальной практики.
-
Практические лабораторные работы: работа в Python со специализированными библиотеками (Scikit-Learn, PyTorch, TensorFlow, DEAP и др.).
-
Кейс-стадии: групповые проекты, основанные на реальных или близких к реальности сценариях оптимизации в бизнесе и промышленности.
-
Проектная работа: слушатели создают собственный прототип решения задачи оптимизации под руководством экспертов.
Итоговая аттестация
- Тестирование по ключевым темам курса (понимание основных алгоритмов, навыки работы с библиотеками).
-
Защита итогового проекта: команда презентует решение задачи оптимизации, демонстрирует результаты, проведенные эксперименты и перспективы развития.
Распределение часов по модулям
1. Модуль 1. Введение в оптимизацию с использованием AI – 14 часов
2. Модуль 2. Классические и современные алгоритмы оптимизации – 14 часов
3. Модуль 3. Машинное обучение и нейронные сети для оптимизации – 16 часов
4. Модуль 4. Прикладные кейсы и отраслевые решения – 16 часов
5. Модуль 5. Проектная работа и современные тенденции – 12 часов
Итого: 72 часа
Преимущества данной программы
- Свежесть и актуальность: Рассматриваются последние достижения в области генеративных моделей, AutoML и больших языковых моделей.
-
Практическая направленность: Большое количество кейсов и лабораторных, позволяющих отработать навыки на практике.
-
Комплексный подход: От классических основ (математика и базовые алгоритмы) до современных нейронных сетей и гибридных методов оптимизации.
-
Гибкость: Материал легко адаптируется под конкретную отрасль и нужды заказчика, будь то производство, логистика, финансы или IT.