Старт
с 17 ноября по 7 декабря 2025
Формат
Онлайн
Продолжительность
3 недели (32 акад. часа)
Документ
Удостоверение о повышении
квалификации
квалификации
Технологии искусственного интеллекта в научных исследованиях
Программа для исследователей и ученых, желающих овладеть технологиями и инструментами ИИ, в том числе основанными на БЯМ и технологиях генеративного ИИ, в целях их применения в задачах цифрового ускорения науки, обработки реальных экспериментальных данных, генерации гипотез, а также применения на практике новых инструментов научных исследований при решении поставленных задач на уровне профессионального пользователя
Обучение проводится при финансовой поддержке Министерства экономического развития РФ
Соглашение №139-10-2025-034 от 19.06.2025 г. ИГК 000000Ц313925P4D0002.
Для кого
Научным
работникам
Сотрудникам образовательных
организаций
организаций
Студентам
и аспирантам
Тем, кто занимается исследованиями
и испытаниями
Условия поступления для бесплатного обучения
Наличие документа, подтверждающего среднее или высшее образование любого направления
В настоящий момент получаете среднее профессиональное или высшее образование
Программа обучения
- ИИ и нейросети: основные принципы работы, аналогия с работой мозга: обучение на примерах, обобщение информации и адаптацию к новым данным
- Применение ИИ в разных отраслях. Риски и юридические аспекты защиты авторских прав, информационная безопасность
Ключевые принципы PE (четкость, конкретность, релеватность, консистетность, эмпиризм, итеративность)
- Продвинутые техники Prompt Engineering (краткий обзор, н-р, Few-shot Learning, Chain-of-Thought Prompting, Tree of Thoughts, ReAct,, Self-Consistency, Knowledge Generation)
- Специфика промтов для текстовых моделей
- Язык ввода: Русский vs. Английский и другие
- Трудности перевода (идиомы, культурные отсылки, искажение, «машинный» перевод Формат ответа. Рекомендации по формату ответа: текст, код, изображение
- Тестовые задачи, графические задачи. Галлюцинации в ИИ: виды, причины, как обнаружить, как уменьшить
От научной гипотезы к ИИ-задаче:
- Фреймворк переформулирования исследовательской проблемы в задачу для ИИ (классификация, регрессия, генерация, кластеризация).
- Критерии осуществимости: наличие и качество данных, вычислительная сложность, измеримость результата.
- Упрощенная схема: Постановка задачи -> Сбор/разметка данных -> Выбор модели/обучение -> Валидация и интерпретация -> Внедрение в научный процесс.
- Итеративность
- Ключевые роли в проекте (исследователь-предметник, data scientist, инженер).
- Вычислительные ресурсы: от Google Colab до университетских кластеров (критерии выбора).
- Данные как главный актив: объем, качество, стратегии разметки.
- Технические: "мусор на входе", переобучение, неинтерпретируемость (black box).
- Методологические: неправильная постановка задачи, нерелевантные метрики успеха.
- Ресурсные: нехватка данных, "исчезающие" вычисления.
- Традиционный подход vs ИИ-подход
- Использование ИИ для генерации гипотез: анализ больших данных, обработка текстов, генерация простых гипотез
- Важность критической оценки, проверка гипотез с помощью ИИ: статистический анализ, машинное обучение, моделирование.
- Ограничения и риски при использовании ИИ для проверки гипотез
- Фактчекинг с ИИ: инструменты для проверки гипотез, фейков, надежности источников и репутации
- Принципы эффективной визуализации: ясность, точность, эстетика. Примеры визуализации для научных публикаций.
- Типы визуализаций: графики (линейные, столбчатые, scatter plot), диаграммы (тепловые, древовидные), инфографика.
- Работа с большими фундаментальными моделями, обрабатывающими изображения, видео, 3D-данные, код.
- Инструменты и сервисы для визуализации
- Создание сложных визуализаций: структурирование запросов, указание формата вывода (JSON, CSV).
- Работа с мультимодальными моделями
- Визуализация для публикаций и презентаций: оптимизация графиков под требования научных публикаций, для печати и носителей в графических редакторах.
Тестирование
Результаты обучения
Освоите специализированные навыки промпт-инжиниринга для генерации качественных результатов
Научитесь работе с большими фундаментальными моделями, обрабатывающими изображения, видео, 3D-данные и код
Научитесь применять ИИ для генерации и проверки научных гипотез, а также для фактчекинга информации
Узнаете на реальных примерах, как использовать генеративный ИИ для научных открытий в разных областях
Сможете критически оценивать результаты работы ИИ, учитывая риски, ограничения и этические аспекты
Научитесь работе с большими фундаментальными моделями, обрабатывающими изображения, видео, 3D-данные и код
Научитесь применять ИИ для генерации и проверки научных гипотез, а также для фактчекинга информации
Узнаете на реальных примерах, как использовать генеративный ИИ для научных открытий в разных областях
Сможете критически оценивать результаты работы ИИ, учитывая риски, ограничения и этические аспекты
Оставить заявку на обучение
+7 (843) 203 92 53 доб. 333
Контакты
Разделы
Бот