Программа повышения квалификации по ИИ в автономном судовождении

Внедрение и оптимизация алгоритмов машинного обучения в системах автономного судовождения

• 1.1. Математические и статистические основы машинного обучения для автономного судовождения: линейная алгебра, дифференциальное исчисление, теория вероятностей и байесовская статистика
• 1.2. Предварительная обработка и очистка данных датчиков: фильтрация шумов, нормализация, балансировка и обнаружение аномалий в данных радара, LIDAR, камер и GNSS
• 1.3. Проектирование архитектур моделей обучения с учителем, без учителя и с подкреплением, адаптированных к динамичной морской среде
• 1.4. Практическая реализация классических алгоритмов: логистическая регрессия, SVM, деревья решений и Random Forest для обнаружения препятствий и классификации маршрутов
• 1.5. Глубокие нейронные сети и свёрточные архитектуры (CNN) для распознавания объектов и обработки подводных и аэрофотоснимков
• 1.6. Модели обучения с подкреплением (Reinforcement Learning) для принятия решений в реальном времени при автономном судовождении, включая Q-learning и методы на основе стратегий
• 1.7. Оптимизация гиперпараметров передовыми методами: поиск по сетке, байесовская оптимизация и эволюционные алгоритмы для максимизации точности и эффективности системы
• 1.8. Интеграция алгоритмов слияния данных датчиков для повышения устойчивости и живучести системы в неблагоприятных условиях и при неопределённости
• 1.9. Развёртывание моделей на бортовом встраиваемом оборудовании: вычисления в реальном времени, энергопотребление и задержки в системах автономного судовождения
• 1.10. Валидация и испытания производительности: специфические метрики автономного судовождения, моделирование в виртуальной среде и натурные испытания