Тема 1.1. Основные понятия машинного обучения.
Машинное обучение, глубокое машинное обучение, искусственный интеллект. Задачи, решаемые и потенциально решаемые с использованием ИИ в химии и материаловедении.

Тема 1.2. Глубокие нейронные сети.
Глубокие нейронные сети и о их обучения. Обучающие наборы данных. Особенности работы с нейронными сетями в научной деятельности.

Тема 1.3. Нейронные сети в анализе микроскопических изображений: современное состояние дел.
Задачи классификации и сегментации, динамический анализ. Базовые схемы работы для решения поставленных задач. Разбор конкретных случаев.

Тема 1.4. Анализ спектроскопических данных с использованием глубоких нейронных сетей.
Особенности работы по анализу спектроскопических данных с использованием глубоких нейронных сетей.

Тема 2.1. Постановка задачи.
Поиск и измерение объектов на изображениях. Классические подходы к решению проблемы. Ручной анализ.

Тема 2.2. Применении глубоких нейронных сетей для сегментации изображений.
Общая схема. Разметка данных для создания обучающего набора данных. Метрики обучения. Оценка результата обучения. Требования к оборудованию, нейронные сети, имеющиеся в открытом доступе.

Тема 2.3. Особенности обучения нейронных сетей на примере сервисов платформы iOk.
Программа Lableme для разметки изображений. Влияние разметки на результат распознавания. Возможности он лайн приложений по распознаванию изображений.

Тема 3.1. Метод РФЭС
Физические принципы метода РФЭС. Физические особенности спектров РФЭС. Математическое описание спектров. Извлекаемая информация для анализа.

Тема 3.2. Интеграция глубокой нейронной сети в конвейер для анализа спектров
Задачи, решаемые нейронной сетью при анализе спектров. Интеграция нейронной сети в конвейер для анализа данных. Метрики и оценка результата. Графический интерфейс. Ускорение анализа при применении нейронной сети.