Специализируйтесь в таких областях, как Индустрия 4.0, автоматизация производственных процессов, алгоритмы планирования роботов и многих других вопросах, созданных экспертами в области робототехники"

Бесспорно, робототехника привела к развитию промышленности до такого уровня, который невозможно было представить еще несколько лет назад. Сейчас уже привычно говорить о машинном обучении или искусственном интеллекте — областях, в которых робототехника может развиться и предложить почти футуристические решения повседневных или даже медицинских проблем с роботами-помощниками в сложных операциях.

Все это создает неоспоримые возможности для карьерного роста инженеров в этой области, так как они найдут множество направлений и проектов, на которых можно сфокусировать свою карьеру. Начиная с исключительно промышленной сферы и заканчивая аэрокосмическими технологиями и международными программами, нужная специализация в области робототехники может означать для инженера количественный и качественный скачок в его профессиональной карьере.

Именно поэтому для этой специализации TECH собрал целую команду лидеров в области робототехники с большим опытом участия в многочисленных международных проектах высокого уровня и безупречной академической программой. Такой преподавательский состав обеспечивает уникальную теоретико-практическую направленность всего курса, где инженер не только знакомится с новейшими разработками в области робототехники, искусственного интеллекта и систем связи, но и на практике применяет приобретенные знания в реальных рабочих условиях.

Благодаря многочисленным подробным видеоматериалам, дополнительной литературе, видеоконспектам и упражнениям для закрепления знаний инженер получит глобальное и специализированное видение современного положения дел в области робототехники и сможет включить в свой учебный план программу, позволяющую ему стать ценным сотрудником любой компании отрасли. А также, преимуществом обучения в этой Специализированной магистратуре является возможность учиться в своем собственном темпе, без необходимости ходить лично на занятия или следовать фиксированному расписанию. Это 100% онлайн-обучение, позволяющее с максимальной легкостью совмещать занятия с самой требовательной личной и профессиональной жизнью.

Присоединяйтесь к программе, где именно вы решаете, как, где и когда проходить обучение, не жертвуя ради этого своей личной или профессиональной жизнью”

Данная Специализированная магистратура в области робототехники содержит самую полную и современную образовательную программу на рынке. Наиболее характерными особенностями являются:

• Разработка практических кейсов, представленных экспертами в области робототехники
• Наглядное, схематичное и исключительно практичное содержание курса предоставляет научную и практическую информацию по тем дисциплинам, которые необходимы для осуществления профессиональной деятельности
• Практические упражнения для самостоятельной оценки, контроля и улучшения успеваемости
• Особое внимание уделяется инновационным методологиям
• Теоретические занятия, вопросы эксперту, дискуссионные форумы по спорным темам и самостоятельная работа
• Учебные материалы курса доступны с любого устройства с выходом в Интернет

Запишись на обучение прямо сейчас и не упусти возможность узнать больше о применении робототехники в технологиях виртуальной и дополненной реальности с виртуальными датчиками и смешанными приложениями на мобильных устройствах"

В преподавательский состав программы входят профессионалы отрасли, передающие студентам свой опыт работы, а также признанные специалисты, принадлежащие к ведущим научным сообществам и престижным университетам.

Мультимедийное содержание программы, разработанное с использованием новейших образовательных технологий, позволит студенту проходить обучение с учетом контекста и ситуации, т.е. в симулированной среде, обеспечивающей иммерсивный учебный процесс, запрограммированный на обучение в реальных ситуациях.

Структура этой программы основана на проблемно-ориентированном обучении, с помощью которого студент должен попытаться решить различные ситуации из профессиональной практики, возникающие в течение учебного курса. В этом специалисту поможет инновационная интерактивная видеосистема, созданная признанными экспертами.

Получите необходимый толчок к развитию своей карьеры, включив эту Специализированную магистратуру в свое ценностное предложение"

Освойте самую передовую и современную робототехнику с помощью специальным темам по SLAM Visual, Computer Vision и Visual Servoing"

Преподавательский состав, разработавший учебный план программы, использовал методику Relearning, отдавая предпочтение прогрессивному и естественному обучению в рамках всей программы. Это достигается благодаря повторению наиболее важных ключевых понятий в области робототехники и перспективной инженерии, чтобы студенту не пришлось тратить много часов на изучение этих знаний.

В ваших руках ключ к тому, чтобы направить свою инженерную карьеру в область робототехники. Не упускайте эту возможность и поступайте прямо сейчас”

Модуль 1. Робототехника: проектирование и моделирование роботов

1.1. Робототехника и индустрия 4.0

1.1.1. Робототехника и индустрия 4.0
1.1.2. Область применения и примеры использования
1.1.3. Области специализации по робототехнике

1.2. Структуры аппаратного и программного обеспечения роботов

1.2.1. Аппаратные структуры и реальное время
1.2.2. Структуры программного обеспечения роботов
1.2.3. Модели коммуникации и технологии промежуточного программного обеспечения
1.2.4. Интеграция программного обеспечения с Robot Operating System (ROS)

1.3. Математическое моделирование роботов

1.3.1. Математическое представление твердых тел
1.3.2. Вращения и перемещения
1.3.3. Иерархическое представление состояния
1.3.4. Распределенное представление состояний в ROS (библиотека TF)

1.4. Кинематика и динамика роботов

1.4.1. Кинематика
1.4.2. Динамика
1.4.3. Роботы с пониженной активностью
1.4.4. Резервные роботы

1.5. Моделирование и симуляция роботов

1.5.1. Технологии моделирования робота
1.5.2. Моделирование роботов с помощью URDF
1.5.3. Симуляция роботов
1.5.4. Моделирование с помощью симулятора Gazebo

1.6. Роботы-манипуляторы

1.6.1. Виды роботов-манипуляторов
1.6.2. Кинематика
1.6.3. Динамика
1.6.4. Моделирование

1.7. Наземные подвижные роботы

1.7.1. Виды наземных подвижных роботов
1.7.2. Кинематика
1.7.3. Динамика
1.7.4. Моделирование

1.8. Воздушные подвижные роботы

1.8.1. Виды воздушных подвижных роботов
1.8.2. Кинематика
1.8.3. Динамика
1.8.4. Моделирование

1.9. Водные подвижные роботы

1.9.1. Виды водных подвижных роботов
1.9.2. Кинематика
1.9.3. Динамика
1.9.4. Моделирование

1.10. Био-вдохновленная робототехника

1.10.1. Гуманоид
1.10.2. Роботы, имеющие четыре и более ног
1.10.3. Модульные роботы
1.10.4. Мягкие роботы (Soft-Robotics)

Модуль 2. Интеллектуальные агенты. Применение искусственного интеллекта для роботов и мягких роботов

2.1. Интеллектуальные агенты и искусственный интеллект

2.1.1. Интеллектуальные роботы. Искусственный интеллект
2.1.2. Интеллектуальные агенты

2.1.2.1. Агенты аппаратного обеспечения. Роботы
2.1.2.2. Агенты программного обеспечения. Мягкие роботы

2.1.3. Прикладные задачи робототехники

2.2. Связь между мозгом и алгоритмом

2.2.1. Биологическое вдохновение для искусственного интеллекта
2.2.2. Разум, реализованный в алгоритмах. Типология
2.2.3. Объяснимость результатов в алгоритмах искусственного интеллекта
2.2.4. Эволюция алгоритмов до глубокого обучения

2.3. Алгоритмы поиска в пространстве решений

2.3.1. Элементы поиска в пространстве решений
2.3.2. Алгоритмы поиска решений задач искусственного интеллекта
2.3.3. Применение алгоритмов поиска и оптимизации
2.3.4. Применение поисковых алгоритмов в машинном обучении

2.4. Машинное обучение

2.4.1. Машинное обучение
2.4.2. Алгоритмы контролируемого обучения
2.4.3. Алгоритмы обучения без контроля
2.4.4. Алгоритмы обучения с подкреплением

2.5. Контролируемое обучение:

2.5.1. Методы контролируемого обучения
2.5.2. Деревья решений для классификации
2.5.3. Машины с векторами поддержки
2.5.4. Искусственные нейронные сети
2.5.5. Области применения контролируемого обучения

2.6. Обучение без контроля

2.6.1. Обучение без контроля
2.6.2. Сеть Кохонена
2.6.3. Самоорганизующиеся карты
2.6.4. Метод k-средних

2.7. Обучение с подкреплением

2.7.1. Обучение с подкреплением
2.7.2. Агенты на базе марковских процессов
2.7.3. Алгоритмы обучения с подкреплением
2.7.4. Применение обучения с подкреплением в робототехнике

2.8. Искусственные нейронные сети и глубокое обучение

2.8.1. Искусственные нейронные сети. Типология
2.8.2. Применение нейронных сетей
2.8.3. Трансформация от машинного обучения к глубокому обучению
2.8.4. Применения  глубокого обучения

2.9. Вероятностный вывод

2.9.1. Вероятностный вывод
2.9.2. Виды выводов и определение метода
2.9.3. Байесовский вывод в качестве кейс-стади
2.9.4. Методы непараметрического вывода
2.9.5. Гауссов фильтр

2.10. От теории к практике: разработка интеллектуального роботизированного агента

2.10.1.  Включение модулей контролируемого обучения в роботизированный агент
2.10.2. Включение модулей с подкреплением обучения в роботизированный агент
2.10.3. Структура роботизированного агента, управляемого искусственным интеллектом
2.10.4. Профессиональные инструменты для создания интеллектуальных агентов
2.10.5. Этапы реализации алгоритмов искусственного интеллекта в роботах-агентах

Модуль 3. Робототехника в автоматизации технологических процессов

3.1. Проектирование автоматизированных систем

3.1.1. Структуры аппаратного обеспечения
3.1.2. Программируемые логические контроллеры
3.1.3. Промышленные сети связи

3.2. Усовершенствованное электротехническое проектирование I: автоматизация

3.2.1. Проектирование электрических щитов и символика
3.2.2. Схемы питания и управления. Гармоника
3.2.3. Элементы защиты и заземления

3.3. Усовершенствованное электротехническое проектирование II: детерминизм и безопасность

3.3.1. Безопасность и резервирование оборудования
3.3.2. Защитные реле и триггеры
3.3.3. ПЛК (Программируемый логический контроллер по обеспечению безопасности)
3.3.4. Безопасные сети

3.4. Электрические показатели

3.4.1. Двигатели и серводвигатели
3.4.2. Частотные преобразователи и контроллеры
3.4.3. Промышленная робототехника с электрическим приводом

3.5. Гидравлический и пневматический привод

3.5.1. Гидравлическая схема и символика
3.5.2. Пневматическая схема и символика
3.5.3. Среды ATEX в автоматизации

3.6. Преобразователи в робототехнике и автоматизации

3.6.1. Измерение положения и скорости
3.6.2. Измерение силы и температуры
3.6.3. Измерение присутствия
3.6.4. Датчики зрения

3.7. Программирование и конфигурирование программируемых логических контроллеров ПЛК

3.7.1. Программирование ПЛК: LD
3.7.2. Программирование ПЛК: ST
3.7.3. Программирование ПЛК: FBD и CFC
3.7.4. Программирование ПЛК: SFC

3.8. Программирование и конфигурирование оборудования на промышленных предприятиях

3.8.1. Программирование приводов и контроллеров
3.8.2. Программирование HMI
3.8.3. Программирование роботов-манипуляторов

3.9. Программирование и конфигурирование промышленного компьютерного оборудования

3.9.1. Программирование систем технического зрения
3.9.2. Программирование SCADA/программного обеспечения
3.9.3. Конфигурация сети

3.10. Внедрение автоматов

3.10.1. Проектирование машин состояний
3.10.2. Реализация машин состояний в ПЛК
3.10.3. Внедрение аналоговых систем управления ПИД в ПЛК
3.10.4. Поддержание автоматизации и гигиены кода
3.10.5. Моделирование автоматов и установок

Модуль 4. Системы автоматического управления в робототехнике

4.1. Анализ и проектирование нелинейных систем

4.1.1. Анализ и моделирование нелинейных систем
4.1.2. Управление с обратной связью
4.1.3. Линеаризация с помощью обратной связи

4.2. Проектирование методов управления развитыми нелинейными системами

4.2.1. Управление в скользящем режиме (Sliding Mode Control)
4.2.2. Управление по Ляпунову и бэкстеппинг
4.2.3. Управление на основе пассивности

4.3. Структуры управления

4.3.1. Парадигма робототехники
4.3.2. Структуры управления
4.3.3. Приложения и примеры структур управления

4.4. Управление движением роботизированных рук

4.4.1. Кинематическое и динамическое моделирование
4.4.2. Управление в суставном пространстве
4.4.3. Управление в оперативном пространстве

4.5. Управление усилием на исполнительных механизмах

4.5.1. Управление силами
4.5.2. Измерение импеданса
4.5.3. Гибридное управление

4.6. Наземные подвижные роботы

4.6.1. Уравнения движения
4.6.2. Методы контроля наземных роботов
4.6.3. Передвижные манипуляторы

4.7. Воздушные подвижные роботы

4.7.1. Уравнения движения
4.7.2. Методы контроля воздушных роботов
4.7.3. Манипуляции в воздухе

4.8. Управление на основе методов машинного обучения

4.8.2. Управление с помощью контролируемого обучения
4.8.3. Управление через обучение с подкреплением
4.8.4. Управление с помощью обучения без контроля

4.9. Управление на основе технического зрения

4.9.1. Позиционноевизуальное сервоуправление 
4.9.2. Визуальное сервоуправление на основе изображений
4.9.3. Гибридное визуальное сервоуправление 

4.10. Предиктивное управление

4.10.1. Моделирование и оценка состояния
4.10.2. MPC применительно к подвижным роботам
4.10.3. MPC применительно к беспилотным летательным аппаратам

Модуль 5. Алгоритмы планирования роботов

5.1. Классические алгоритмы планирования 

5.1.1. Дискретное планирование: пространство состояний
5.1.2. Проблемы планирования в робототехнике Модели системы робототехники
5.1.3. Классификация проектировщиков

5.2. Проблема планирования траектории перемещения подвижных роботов

5.2.1. Способы представления среды: графы
5.2.2. Алгоритмы графического поиска
5.2.3. Включение затрат в графы
5.2.4. Алгоритмы поиска в тяжелых графах
5.2.5. Алгоритмы с произвольным угловым приближением

5.3. Планирование в робототехнических системах высокой размерности

5.3.1. Высокоразмерные задачи робототехники: манипуляторы
5.3.2. Прямая/инверсная кинематическая модель
5.3.3. Алгоритмы планирования выборки PRM и RRT
5.3.4. Планирование с учетом динамических ограничений

5.4. Оптимальное планирование выборки

5.4.1. Проблемы планирования на основе выборки
5.4.2. Концепция вероятностной оптимальности RRT
5.4.3. Шаг пересоединения: динамические ограничения
5.4.4. CForest. Параллелизация планирования

5.5. Реальное внедрение системы планирования движения

5.5.1. Общая задача планирования. Динамические среды
5.5.2. Цикл действий, сенсоризация Получение информации из окружающей среды
5.5.3. Локальное и глобальное планирование

5.6. Координация в многороботных системах I: централизованная система

5.6.1. Задача координации работы нескольких роботов
5.6.2. Обнаружение и разрешение коллизий: модификация траектории с помощью генетических алгоритмов
5.6.3. Другие биоинспирированные алгоритмы: рой частиц и фейерверк
5.6.4. Алгоритм предотвращения столкновений путем выбора маневра

5.7. Координация в многороботных системах II: распределенные подходы I

5.7.1. Использование сложных целевых функций
5.7.2. Фронт Парето
5.7.3. Многоцелевые эволюционные алгоритмы

5.8. Координация в многороботных системах III: распределенные подходы II

5.8.1. Системы планирования порядка 1
5.8.2. Алгоритм ORCA
5.8.3. Добавление кинематических и динамических ограничений в ORCA

5.9. Теория планирования на основе принятия решений

5.9.1. Теория принятия решений
5.9.2. Системы последовательного принятия решений
5.9.3. Датчики и информационные пространства
5.9.4. Планирование с учетом неопределенности в зондировании и управлении

5.10. Системы планирования обучения подкреплением

5.10.1. Получение ожидаемого вознаграждения от системы
5.10.2. Методы обучения со средним вознаграждением
5.10.3. Обратное обучение с подкреплением

Модуль 6. Методы машинного зрения в робототехнике: обработка и анализ изображений 

6.1. Компьютерное зрение

6.1.1. Компьютерное зрение
6.1.2. Элементы системы компьютерного зрения
6.1.3. Математические инструменты

6.2. Оптические сенсоры для робототехники

6.2.1. Пассивные оптические сенсоры
6.2.2. Активные оптические сенсоры
6.2.3. Неоптические сенсоры

6.3. Получение изображений

6.3.1. Представление изображений
6.3.2. Цветовое пространство
6.3.3. Процесс оцифровки

6.4. Геометрия изображений

6.4.1. Модели объективов
6.4.2. Модели камер
6.4.3. Калибровка камеры

6.5. Математические инструменты

6.5.1. Гистограмма изображения
6.5.2. Конволюция
6.5.3. Преобразования Фурье

6.6. Предварительная обработка изображений

6.6.1. Анализ шумов
6.6.2. Сглаживание изображений
6.6.3. Повышение качества изображения

6.7. Сегментация изображений

6.7.1. Контурные технологии
6.7.2. Методы, основанные на гистограммах
6.7.3. Морфологические операции

6.8. Определение особенностей изображения

6.8.1. Обнаружение точек интереса
6.8.2. Дескрипторы характеристик
6.8.3. Соответствия между характеристиками

6.9. Системы трехмерного видения

6.9.1. 3D-восприятие 
6.9.2. Согласование характеристик изображений
6.9.3. Многоракурсная геометрия

6.10. Локализация на основе искусственного зрения

6.10.1. Проблема локализации роботов
6.10.2. Визуальная одометрия
6.10.3. Сенсорное слияние

Модуль 7. Системы визуального восприятия роботов с применением машинного обучения

7.1. Методы бесконтрольного обучения, применяемые в машинном зрении

7.1.1. Кластеризация
7.1.2. PCA
7.1.3. Nearest Neighbors
7.1.4. Подобие и разложение матриц

7.2. Методы контролируемого обучения применительно к машинному зрению

7.2.1. Концепция "Мешок слов"
7.2.2. Векторная машина поддержки
7.2.3. Latent Dirichlet Allocation
7.2.4. Нейронные сети

7.3. Глубокие нейронные сети: структуры, Backbones и трансферное обучение

7.3.1. Слои, формирующие характеристики

7.3.3.1. VGG
7.3.3.2. Densenet
7.3.3.3. ResNet
7.3.3.4. Inception
7.3.3.5. GoogLeNet

7.3.2. Трансферное обучение
7.3.3. Данные. Подготовка к обучению

7.4. Машинное зрение с глубоким обучением I: обнаружение и сегментация

7.4.1. Различия и сходства YOLO и SSD
7.4.2. Unet
7.4.3. Другие структуры

7.5. Машинное зрение с глубоким обучением II: Generative Adversarial Networks

7.5.1. Сверхразрешающая визуализация с использованием GAN
7.5.2. Создание реалистичных изображений
7.5.3. Scene Understanding

7.6. Методы обучения для локализации и картографирования в мобильной робототехнике

7.6.1. Обнаружение и перемещение замыкания шлейфа
7.6.2. Magic Leap Super Point и Super Glue
7.6.3. Depth from Monocular

7.7. Байесовский вывод и 3D-моделирование

7.7.1. Байесовские модели и "классическое" обучение
7.7.2. Неявные поверхности с гауссовскими процессами (GPIS)
7.7.3. 3D-сегментация с использованием GPIS
7.7.4. Нейронные сети для моделирования 3D-поверхностей

7.8. End-to-End приложения глубоких нейронных сетей

7.8.1. Система End-to-End Пример идентификации лиц
7.8.2. Манипулирование объектами с помощью визуальных датчиков
7.8.3. Формирование и планирование движения с помощью визуальных датчиков

7.9. Облачные технологии для ускорения разработки алгоритмов Deep Learning

7.9.1. Использование GPU для глубокого обучения
7.9.2. Agile-разработка с использованием Google Colab
7.9.3. Удаленные GPU, Google Cloud и AWS

7.10. Развертывание нейронных сетей в реальных приложениях

7.10.1. Встроенные системы
7.10.2. Развертывание нейронных сетей. Применение
7.10.3. Оптимизация сети при развертывании, пример с TensorRT

Модуль 8. Визуальная система SLAM. Одновременная локализация и картографирование роботов с помощью методов машинного зрения

8.1. Одновременная локализация и картирование (SLAM)

8.1.1. Одновременная локализация и картирование. SLAM
8.1.2. Приложения SLAM
8.1.3. Принцип работы SLAM

8.2. Проективная геометрия

8.2.1. Модель Pin-Hole
8.2.2. Оценка внутренних параметров камеры
8.2.3. Гомография, основные принципы и оценка
8.2.4. Фундаментальная матрица, принципы и оценка

8.3. Гауссов фильтр

8.3.1. Фильтр Калмана
8.3.2. Информационный фильтр
8.3.3. Настройка и параметризация гауссовских фильтров

8.4. Стерео EKF-SLAM

8.4.1. Геометрия стереокамеры
8.4.2. Извлечение признаков и поиск
8.4.3. Фильтр Калмана для стерео SLAM
8.4.4. Настройки стереопараметров EKF-SLAM

8.5. Монокулярная система EKF-SLAM

8.5.1. Параметризация ориентиров в EKF-SLAM
8.5.2. Фильтр Калмана для монокулярного SLAM
8.5.3. Настройка параметров монокулярного EKF-SLAM

8.6. Обнаружение замыкания шлейфа

8.6.1. Алгоритм полного перебора
8.6.2. FABMAP
8.6.3. Абстрагирование с использованием GIST и HOG
8.6.4. Обнаружение с помощью глубокого обучения

8.7. Graph-SLAM

8.7.1. Graph-SLAM
8.7.2. RGBD-SLAM
8.7.3. ORB-SLAM

8.8. Direct Visual SLAM

8.8.1. Анализ алгоритма Direct Visual SLAM
8.8.2. LSD-SLAM
8.8.3. SVO

8.9. Visual Inertial SLAM

8.9.1. Интеграция инерциальных измерений
8.9.2. Низкое сопряжение: SOFT-SLAM
8.9.3. Высокое сопряжение: Vins-Mono

8.10. Другие технологии SLAM

8.10.1. Приложения помимо SLAM visual
8.10.2. Lidar-SLAM
8.10.2. Range-only SLAM

Модуль 9. Применение технологий дополненной и виртуальной реальности в робототехнике

9.1. Иммерсивные технологии в робототехнике

9.1.1. Виртуальная реальность в робототехнике
9.1.2. Дополненная реальность в робототехнике
9.1.3. Смешанная реальность в робототехнике
9.1.4. Разница между реальностями

9.2. Конструкция виртуального окружения

9.2.1. Материалы и текстуры
9.2.2. Освещение
9.2.3. Виртуальные звуки и запахи

9.3. Моделирование роботов в виртуальных средах

9.3.1. Геометрическое моделирование
9.3.2. Физическое моделирование
9.3.3. Стандартизация моделей

9.4. Моделирование динамики и кинематики роботов: виртуальные физические движки

9.4.1. Физические движки. Типология
9.4.2. Конфигурация физического движка
9.4.3. Физические движки в промышленности

9.5. Платформы, периферийные устройства и инструменты, наиболее используемые в виртуальной реальности

9.5.1. Средства просмотра виртуальной реальности
9.5.2. Периферийные устройства взаимодействия
9.5.3. Виртуальные датчики

9.6. Системы дополненной реальности

9.6.1. Вставка виртуальных элементов в реальность
9.6.2. Типы визуальных маркеров
9.6.3. Технологии дополненной реальности

9.7. Метавселенная: виртуальные среды интеллектуальных агентов и людей

9.7.1. Создание аватаров
9.7.2. Интеллектуальные агенты в виртуальных средах
9.7.3. Построение многопользовательских сред для VR/AR

9.8. Создание проектов виртуальной реальности для робототехники

9.8.1. Этапы разработки проекта виртуальной реальности
9.8.2. Внедрение систем виртуальной реальности
9.8.3. Ресурсы виртуальной реальности

9.9. Создание проектов дополненной реальности для робототехники

9.9.1. Этапы разработки проекта дополненной реальности
9.9.2. Развертывание проектов дополненной реальности
9.9.3. Ресурсы дополненной реальности

9.10. Телеуправление роботами с помощью мобильных устройств

9.10.1. Смешанная реальность на мобильных устройствах
9.10.2. Иммерсивные системы с использованием датчиков мобильных устройств
9.10.3. Примеры мобильных проектов

Модуль 10. Системы связи и взаимодействия с роботами

10.1. Распознавание речи: стохастические системы

10.1.1. Акустическое моделирование речи
10.1.2. Скрытые марковские модели
10.1.3. Лингвистическое моделирование речи: N-грамматики, BNF-грамматики

10.2. Распознавание речи: Глубокое обучение (Deep Learning)

10.2.1. Глубокие нейронные сети
10.2.2. Рекуррентные нейронные сети
10.2.3. LSTM-клетки

10.3. Распознавание речи: просодия и влияние окружающей среды

10.3.1. Окружающий шум
10.3.2. Распознавание по нескольким участникам
10.3.3. Речевые патологии

10.4. Понимание естественного языка: эвристические и вероятностные системы

10.4.1. Синтаксико-семантический анализ: лингвистические правила
10.4.2. Понимание на основе эвристических правил
10.4.3. Вероятностные системы: логистическая регрессия и SVM
10.4.4. Понимание на основе нейронных сетей

10.5. Управление диалогом: эвристические/вероятностные стратегии

10.5.1. Намерение собеседника
10.5.2. Диалог на основе шаблонов
10.5.3. Стохастическое управление диалогом: байесовские сети

10.6. Управление диалогом: передовые стратегии

10.6.1. Системы обучения на основе подкрепления
10.6.2. Системы на основе нейронных сетей
10.6.3. От речи к намерениям в единой сети

10.7. Формирование ответов и синтез речи

10.7.1. Формирование ответа: от идеи до связного текста
10.7.2. Синтез речи методом конкатенации
10.7.3. Стохастический синтез речи

10.8. Адаптация и контекстуализация диалога

10.8.1. Инициатива диалога
10.8.2. Адаптация к говорящему
10.8.3. Адаптация к контексту диалога

10.9. Роботы и социальное взаимодействие: распознавание, синтез и выражение эмоций

10.9.1. Парадигмы искусственного голоса: роботизированный голос и естественный голос
10.9.2. Распознавание эмоций и анализ чувств
10.9.3. Синтез эмоционального голоса

10.10. Роботы и социальное взаимодействие: усовершенствованные мультимодальные интерфейсы

10.10.1. Сочетание голосового и сенсорного интерфейсов
10.10.2. Распознавание и перевод языка жестов
10.10.3. Визуальные аватары: перевод с голоса на язык жестов