Эта Специализированная магистратура на 100% онлайн позволит вам оптимизировать процессы проектирования и строительства с помощью таких инструментов, как генеративное моделирование, предиктивное моделирование и энергоэффективность на основе искусственного интеллекта”

Искусственный интеллект (ИИ) стремительно преобразует архитектуру, предлагая новые инструменты для проектирования, планирования и строительства зданий с большей эффективностью и устойчивостью. Использование искусственного интеллекта в архитектуре расширяется, позволяя архитекторам оптимизировать проекты с помощью передовых методов моделирования, учитывающих такие переменные, как естественное освещение, вентиляция и энергопотребление.

Так появилась эта Специализированная магистратура, призванная обучить архитекторов использованию передовых технологий для переворота в процессе проектирования и строительства. В этом смысле она будет анализировать, как искусственный интеллект может оптимизировать и трансформировать традиционную архитектурную практику. Благодаря использованию таких инструментов, как AutoCAD и Fusion 360, а также знакомству с генеративным моделированием и параметрическим проектированием, специалисты смогут интегрировать эти инновации в свои проекты.

Они также изучат возможности использования искусственного интеллекта для оптимизации пространства и повышения энергоэффективности – ключевых элементов современной архитектуры. С помощью таких инструментов, как Autodesk Revit и Google DeepMind, можно будет проектировать более устойчивые среды благодаря анализу данных и продвинутому энергетическому моделированию. Этот подход также будет дополнен внедрением интеллектуального городского планирования, отвечающего требованиям устойчивого проектирования во все более сложных городских условиях.

В завершение эксперты расскажут о передовых технологиях, таких как Grasshopper, MATLAB и инструменты лазерного сканирования, для разработки инновационных и устойчивых проектов. Помимо этого, благодаря имитационному и прогностическому моделированию они смогут предвидеть и решать структурные и экологические проблемы еще до их возникновения.

Таким образом, TECH создал подробную, полностью онлайн-программу университета, позволяющую студентам получать доступ к учебным материалам с помощью любого электронного устройства с выходом в Интернет. Это избавляет от необходимости ехать в физическое место и подстраиваться под определенное расписание. К тому же в программу интегрирована инновационная методология Relearning, основанная на повторении основных понятий для улучшения понимания содержания.

Вы будете занимать передовые позиции в отрасли, возглавляя инновационные и устойчивые проекты, в которых используются новейшие технологии, что повысит вашу конкурентоспособность и расширит возможности на мировом рынке труда”

Данная Специализированная магистратура в области искусственного интеллекта в архитектуре содержит самую полную и современную образовательную программу на рынке. Основными особенностями обучения являются:

• Разбор практических кейсов, представленных экспертами в области искусственного интеллекта
• Наглядное, схематичное и исключительно практическое содержание программы предоставляет актуальную и практическую информацию по тем дисциплинам, которые необходимы для профессиональной деятельности
• Практические упражнения для самооценки, 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 стационарного или мобильного устройства с выходом в интернет

Вы изучите важность сохранения культурного наследия, используя искусственный интеллект для сохранения и возрождения исторических структур, благодаря обширной библиотеке мультимедийных ресурсов”

В преподавательский состав программы входят профессионалы отрасли, которые привносят в обучение опыт своей работы, а также признанные специалисты из ведущих сообществ и престижных университетов.

Мультимедийное содержание программы, разработанное с использованием новейших образовательных технологий, позволит специалисту проходить обучение с учетом ситуации и контекста, т.е. в такой среде, которая обеспечит погружение в учебный процесс, запрограммированный на обучение в реальных ситуациях.

Структура этой программы основана на проблемно-ориентированном обучении, с помощью которого специалист должен попытаться разрешать различные ситуации из профессиональной практики, возникающие в течение учебного курса. В этом специалисту будет помогать инновационная система интерактивных видеоматериалов, созданная признанными экспертами.

Вы освоите такие платформы, как Autodesk Revit, SketchUp и Google DeepMind, развивая навыки проектирования более устойчивых и эффективных сред, под руководством лучшего цифрового университета в мире, по версии Forbes"

Вы будете работать с такими инструментами, как Grasshopper и Autodesk Fusion 360, чтобы создавать адаптивные и устойчивые конструкции, изучать интеграцию робототехники в строительство и кастомизацию в цифровом производстве"

Содержание Специализированной магистратуры охватывает широкий спектр тем, направленных на интеграцию передовых технологий в архитектурный процесс. Так, архитекторы погрузятся в использование искусственного интеллекта для улучшения архитектурного проектирования, изучая такие инструменты, как AutoCAD, Fusion 360 и Grasshopper для генеративного моделирования и параметрического проектирования. В дополнение к этому программа будет посвящена оптимизации энергоэффективности и планированию пространства с помощью анализа данных и моделирования с использованием таких программ, как Autodesk Revit и Google DeepMind.

Вы будете создавать инновационные и креативные архитектурные модели, используя передовые инструменты моделирования, такие как MATLAB”

Модуль 1. Основы искусственного интеллекта

1.1. История искусственного интеллекта

1.1.1. Когда мы начали говорить об искусственном интеллекте?
1.1.2. Упоминания в кино
1.1.3. Важность искусственного интеллекта
1.1.4. Технологии, обеспечивающие и поддерживающие искусственный интеллект

1.2. Искусственный интеллект в играх

1.2.1. Теория игр
1.2.2. Минимакс и Альфа-бета-отсечение
1.2.3. Моделирование: Монте-Карло

1.3. Нейронные сети

1.3.1. Биологические основы
1.3.2. Вычислительная модель
1.3.3. Контролируемые и неконтролируемые нейронные сети
1.3.4. Простой перцептрон
1.3.5. Многослойный перцептрон

1.4. Генетические алгоритмы

1.4.1. История
1.4.2. Биологическая основа
1.4.3. Кодирование проблемы
1.4.4. Генерация начальной популяции
1.4.5. Основной алгоритм и генетические операторы
1.4.6. Оценка отдельных лиц: Fitness

1.5. Тезаурусы, словари, таксономии

1.5.1. Словари
1.5.2. Таксономия
1.5.3. Тезаурусы
1.5.4. Онтологии
1.5.5. Представление знаний: семантическая паутина

1.6. Семантическая паутина

1.6.1. Спецификация: RDF, RDFS и OWL
1.6.2. Выводы/рассуждения
1.6.3. Linked Data

1.7. Экспертные системы и DSS

1.7.1. Экспертные системы
1.7.2. Системы поддержки принятия решений

1.8. Чат-боты и виртуальные помощники

1.8.1. Типы помощников: голосовые и текстовые помощники
1.8.2. Основополагающие детали для развития помощника: Намерения, сущности и поток диалога
1.8.3. Интеграция: web, Slack, Whatsapp, Facebook
1.8.4. Инструменты разработки помощников: Dialog Flow, Watson Assistant

1.9. Стратегия и внедрение ИИ
1.10. Будущее искусственного интеллекта

1.10.1. Мы понимаем, как определять эмоции с помощью алгоритмов
1.10.2. Создание личности: язык, выражения и содержание
1.10.3. Тенденции искусственного интеллекта
1.10.4. Размышления

Модуль 2. Виды и жизненный цикл данных

2.1. Статистика

2.1.1. Статистика: описательная статистика, статистические выводы
2.1.2. Население, выборка, индивидуум
2.1.3. Переменные: определение, шкалы измерения

2.2. Типы статистических данных

2.2.1. По типу

2.2.1.1. Количественные: непрерывные данные и дискретные данные
2.2.1.2. Качественные: биномиальные данные, номинальные данные, порядковые данные

2.2.2. По форме

2.2.2.1. Числовые
2.2.2.2. Текст
2.2.2.3. Логические

2.2.3. Согласно источнику

2.2.3.1. Первичные
2.2.3.2. Вторичные

2.3. Жизненный цикл данных

2.3.1. Этапы цикла
2.3.2. Основные этапы цикла
2.3.3. Принципы FAIR

2.4. Начальные этапы цикла

2.4.1. Определение целей
2.4.2. Определение необходимых ресурсов
2.4.3. Диаграмма Ганта
2.4.4. Структура данных

2.5. Сбор данных

2.5.1. Методология сбора
2.5.2. Инструменты сбора
2.5.3. Каналы сбора

2.6. Очистка данных

2.6.1. Этапы очистки данных
2.6.2. Качество данных
2.6.3. Работа с данными (с помощью R)

2.7. Анализ данных, интерпретация и оценка результатов

2.7.1. Статистические меры
2.7.2. Индексы отношений
2.7.3. Добыча данных

2.8. Хранилище данных (datawarehouse)

2.8.1. Элементы, входящие в его состав
2.8.2. Разработка
2.8.3. Аспекты, которые следует учитывать

2.9. Доступность данных

2.9.1. Доступ
2.9.2. Полезность
2.9.3. Безопасность

2.10. Нормативно-правовые аспекты

2.10.1. Закон о защите данных
2.10.2. Передовая практика
2.10.3. Другие нормативные аспекты

Модуль 3. Данные в искусственном интеллекте

3.1. Наука о данных

3.1.1. Наука о данных
3.1.2. Передовые инструменты для исследователя данных

3.2. Данные, информация и знания

3.2.1. Данные, информация и знания
3.2.2. Типы данных
3.2.3. Источники данных

3.3. От данных к информации

3.3.1. Анализ данных
3.3.2. Виды анализа
3.3.3. Извлечение информации из набора данных

3.4. Извлечение информации путем визуализации

3.4.1. Визуализация как инструмент анализа
3.4.2. Методы визуализации
3.4.3. Визуализация набора данных

3.5. Качество данных

3.5.1. Данные о качестве
3.5.2. Очистка данных
3.5.3. Основная предварительная обработка данных

3.6. Набор данных

3.6.1. Обогащение набора данных
3.6.2. Проклятие размерности
3.6.3. Модификация нашего набора данных

3.7. Выведение из равновесия

3.7.1. Дисбаланс классов
3.7.2. Методы устранения дисбаланса
3.7.3. Сбалансированность набора данных

3.8. Модели без контроля

3.8.1. Модель без контроля
3.8.2. Методы
3.8.3. Классификация с помощью моделей без контроля

3.9. Модели под контролем

3.9.1. Модель под контролем
3.9.2. Методы
3.9.3. Классификация с помощью моделей под контролем

3.10. Инструменты и передовой опыт

3.10.1. Передовая практика для специалиста по исследованию данных
3.10.2. Лучшая модель
3.10.3. Полезные инструменты

Модуль 4. Добыча данных. Отбор, предварительная обработка и преобразование

4.1. Статистический вывод

4.1.1. Описательная статистика vs. Статистическое заключение
4.1.2. Параметрические методы
4.1.3. Непараметрические методы

4.2. Исследовательский анализ

4.2.1. Описательный анализ
4.2.2. Визуализация
4.2.3. Подготовка данных

4.3. Подготовка данных

4.3.1. Интеграция и очистка данных
4.3.2. Нормализация данных
4.3.3. Преобразование данных

4.4. Отсутствующие данные

4.4.1. Обработка отсутствующих значений
4.4.2. Метод максимального правдоподобия
4.4.3. Обработка отсутствующих данных в машинном обучении

4.5. Шум в данных

4.5.1. Классы и признаки шума
4.5.2. Фильтрация шумов
4.5.3. Шумовой эффект

4.6. Проклятие размерности

4.6.1. Oversampling
4.6.2. Undersampling
4.6.3. Редукция многомерных данных

4.7. От непрерывных к дискретным признакам

4.7.1. Непрерывные и дискретные данные
4.7.2. Процесс дискретизации

4.8. Данные

4.8.1. Выбор данных
4.8.2. Перспективы и критерии отбора
4.8.3. Методы отбора

4.9. Выбор экземпляров

4.9.1. Методы выбора экземпляра
4.9.2. Выбор прототипов
4.9.3. Расширенные методы выбора экземпляра

4.10. Предварительная обработка больших данных

Модуль 5. Алгоритм и сложность в искусственном интеллекте

5.1. Введение в шаблоны разработки алгоритмов

5.1.1. Рекурсия
5.1.2. "Разделяй и властвуй"
5.1.3. Другие стратегии

5.2. Эффективность и анализ работы алгоритмов

5.2.1. Меры эффективности
5.2.2. Измерение объема данных на входе
5.2.3. Измерение времени выполнения
5.2.4. Случаи: худший, лучший и средний
5.2.5. Асимптотическая нотация
5.2.6. Критерии математического анализа нерекурсивных алгоритмов
5.2.7. Критерии математического анализа рекурсивных алгоритмов
5.2.8. Эмпирический анализ алгоритмов

5.3. Алгоритмы сортировки

5.3.1. Концепция сортировки
5.3.2. Пузырьковая сортировка
5.3.3. Сортировка выбором
5.3.4. Сортировка вставками
5.3.5. Сортировка слиянием (Merge_Sort)
5.3.6. Быстрая сортировка (Quick_Sort)

5.4. Алгоритмы с применением деревьев

5.4.1. Концепция дерева
5.4.2. Бинарные деревья
5.4.3. Обходы деревьев
5.4.4. Представление выражений
5.4.5. Упорядоченные бинарные деревья
5.4.6. Сбалансированные бинарные деревья

5.5. Алгоритмы с применением кучей

5.5.1. Что такое кучи
5.5.2. Алгоритм сортировки кучей
5.5.3. Очереди с приоритетом

5.6. Алгоритмы на графах

5.6.1. Представление
5.6.2. Обход в ширину
5.6.3. Обход в глубину
5.6.4. Топологическая сортировка

5.7. Жадные алгоритмы

5.7.1. Жадная стратегия
5.7.2. Элементы жадной стратегии
5.7.3. Обмен монет
5.7.4. Задача коммивояжера
5.7.5. Задача о рюкзаке

5.8. Поиск кратчайших путей

5.8.1. Задача о кратчайшем пути
5.8.2. Отрицательные дуги и циклы
5.8.3. Алгоритм Дейкстры

5.9. Жадные алгоритмы на графах

5.9.1. Минимальное остовное дерево
5.9.2. Алгоритм Прима
5.9.3. Алгоритм Краскала
5.9.4. Анализ сложности

5.10. Техника Backtracking

5.10.1. Техника Backtracking
5.10.2. Альтернативные техники

Модуль 6. Интеллектуальные системы

6.1. Теория агентов

6.1.1. История концепции
6.1.2. Определение агента
6.1.3. Агенты в системах искусственного интеллекта
6.1.4. Агенты в программной инженерии

6.2. Архитектуры агентов

6.2.1. Процесс рассуждения агента
6.2.2. Реактивные агенты
6.2.3. Дедуктивные агенты
6.2.4. Гибридные агенты
6.2.5. Сравнение

6.3. Информация и знания

6.3.1. Различие между данными, информацией и знаниями
6.3.2. Оценка качества данных
6.3.3. Методы сбора данных
6.3.4. Методы получения информации
6.3.5. Методы приобретения знаний

6.4. Представление знаний

6.4.1. Важность представления знаний
6.4.2. Определение представления знаний через их роли
6.4.3. Характеристики представления знаний

6.5. Онтологии

6.5.1. Введение в метаданные
6.5.2. Философская концепция онтологии
6.5.3. Вычислительная концепция онтологии
6.5.4. Онтологии доменов и онтологии более высокого уровня
6.5.5. Как создать онтологию?

6.6. Онтологические языки и программное обеспечение для создания онтологий

6.6.1. Семантическая тройка RDF, Turtle и N
6.6.2. Схема RDF
6.6.3. OWL
6.6.4. SPARQL
6.6.5. Знакомство с различными инструментами для создания онтологий
6.6.6. Установка и использование Protégé

6.7. Семантическая паутина

6.7.1. Текущее состояние и будущее семантической паутины
6.7.2. Семантические веб-приложения

6.8. Другие модели представления знаний

6.8.1. Словари
6.8.2. Обзор
6.8.3. Таксономия
6.8.4. Тезаурусы
6.8.5. Фолксономии
6.8.6. Сравнение
6.8.7. Карты разума

6.9. Оценка и интеграция представлений знаний

6.9.1. Логика нулевого порядка
6.9.2. Логика первого порядка
6.9.3. Дескрипционная логика
6.9.4. Взаимосвязь между различными типами логики
6.9.5. Пролог: программирование на основе логики первого порядка

6.10. Семантические анализаторы, системы, основанные на знаниях, и экспертные системы

6.10.1. Концепция анализатора
6.10.2. Применение анализатора
6.10.3. Системы, основанные на знаниях
6.10.4. MYCIN, история экспертных систем
6.10.5. Элементы и архитектура экспертных систем
6.10.6. Создание экспертных систем

Модуль 7. Машинное обучение и добыча данных

7.1. Введение в процессы обнаружения знаний и основные концепции машинного обучения

7.1.1. Ключевые понятия процесса обнаружения знаний
7.1.2. Исторический взгляд процесса обнаружения знаний
7.1.3. Этапы процесса обнаружения знаний
7.1.4. Методы, используемые в процессах обнаружения знаний
7.1.5. Характеристики хороших моделей машинного обучения
7.1.6. Типы информации машинного обучения
7.1.7. Основные концепции обучения
7.1.8. Основные концепции обучения без контроля

7.2. Исследование и предварительная обработка данных

7.2.1. Обработка данных
7.2.2. Обработка данных в потоке анализа данных
7.2.3. Типы данных
7.2.4. Преобразование данных
7.2.5. Визуализация и исследование непрерывных переменных
7.2.6. Визуализация и исследование категориальных переменных
7.2.7. Корреляционные меры
7.2.8. Наиболее распространенные графические представления
7.2.9. Введение в многомерный анализ и снижение размерности

7.3. Деревья решений

7.3.1. Алгоритм ID
7.3.2. Алгоритм C
7.3.3. Перегрузка и обрезка
7.3.4. Анализ результатов

7.4. Оценка классификаторов

7.4.1. Матрицы путаницы
7.4.2. Матрицы численной оценки
7.4.3. Kappa-статистика
7.4.4. ROC-кривая

7.5. Правила классификации

7.5.1. Меры по оценке правил
7.5.2. Введение в графическое представление
7.5.3. Алгоритм последовательного оверлея

7.6. Нейронные сети

7.6.1. Основные понятия
7.6.2. Простые нейронные сети
7.6.3. Алгоритм Backpropagation
7.6.4. Введение в рекуррентные нейронные сети

7.7. Байесовские методы

7.7.1. Основные понятия вероятности
7.7.2. Теорема Байеса
7.7.3. Наивный Байес
7.7.4. Введение в байесовские сети

7.8. Регрессия и модели непрерывного отклика

7.8.1. Простая линейная регрессия
7.8.2. Множественная линейная регрессия
7.8.3. Логистическая регрессия
7.8.4. Деревья регрессии
7.8.5. Введение в машины опорных векторов (SVM)
7.8.6. Меры соответствия

7.9. Кластеризация

7.9.1. Основные понятия
7.9.2. Иерархическая кластеризация
7.9.3. Вероятностные методы
7.9.4. Алгоритм EM
7.9.5. Метод скоростной сборки кубика Рубика
7.9.6. Неявные методы

7.10. Интеллектуальный анализ текста и обработка естественного языка (NLP)

7.10.1. Основные понятия
7.10.2. Создание корпуса
7.10.3. Описательный анализ
7.10.4. Введение в анализ чувств

Модуль 8. Нейронные сети, основа глубокого обучения

8.1. Глубокое обучение

8.1.1. Виды глубокого обучения
8.1.2. Области применения глубокого обучения
8.1.3. Преимущества и недостатки глубокого обучения

8.2. Операции

8.2.1. Сложение
8.2.2. Умножение
8.2.3. Перемещение

8.3. Слои

8.3.1. Входной слой
8.3.2. Скрытый слой
8.3.3. Выходной слой

8.4. Склеивание слоев и операции

8.4.1. Проектирование архитектур
8.4.2. Соединение между слоями
8.4.3. Распространение вперед

8.5. Построение первой нейронной сети

8.5.1. Проектирование сети
8.5.2. Определение весов
8.5.3. Практика сети

8.6. Тренажер и оптимизатор

8.6.1. Выбор оптимизатора
8.6.2. Установление функции потерь
8.6.3. Установление метрики

8.7. Применение принципов нейронных сетей

8.7.1. Функции активации
8.7.2. Обратное распространение
8.7.3. Установка параметров

8.8. От биологических нейронов к искусственным

8.8.1. Функционирование биологического нейрона
8.8.2. Передача знаний искусственным нейронам
8.8.3. Установление взаимоотношений между ними

8.9. Реализация MLP (многослойного перцептрона) с помощью Keras

8.9.1. Определение структуры сети
8.9.2. Составление модели
8.9.3. Обучение модели

8.10. Тонкая настройка гиперпараметров нейронных сетей

8.10.1. Выбор функции активации
8.10.2. Установка темпа обучения
8.10.3. Настройка веса

Модуль 9. Обучение глубоких нейронных сетей

9.1. Градиентные задачи

9.1.1. Методы оптимизации градиента
9.1.2. Стохастические градиенты
9.1.3. Методы инициализации весов

9.2. Повторное использование предварительно обученных слоев

9.2.1. Перенос результатов обучения
9.2.2. Извлечение признаков
9.2.3. Глубокое обучение

9.3. Оптимизаторы

9.3.1. Стохастические оптимизаторы градиентного спуска
9.3.2. Оптимизаторы Adam и RMSprop
9.3.3. Современные оптимизаторы

9.4. Программирование скорости обучения

9.4.1. Автоматическое управление скоростью обучения
9.4.2. Циклы обучения
9.4.3. Условия сглаживания

9.5. Переоценка

9.5.1. Перекрестная валидация
9.5.2. Регуляризация
9.5.3. Метрики оценки

9.6. Практические рекомендации

9.6.1. Конструкция модели
9.6.2. Выбор метрик и параметров оценки
9.6.3. Проверка гипотез

9.7. Трансферное обучение

9.7.1. Перенос результатов обучения
9.7.2. Извлечение признаков
9.7.3. Глубокое обучение

9.8. Расширение данных

9.8.1. Преобразования изображений
9.8.2. Формирование синтетических данных
9.8.3. Преобразование текста

9.9. Практическое применение трансферного обучения

9.9.1. Перенос результатов обучения
9.9.2. Извлечение признаков
9.9.3. Глубокое обучение

9.10. Регуляризация

9.10.1. L и L
9.10.2. Регуляризация по принципу максимальной энтропии
9.10.3. Dropout

Модуль 10. Настройка моделей и обучение с помощью TensorFlow

10.1. TensorFlow

10.1.1. Использование библиотеки TensorFlow
10.1.2. Обучение модели с помощью TensorFlow
10.1.3. Операции с графиками в TensorFlow

10.2. TensorFlow и NumPy

10.2.1. Вычислительная среда NumPy для TensorFlow
10.2.2. Использование массивов NumPy в TensorFlow
10.2.3. Операции NumPy для графиков TensorFlow

10.3. Настройка моделей и алгоритмов обучения

10.3.1. Построение пользовательских моделей с помощью TensorFlow
10.3.2. Управление параметрами обучения
10.3.3. Использование методов оптимизации для обучения

10.4. Функции и графики TensorFlow

10.4.1. Функции в TensorFlow
10.4.2. Использование графиков для обучения модели
10.4.3. Оптимизация графов с помощью операций TensorFlow

10.5. Загрузка и предварительная обработка данных с помощью TensorFlow

10.5.1. Загрузка наборов данных с помощью TensorFlow
10.5.2. Предварительная обработка данных с помощью TensorFlow
10.5.3. Использование инструментов TensorFlow для манипулирования данными

10.6. API tfdata

10.6.1. Использование API tf.data для обработки данных
10.6.2. Построение потоков данных с помощью tfdata
10.6.3. Использование API tf.data для обучения моделей

10.7. Формат TFRecord

10.7.1. Использование API TFRecord для сериализации данных
10.7.2. Загрузка файлов TFRecord с помощью TensorFlow
10.7.3. Использование файлов TFRecord для обучения моделей

10.8. Слои предварительной обработки в Keras

10.8.1. Использование API предварительной обработки в Keras
10.8.2. Построение пипелизированной предварительной обработки с помощью Keras
10.8.3. Использование API предварительной обработки в Keras для обучения моделей

10.9. Проект TensorFlow Datasets

10.9.1. Использование TensorFlow Datasets для загрузки данных
10.9.2. Предварительная обработка данных с помощью TensorFlow Datasets
10.9.3. Использование наборов данных TensorFlow для обучения моделей

10.10. Построение приложения глубокого обучения с помощью TensorFlow

10.10.1. Практическое применение
10.10.2. Построение приложения глубокого обучения с помощью TensorFlow
10.10.3. Обучение модели с помощью TensorFlow
10.10.4. Использование приложения для прогнозирования результатов

Модуль 11. Глубокое компьютерное зрение с использованием конволюционных нейронных сетей

11.1. Архитектура Visual Cortex

11.1.1. Функции зрительной коры
11.1.2. Теории вычислительного зрения
11.1.3. Модели обработки изображений

11.2. Конволюционные слои

11.2.1. Повторное использование весов в свертке
11.2.2. Конволюция D
11.2.3. Функции активации

11.3. Слои кластеризации и реализация слоев кластеризации с помощью Keras

11.3.1. Пулинг и стридинг
11.3.2. Сплющивание
11.3.3. Виды пулинга

11.4. Архитектуры CNN

11.4.1. Архитектура VGG
11.4.2. Архитектура AlexNet
11.4.3. Архитектура ResNet

11.5. Реализация CNN ResNet - с использованием Keras

11.5.1. Инициализация весов
11.5.2. Определение входного слоя
11.5.3. Определение выходного слоя

11.6. Использование предварительно обученных моделей Keras

11.6.1. Характеристики предварительно обученных моделей
11.6.2. Использование предварительно обученных моделей
11.6.3. Преимущества предварительно обученных моделей

11.7. Предварительно обученные модели для трансферного обучения

11.7.1. Трансферное обучение
11.7.2. Процесс трансферного обучения
11.7.3. Преимущества трансферного обучения

11.8. Классификация и локализация в глубоком компьютерном зрении

11.8.1. Классификация изображений
11.8.2. Определение местоположения объектов на изображениях
11.8.3. Обнаружение объектов

11.9. Обнаружение объектов и их отслеживание

11.9.1. Методы обнаружения объектов
11.9.2. Алгоритмы отслеживания объектов
11.9.3. Методы отслеживания и трассировки

11.10. Семантическая сегментация

11.10.1. Глубокое обучение для семантической сегментации
11.10.2. Обнаружение краев
11.10.3. Методы сегментации, основанные на правилах

Модуль 12. Обработка естественного языка (NLP) с помощью естественных рекуррентных сетей (RNN) и внимания

12.1. Генерация текста с использованием RNN

12.1.1. Обучение RNN для генерации текста
12.1.2. Генерация естественного языка с помощью RNN
12.1.3. Приложения для генерации текста с помощью RNN

12.2. Создание обучающего набора данных

12.2.1. Подготовка данных для обучения RNN
12.2.2. Хранение обучающего набора данных
12.2.3. Очистка и преобразование данных
12.2.4. Анализ настроений

12.3. Ранжирование мнений с помощью RNN

12.3.1. Выявление тем в комментариях
12.3.2. Анализ настроений с помощью алгоритмов глубокого обучения

12.4. Сеть кодирования-декодирования для нейронного машинного перевода

12.4.1. Обучение RNN для машинного перевода
12.4.2. Использование кодирующей-декодирующей сети для машинного перевода
12.4.3. Повышение точности машинного перевода с помощью RNN

12.5. Механизмы внимания

12.5.1. Реализация механизмов внимания в RNN
12.5.2. Использование механизмов внимания для повышения точности модели
12.5.3. Преимущества механизмов внимания в нейронных сетях

12.6. Модели трансформеров

12.6.1. Использование моделей трансформеров для обработки естественного языка
12.6.2. Применение моделей трансформеров для зрения
12.6.3. Преимущества моделей трансформеров

12.7. Трансформеры для зрения

12.1.7. Применение моделей для зрения
12.2.7. Предварительная обработка данных изображений
12.3.7. Обучение модели трансформеров для зрения

12.8. Библиотека трансформеров Hugging Face

12.8.1. Использование библиотеки трансформеров Hugging Face
12.8.2. Применение библиотеки трансформеров Hugging Face
12.8.3. Преимущества библиотеки трансформеров Hugging Face

12.9. Другие библиотеки трансформеров. Сравнение

12.9.1. Сравнение различных библиотек трансформеров
12.9.2. Использование других библиотек трансформеров
12.9.3. Преимущества других библиотек трансформеров

12.10. Разработка NLP-приложения с использованием RNN и внимания. Практическое применение

12.10.1. Разработка приложения для обработки естественного языка с использованием RNN и внимания
12.10.2. Использование RNN, механизмов ухода и моделей трансформаторов при внедрении
12.10.3. Оценка практического применения

Модуль 13. Автоэнкодеры, GAN и диффузионные модели

13.1. Эффективные представления данных

13.1.1. Снижение размерности
13.1.2. Глубокое обучение
13.1.3. Компактные представления

13.2. Реализация РСА с неполным линейным автоматическим кодировщиком

13.2.1. Процесс обучения
13.2.2. Внедрение Python
13.2.3. Использование тестовых данных

13.3. Стековые автоматические кодировщики

13.3.1. Глубокие нейронные сети
13.3.2. Построение архитектур кодирования
13.3.3. Использование инструментов

13.4. Конволюционные автокодировщики

13.4.1. Конструкция конволюционной модели
13.4.2. Обучение конволюционной модели
13.4.3. Оценка результатов

13.5. Шумоподавление автоматических энкодеров

13.5.1. Применение фильтров
13.5.2. Проектирование моделей кодирования
13.5.3. Использование методов регуляризации

13.6. Автоматические разреженные автоматические энкодеры

13.6.1. Повышение эффективности кодирования
13.6.2. Минимизация числа параметров
13.6.3. Применение методов регуляризации

13.7. Автоматические вариационные энкодеры

13.7.1. Использование вариационной оптимизации
13.7.2. Глубокое обучение без контроля
13.7.3. Глубокие латентные представления

13.8. Генерация модных изображений MNIST

13.8.1. Распознание паттернов
13.8.2. Генерация изображений
13.8.3. Обучение глубоких нейронных сетей

13.9. Генеративные адверсарные сети и диффузионные модели

13.9.1. Формирование контента из изображений
13.9.2. Моделирование распределений данных
13.9.3. Использование состязательных сетей

13.10. Реализация моделей

13.10.1. Практическое применение
13.10.2. Реализация моделей
13.10.3. Использование реальных данных
13.10.4. Оценка результатов

Модуль 14. Биоинспирированные вычисления

14.1. Введение в биоинспирированные вычисления

14.1.1. Введение в биоинспирированные вычисления

14.2. Алгоритмы социальной адаптации

14.2.1. Биоинспирированные алгоритмы, основанные на муравьиных колониях
14.2.2. Разновидности алгоритмов муравьиных колоний
14.2.3. Алгоритмы, основанные на облаках с частицами

14.3. Генетические алгоритмы

14.3.1. Общая структура
14.3.2. Внедрение основных операторов

14.4. Стратегии освоения и использования пространства для генетических алгоритмов

14.4.1. Алгоритм CHC
14.4.2. Мультимодальные задачи

14.5. Модели эволюционных вычислений (I)

14.5.1. Эволюционные стратегии
14.5.2. Эволюционное программирование
14.5.3. Алгоритмы, основанные на дифференциальной эволюции

14.6. Модели эволюционных вычислений (II)

14.6.1.Модели эволюции, основанные на оценке алгоритмов распределения (EDA)
14.6.2. Генетическое программирование

14.7. Применение эволюционного программирования при нарушениях обучаемости

14.7.1. Обучение на основе правил
14.7.2. Эволюционные методы в задачах выбора экземпляра

14.8. Многоцелевые задачи

14.8.1. Концепция доминирования
14.8.2. Применение эволюционных алгоритмов для решения многоцелевых задач

14.9. Нейронные сети (I)

14.9.1. Введение в нейронные сети
14.9.2. Практический пример с нейронными сетями

14.10. Нейронные сети (II)

14.10.1. Примеры использования нейронных сетей в медицинских исследованиях
14.10.2. Примеры использования нейронных сетей в экономике
14.10.3. Примеры использования нейронных сетей в искусственном зрении

Модуль 15. Искусственный интеллект: стратегии и применения

15.1. Финансовые услуги

15.1.1. Последствия применения искусственного интеллекта (ИИ) в сфере финансовых услуг: возможности и проблемы
15.1.2. Примеры использования
15.1.3. Потенциальные риски, связанные с использованием ИИ
15.1.4. Потенциальные будущие разработки/использования ИИ

15.2. Последствия применения искусственного интеллекта в здравоохранении

15.2.1. Последствия ИИ в секторе здравоохранения. Возможности и проблемы
15.2.2. Примеры использования

15.3. Риски, связанные с использованием ИИ в здравоохранении

15.3.1. Потенциальные риски, связанные с использованием ИИ
15.3.2. Потенциальные будущие разработки/использования ИИ

15.4. Розничная торговля

15.4.1. Последствия ИИ в розничной торговле. Возможности и проблемы
15.4.2. Примеры использования
15.4.3. Потенциальные риски, связанные с использованием ИИ
15.4.4. Потенциальные будущие разработки/использования ИИ

15.5. Промышленность

15.5.1. Последствия ИИ для промышленности. Возможности и проблемы
15.5.2. Примеры использования

15.6. Потенциальные риски, связанные с использованием ИИ в промышленности

15.6.1. Примеры использования
15.6.2. Потенциальные риски, связанные с использованием ИИ
15.6.3. Потенциальные будущие разработки/использования ИИ

15.7. Государственное управление

15.7.1. Последствия использования искусственного интеллекта в государственном управлении. Возможности и проблемы
15.7.2. Примеры использования
15.7.3. Потенциальные риски, связанные с использованием ИИ
15.7.4. Потенциальные будущие разработки/использования ИИ

15.8. Образовательная сфера

15.8.1. Последствия использования искусственного интеллекта в образовании. Возможности и проблемы
15.8.2. Примеры использования
15.8.3. Потенциальные риски, связанные с использованием ИИ
15.8.4. Потенциальные будущие разработки/использования ИИ

15.9. Лесное и сельское хозяйство

15.9.1. Последствия ИИ для лесного и сельского хозяйства. Возможности и проблемы
15.9.2. Примеры использования
15.9.3. Потенциальные риски, связанные с использованием ИИ
15.9.4. Потенциальные будущие разработки/использования ИИ

15.10. Кадровые ресурсы

15.10.1. Последствия ИИ для кадровых ресурсов. Возможности и проблемы
15.10.2. Примеры использования
15.10.3. Потенциальные риски, связанные с использованием ИИ
15.10.4. Потенциальные будущие разработки/использования ИИ

Модуль 16. Проектирование с помощью искусственного интеллекта в архитектурной практике

16.1. Расширенные приложения AutoCAD с искусственным интеллектом

16.1.1. Интеграция AutoCAD с инструментами искусственного интеллекта для расширенного проектирования
16.1.2. Автоматизация повторяющихся задач в архитектурном проектировании с помощью искусственного интеллекта
16.1.3. Кейс-стади, в которых AutoCAD с помощью ИИ оптимизировал архитектурные проекты

16.2. Продвинутое генеративное моделирование в Fusion 360

16.2.1. Передовые методы генеративного моделирования, применяемые в сложных проектах
16.2.2. Использование Fusion 360 для создания инновационных архитектурных проектов
16.2.3. Примеры применения генеративного моделирования в устойчивой и адаптивной архитектуре

16.3. Оптимизация проектов с помощью искусственного интеллекта в Optimus

16.3.1. Стратегии оптимизации архитектурных проектов с использованием алгоритмов искусственного интеллекта в Optimus
16.3.2. Анализ чувствительности и поиск оптимальных решений в реальных проектах
16.3.3. Обзор успешных примеров использования Optimus для оптимизации на основе ИИ

16.4. Параметрическое проектирование и цифровое производство с Geomagic Wrap

16.4.1. Достижения в области параметрического проектирования с интеграцией ИИ с помощью Geomagic Wrap
16.4.2. Практическое применение цифрового производства в архитектуре
16.4.3. Ведущие архитектурные проекты с использованием параметрического проектирования с помощью ИИ для структурных инноваций

16.5. Адаптивное и контекстно-чувствительное проектирование с использованием датчиков искусственного интеллекта

16.5.1. Реализация адаптивного дизайна с использованием ИИ и данных в реальном времени
16.5.2. Примеры эфемерной архитектуры и городской среды, спроектированной с помощью ИИ
16.5.3. Анализ того, как адаптивный дизайн влияет на устойчивость и эффективность архитектурных проектов

16.6. Моделирование и предиктивная аналитика в CATIA для архитекторов

16.6.1. Расширенное использование CATIA для архитектурного моделирования
16.6.2. Моделирование поведения конструкций и оптимизация энергоэффективности с помощью искусственного интеллекта
16.6.3. Внедрение предиктивной аналитики в значимые архитектурные проекты

16.7. Персонализация и UX в дизайне с помощью IBM Watson Studio

16.7.1. Инструменты IBM Watson Studio AI для персонализации в архитектуре
16.7.2. Проектирование, ориентированное на пользователя, с использованием аналитики ИИ
16.7.3. Примеры использования ИИ для персонализации архитектурных пространств и продуктов

16.8. Совместная работа и коллективный дизайн с использованием ИИ

16.8.1. Платформы для совместной работы над дизайн-проектами с использованием ИИ
16.8.2. Методологии ИИ, способствующие творчеству и коллективным инновациям
16.8.3. Истории успеха и проблемы совместного проектирования с помощью ИИ

16.9. Этика и ответственность в проектировании с помощью ИИ

16.9.1. Этические дебаты при использовании ИИ в архитектурном проектировании
16.9.2. Исследование предвзятости и справедливости алгоритмов ИИ, применяемых в проектировании
16.9.3. Современные правила и стандарты ответственного проектирования с использованием ИИ

16.10. Проблемы и будущее проектирования с помощью ИИ

16.10.1. Новые тенденции и передовые технологии в области ИИ для архитектуры
16.10.2. Анализ будущего влияния ИИ на профессию архитектора
16.10.3. Прогноз будущих инноваций и разработок в области проектирования с помощью ИИ

Модуль 17. Оптимизация пространства и энергоэффективность с помощью искусственного интеллекта

17.1. Пространственная оптимизация с помощью Autodesk Revit и искусственного интеллекта

17.1.1. Использование Autodesk Revit и искусственного интеллекта для пространственной оптимизации и повышения энергоэффективности
17.1.2. Передовые методы повышения энергоэффективности архитектурных проектов
17.1.3. Примеры успешных проектов с использованием Autodesk Revit и искусственного интеллекта

17.2. Анализ данных и показателей энергоэффективности с помощью SketchUp и Trimble

17.2.1. Применение инструментов SketchUp и Trimble для детального анализа энергопотребления
17.2.2. Разработка показателей энергоэффективности с использованием ИИ
17.2.3. Стратегии определения целевых показателей энергоэффективности для архитектурных проектов

17.3. Биоклиматический дизайн и оптимизация солнечной ориентации с помощью искусственного интеллекта

17.3.1. Стратегии биоклиматического проектирования с помощью ИИ для максимального повышения энергоэффективности
17.3.2. Примеры зданий, в которых используется проектирование с помощью ИИ для оптимизации теплового комфорта
17.3.3. Практическое применение ИИ в ориентации на солнце и пассивном дизайне

17.4. Устойчивые технологии и материалы с поддержкой ИИ с помощью Cityzenit

17.4.1. Инновации в области устойчивых материалов при поддержке анализа ИИ
17.4.2. Использование ИИ для разработки и применения материалов из вторичного сырья и материалов с низким уровнем воздействия на окружающую среду
17.4.3. Изучение проектов с использованием систем возобновляемых источников энергии, интегрированных с ИИ

17.5. Городское планирование и энергоэффективность с помощью WattPredictor и ИИ

17.5.1. Стратегии ИИ для энергоэффективности в городском дизайне
17.5.2. Внедрение WattPredictor для оптимизации энергопотребления в общественных местах
17.5.3. Истории успеха городов, использующих ИИ для повышения стабильности городской среды

17.6. Интеллектуальное управление энергопотреблением с помощью технологии Google DeepMind's Energy

17.6.1. Применение технологий DeepMind для управления энергопотреблением
17.6.2. Внедрение ИИ для оптимизации энергопотребления в крупных зданиях
17.6.3. Оценка случаев, когда ИИ изменил управление энергопотреблением в сообществах и зданиях

17.7. Сертификация и регулирование энергоэффективности с помощью ИИ

17.7.1. Использование ИИ для обеспечения соответствия стандартам энергоэффективности (LEED, BREEAM)
17.7.2. Инструменты ИИ для энергоаудита и сертификации проектов
17.7.3. Влияние нормативных актов на устойчивую архитектуру, поддерживаемую ИИ

17.8. Оценка жизненного цикла и экологического следа с помощью Enernoc

17.8.1. Интеграция ИИ для анализа жизненного цикла строительных материалов
17.8.2. Использование Enernoc для оценки углеродного следа и устойчивого развития
17.8.3. Макетные проекты с использованием искусственного интеллекта для расширенных экологических оценок

17.9. Обучение и повышение осведомленности в области энергоэффективности с помощью Verdigris

17.9.1. Роль искусственного интеллекта в образовании и повышении осведомленности в области энергоэффективности
17.9.2. Использование Verdigris для обучения архитекторов и дизайнеров методам устойчивого развития
17.9.3. Образовательные инициативы и программы с использованием ИИ для содействия культурному сдвигу в сторону устойчивости

17.10. Будущее оптимизации пространства и энергоэффективности с ENBALA

17.10.1. Изучение будущих проблем и эволюции технологий энергоэффективности
17.10.2. Новые тенденции в области ИИ для пространственной и энергетической оптимизации
17.10.3. Перспективы того, как будет продолжать трансформировать архитектуру и городской дизайн

Модуль 18. Параметрическое проектирование и цифровое производство

18.1. Достижения в области параметрического проектирования и цифрового производства с помощью Grasshopper

18.1.1. Использование Grasshopper для создания сложных параметрических конструкций
18.1.2. Интеграция искусственного интеллекта в Grasshopper для автоматизации и оптимизации проектирования
18.1.3. Флагманские проекты, использующие параметрическое проектирование для создания инновационных решений

18.2. Алгоритмическая оптимизация в проектировании с помощью генеративного дизайна

18.2.1. Применение генеративного проектирования для алгоритмической оптимизации в архитектуре
18.2.2. Использование искусственного интеллекта для генерации эффективных и новых проектных решений
18.2.3. Примеры того, как генеративный дизайн улучшил функциональность и эстетику архитектурных проектов

18.3. Цифровое производство и робототехника в строительстве с KUKA PRC

18.3.1. Внедрение робототехники, такой как KUKA PRC, в цифровое производство
18.3.2. Преимущества цифрового производства в точности, скорости и снижении затрат
18.3.3. Примеры цифрового производства, демонстрирующие успешную интеграцию робототехники в архитектуру

18.4. Адаптивное проектирование и производство с помощью Autodesk Fusion 360

18.4.1. Использование Fusion 360 для проектирования адаптивных архитектурных систем
18.4.2. Внедрение искусственного интеллекта в Fusion 360 для массовой кастомизации
18.4.3. Инновационные проекты, демонстрирующие потенциал адаптивности и персонализации

18.5. Устойчивость в параметрическом проектировании с помощью оптимизации топологии

18.5.1. Применение методов оптимизации топологии для повышения устойчивости
18.5.2. Интеграция искусственного интеллекта для оптимизации использования материалов и энергоэффективности
18.5.3. Примеры того, как топологическая оптимизация повысила устойчивость архитектурных проектов

18.6. Взаимодействие и пространственная адаптивность с помощью Autodesk Fusion 360

18.6.1. Интеграция датчиков и данных в режиме реального времени для создания интерактивных архитектурных сред
18.6.2. Использование Autodesk Fusion 360 для адаптации дизайна в зависимости от изменений окружающей среды или условий эксплуатации
18.6.3. Примеры архитектурных проектов, использующих пространственную интерактивность для улучшения пользовательского опыта

18.7. Эффективность параметрического проектирования

18.7.1. Применение параметрического проектирования для оптимизации устойчивости и энергоэффективности зданий
18.7.2. Использование моделирования и анализа жизненного цикла, интегрированного с искусственным интеллектом, для улучшения процесса принятия решений по экологическим вопросам
18.7.3. Примеры устойчивых проектов, в которых параметрическое проектирование сыграло решающую роль

18.8. Массовая кастомизация и цифровое производство с Magic (Materialise)

18.8.1. Изучение потенциала массовой кастомизации с помощью параметрического проектирования и цифрового производства
18.8.2. Применение таких инструментов, как Magic, для индивидуализации дизайна в архитектуре и дизайне интерьера
18.8.3. Проекты, демонстрирующие цифровое производство при создании индивидуальных пространств и предметов интерьера

18.9. Совместная работа и коллективное проектирование с помощью Ansys Granta

18.9.1. Использование Ansys Granta для облегчения сотрудничества и принятия решений в распределенном проектировании
18.9.2. Методики для повышения инновационности и эффективности совместных дизайн-проектов
18.9.3. Примеры того, как совместная работа с использованием ИИ может привести к инновационным и устойчивым результатам

18.10. Проблемы и будущее цифрового производства и параметрического проектирования

18.10.1. Определение возникающих проблем в области параметрического проектирования и цифрового производства
18.10.2. Будущие тенденции и роль искусственного интеллекта в развитии этих технологий
18.10.3. Обсуждение того, как непрерывные инновации будут влиять на архитектурную практику и дизайн в будущем

Модуль 19. Имитационное предиктивное моделирование с помощью искусственного интеллекта

19.1. Расширенные методы моделирования с помощью MATLAB в архитектуре

19.1.1. Использование MATLAB для расширенного моделирования в архитектуре
19.1.2. Интеграция предиктивного моделирования и аналитики больших данных
19.1.3. Кейс-стади, в которых MATLAB сыграл важную роль в архитектурном моделировании

19.2. Расширенный структурный анализ с помощью ANSYS

19.2.1. Внедрение ANSYS для расширенного структурного моделирования в архитектурных проектах
19.2.2. Интеграция прогностических моделей для оценки безопасности и долговечности конструкций
19.2.3. Проекты, демонстрирующие использование структурного моделирования в высокопроизводительной архитектуре

19.3. Разработка моделей использования пространства и человеческой динамики с помощью AnyLogic

19.3.1. Использование AnyLogic для моделирования динамики использования пространства и мобильности людей
19.3.2. Применение искусственного интеллекта для прогнозирования и повышения эффективности использования пространства в городских и архитектурных условиях
19.3.3. Кейс-стади, показывающие, как моделирование влияет на городское и архитектурное планирование

19.4. Предиктивное моделирование с помощью TensorFlow в городском планировании

19.4.1. Реализация TensorFlow для моделирования городской динамики и структурного поведения
19.2.4. Использование искусственного интеллекта для прогнозирования будущих результатов при проектировании городов
19.4.3. Примеры того, как предиктивное моделирование влияет на городское планирование и дизайн

19.5. Предиктивное моделирование и генеративный дизайн с помощью GenerativeComponents

19.5.1. Использование GenerativeComponents для объединения предиктивного моделирования и генеративного дизайна
19.5.2. Применение алгоритмов машинного обучения для создания инновационных и эффективных проектов
19.5.3. Примеры архитектурных проектов, в которых оптимизированы конструкции с использованием этих передовых технологий

19.6. Моделирование воздействия на окружающую среду и устойчивости с помощью COMSOL

19.6.1. Применение COMSOL для экологического моделирования в крупномасштабных проектах
19.6.2. Использование искусственного интеллекта для анализа и улучшения воздействия зданий на окружающую среду
19.6.3. Проекты, демонстрирующие, как моделирование способствует устойчивому развитию

19.7. Моделирование экологических показателей с помощью COMSOL

19.7.1. Применение COMSOL Multiphysics для моделирования экологических и тепловых характеристик
19.7.2. Использование искусственного интеллекта для оптимизации проектирования на основе моделирования дневного света и акустики
19.7.3. Примеры успешных внедрений, которые позволили повысить устойчивость и комфорт

19.8. Инновации в области имитационного и предиктивного моделирования

19.8.1. Изучение новых технологий и их влияния на моделирование
19.8.2. Обсуждение того, как ИИ меняет возможности моделирования в архитектуре
19.8.3. Оценка будущих инструментов и их возможного применения в архитектурном проектировании

19.9. Моделирование строительных процессов с помощью CityEngine

19.9.1. Применение CityEngine для моделирования последовательности строительных работ и оптимизации рабочих процессов на стройплощадке
19.9.2. Интеграция искусственного интеллекта для моделирования строительной логистики и координации работ в режиме реального времени
19.9.3. Практические кейсы, демонстрирующие повышение эффективности и безопасности строительства с помощью передовых методов моделирования

19.10. Проблемы и будущее имитационного и предиктивного моделирования

19.10.1. Оценка текущих проблем в области имитационного и предиктивного моделирования в архитектуре
19.10.2. Возникающие тенденции и будущее этих технологий в архитектурной практике
19.10.3. Обсуждение влияния постоянных инноваций в области имитационного и предиктивного моделирования в архитектуре и строительстве

Модуль 20. Сохранение и реставрация наследия с помощью искусственного интеллекта

20.1. Технологии искусственного интеллекта в реставрации наследия с помощью фотограмметрии

20.1.1. Использование фотограмметрии и искусственного интеллекта для точного документирования и реставрации наследия
20.1.2. Практическое применение в реставрации исторических зданий
20.1.3. Выдающиеся проекты, сочетающие передовые технологии и уважение к аутентичности

20.2. Предиктивная аналитика для сохранения наследия с помощью лазерного сканирования

20.2.1. Применение лазерного сканирования и предиктивной аналитики в сохранении наследия
20.2.2. Использование искусственного интеллекта для обнаружения и предотвращения разрушения исторических сооружений
20.2.3. Примеры того, как эти технологии позволили повысить точность и эффективность консервации

20.3. Управление культурным наследием с помощью виртуальной реконструкции

20.3.1. Применение методов виртуальной реконструкции с помощью ИИ
20.3.2. Стратегии управления и сохранения цифрового наследия
20.3.3. Истории успеха в использовании виртуальной реконструкции для образования и консервации

20.4. Профилактическая консервация и техническое обслуживание с помощью ИИ

20.4.1. Использование технологий искусственного интеллекта для разработки превентивных стратегий сохранения и обслуживания исторических зданий
20.4.2. Внедрение систем мониторинга на основе ИИ для раннего обнаружения структурных проблем
20.4.3. Примеры того, как ИИ способствует долгосрочному сохранению культурного наследия

20.5. Цифровая документация и BIM в сохранении наследия

20.5.1. Применение передовых методов цифровой документации, включая BIM и дополненную реальность, с помощью ИИ
20.5.2. Использование BIM-моделей для эффективного управления наследием и реставрацией
20.5.3. Стади-кейсы по интеграции цифровой документации в реставрационные проекты

20.6. Политика и управление в области сохранения с помощью ИИ

20.6.1. Использование инструментов на основе ИИ для управления сохранением наследия и разработки политики
20.6.2. Стратегии интеграции ИИ в процесс принятия решений, связанных с сохранением наследия
20.6.3. Обсуждение того, как ИИ может улучшить сотрудничество между учреждениями по сохранению наследия

20.7. Этика и ответственность при реставрации и сохранении наследия с использованием ИИ

20.7.1. Этические соображения при применении ИИ в реставрации наследия
20.7.2. Дискуссия о балансе между технологическими инновациями и уважением к исторической аутентичности
20.7.3. Примеры ответственного использования ИИ в реставрации наследия

20.8. Инновации и будущее сохранения наследия с помощью ИИ

20.8.1. Перспективы развития технологий ИИ и их применения в сохранении наследия
20.8.2. Оценка потенциала ИИ для преобразования реставрации и сохранения наследия
20.8.3. Обсуждение будущего сохранения наследия в эпоху стремительных технологических инноваций

20.9. Просвещение и информирование населения о культурном наследии с помощью ГИС

20.9.1. Важность просвещения и информирования общественности в деле сохранения культурного наследия
20.9.2. Использование географических информационных систем (ГИС) для повышения ценности и осведомленности о наследии
20.9.3. Успешные образовательные и информационные инициативы с использованием технологий для обучения в области культурного наследия

20.10. Проблемы и будущее сохранения и реставрации наследия

20.10.1. Определение текущих проблем в области сохранения культурного наследия
20.10.2. Роль технологических инноваций и искусственного интеллекта в будущей практике сохранения и реставрации
20.10.3. Перспективы того, как технологии изменят сохранение наследия в ближайшие десятилетия

Вы будете углубленно изучать использование технологий цифрового производства и робототехники в строительстве, а также сохранение архитектурного наследия, используя лучшие учебные материалы, представленные на академическом рынке”