У вас в голове есть проект, но не хватает специализированных знаний для его реализации? В рамках этой программы команда преподавателей-экспертов в области робототехники предоставит вам инструменты, необходимые для продвижения в Индустрии 4.0"

Робототехника является частью нашей повседневной жизни. Робототехника не только присутствует в промышленном секторе, который значительно вырос благодаря техническому и научному прогрессу, но и стала ближе к обществу. Теперь не редкость видеть, как любой человек с определенным уровнем образования может управлять дроном, использовать виртуальные очки, с помощью которых можно погрузиться в новую видеоигру, или в домах, где есть эта технология, которая решаюет всевозможные проблемы.

Робототехника — это общий термин, настоящее и большое будущее для компьютерных специалистов, которые хотят получить специализацию в области, имеющей большой потенциал роста. Эта Специализированная магистратура дает обширные знания, которые позволят студентам получить образование в области дополненной реальности, искусственного интеллекта, аэрокосмических или промышленных технологий. Все это позволит им получить доступ к компаниям в различных секторах или создать свои собственные проекты в области робототехники.

Чтобы студенты могли достичь своей цели, TECH собрал в этой 100% онлайн-программе команду специализированных профессионалов с большим опытом работы в престижных международных проектах в области робототехники. Данный преподавательский профиль предоставляет IT-специалистам содержание с теоретико-практическим подходом, где они не только изучат последние достижения в области робототехники, но и смогут ознакомиться с ее применением в реальных условиях.

Отличная возможность продвинуться в обучении с помощью программы, которая с самого начала предоставляет целый учебный план, состоящий из видеоконспектов, основных материалов для чтения, подробных видеоматериалов и упражнений для самопознания. Таким образом, студенты получат глобальное представление о робототехнике в удобном формате, поскольку они смогут получить доступ ко всему содержанию в любое время и распределить учебную нагрузку в соответствии со своими потребностями.  Так, они смогут сочетать обучение на академическом уровне со своими личными обязанностями.

Подключайтесь в любое время и в любом месте ко всему содержанию этой университетской программы. TECH адаптируется под вас"

Данная Специализированная магистратура в области робототехники содержит самую полную и современную образовательную программу на рынке. Основными особенностями обучения 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 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

Запишитесь сейчас и не упустите возможность продвинуться в основных технологиях визуального SLAM"

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

Мультимедийное содержание, разработанное с использованием новейших образовательных технологий, позволит профессионалам проходить обучение в симулированной среде, обеспечивающей иммерсивный учебный процесс, запрограммированный на обучение в реальных ситуациях.

Структура этой программы основана на проблемно-ориентированном обучении, с помощью которого специалисты должны пытаться решить различные ситуации из профессиональной практики, возникающие в течение учебного курса. В этом им поможет инновационная система интерактивных видеоматериалов, созданная признанными и опытными специалистами.

Разработайте чистые и эффективные техники программирования ПЛК с помощью этой университетской программы"

Освойте самую передовую робототехнику благодаря вкладу этой программы по аппаратным и программным обеспечениям"

В рамках этой программы, преподаваемой в онлайн-формате, студенты получат доступ к подробному содержанию в области робототехники, разделенному на 10 модулей, доступ к которым можно получить в любое время. Теоретико-практическое видение учебного плана может быть усвоено быстрее благодаря мультимедийным ресурсам и системе Relearning, основанной на повторении содержания. Таким образом, IT-специалист получит доступ ко всем необходимым знаниям для повышения своей квалификации в этой области. 

Запишитесь сейчас на курс, который обеспечит вас новейшими разработками в области робототехники и индустрии 4.0" 

Модуль 1. Робототехника. Дизайн 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. Подобласти специализации в робототехнике

1.2. Архитектурное аппаратное и программное обеспечение роботов

1.2.1. Аппаратные архитектуры и реальное время
1.2.2. Архитектурное программное обеспечение роботов
1.2.3. Коммуникационные модели и технологии промежуточного программного обеспечения
1.2.4. Интеграция программного обеспечения с операционной системой робота (ROS)

1.3. Математическое моделирование роботов

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

1.4. Кинематика и динамика роботов

1.4.1. Кинематика
1.4.2. Динамика
1.4.3. Низкоприводные роботы
1.4.4. Резервные роботы

1.5. Моделирование и имитация роботов

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

1.6. Роботы-манипуляторы

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

1.7. Наземные мобильные роботы

1.7.1. Типы наземных мобильных роботов
1.7.2. Кинематика
1.7.3. Динамика
1.7.4. Моделирование

1.8. Воздушные мобильные роботы

1.8.1. Типы воздушных мобильных роботов
1.8.2. Кинематика
1.8.3. Динамика
1.8.4. Моделирование

1.9. Водные мобильные роботы

1.9.1. Типы водных мобильных роботов
1.9.2. Кинематика
1.9.3. Динамика
1.9.4. Моделирование

1.10. Биоинспирированные роботы

1.10.1. Гуманоиды 
1.10.2. Роботы с четырьмя или большим количеством конечностей
1.10.3. Модульные роботы
1.10.4. Роботы с гибкими частями (Soft-Robotics)

Модуль 2. Интеллектуальные агенты. Применение искусственного интеллекта к роботам и мягким роботам

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. Применение в робототехнике

2.2. Связь мозг-алгоритм

2.2.1. Биологическое вдохновение искусственного интеллекта
2.2.2. Обоснование, внедренное в алгоритмы. Типология
2.2.3. Способность объяснения результатов в алгоритмах искусственного интеллекта
2.2.4. Эволюция от алгоритмов к глубокому обучению

2.3. Алгоритмы поиска пространства решений

2.3.1. Элементы поиска в пространстве решений
2.3.2. Алгоритмы поиска в пространстве решений в задачах искусственного интеллекта
2.3.3. Приложения алгоритмов поиска и оптимизации
2.3.4. Алгоритмы поиска, применяемые в машинном обучении

2.4. Машинное обучение

2.4.1. Машинальное обучение
2.4.2. Алгоритмы контролируемого обучения
2.4.3. Неконтролируемые алгоритмы обучения
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. Векторные машины поддержки
2.5.4. Искусственные нейронные сети
2.5.5. Применение контролируемого обучения

2.6. Обучение без наблюдения

2.6.1. Обучение без наблюдения
2.6.2. Сети 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 основе процессов Маркова
2.7.3. Алгоритмы обучения с подкреплением
2.6.4. Применение обучения с подкреплением к 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 машинного обучения в глубокое обучение
2.8.4. Применения глубокого обучения

2.9. Вероятностный вывод

2.9.1. Вероятностный вывод
2.9.2. Типы выводов и определение метода
2.9.3. Байесовский вывод в качестве примера
2.9.4. Непараметрические методы вывода
2.9.5. Фильтры Гаусса

2.10. От теории к практике: разработка роботизированного интеллектуального агента

2.10.1. Включение модулей контролируемого обучения в роботизированного агента
2.10.2. Включение модулей обучения с подкреплением в роботизированного агента
2.10.3. Архитектура управляемого искусственным интеллектом роботизированного агента
2.10.4. Профессиональные инструменты для реализации интеллектуального агента
2.10.5. Фазы внедрения алгоритмов искусственного интеллекта в роботизированного агента

Модуль 3. Робототехника в автоматизации промышленных процессов

3.1. Проектирование автоматизированных систем

3.1.1. Архитектуры аппаратного обеспечения
3.1.2. Программируемые логические контроллеры
3.1.3. Промышленные коммуникационные сети

3.2. Продвинутое электротехническое проектирование I: автоматизация

3.2.1. Проектирование электрических панелей и символика
3.2.2. Силовые цепи и цепи управления. Гармоники
3.2.3. Элементы защиты и заземления

3.3. Продвинутое электротехническое проектирование II: детерминизм и безопасность

3.3.1. Безопасность машин и резервирование
3.3.2. Реле безопасности и триггеры
3.3.3. Безопасные ПЛК
3.3.4. Безопасные сети

3.4. Электрическое действие

3.4.1. Двигатели и серводвигатели
3.4.2. Преобразователи частоты и контроллеры
3.4.3. Промышленная робототехника с электрическим приводом

3.5. Гидравлическое и пневматическое действие

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

3.6. Датчики 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 конфигурация 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 конфигурация 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 конфигурация промышленного компьютерного оборудования

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

3.10. Внедрение автоматических систем

3.10.1. Проектирование машин состояний
3.10.2. Внедрение машин состояний в ПЛК
3.10.3. Внедрение аналоговых систем ПИД-регулирования в ПЛК
3.10.4. Техническое обслуживание автоматики и гигиена кода
3.10.5. Моделирование автоматизированных систем 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 обратной связью

4.2. Проектирование методов управления для продвинутых нелинейных систем

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. Архитектуры управления

4.3.1. Парадигма робототехники
4.3.2. Архитектуры управления
4.3.3. Применение и примеры архитектур управления

4.4. Управление движением роботизированных рук

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

4.5. Управление усилием привода

4.5.1. Силовое управление
4.5.2. Управление сопротивлением
4.5.3. Гибридное управление

4.6. Наземные мобильные роботы

4.6.1. Уравнения движения
4.6.2. Методы управления наземными роботами
4.6.3. Мобильные манипуляторы

4.7. Воздушные мобильные роботы

4.7.1. Уравнения движения
4.7.2. Методы управления воздушными роботами
4.7.3. Авиационные манипуляции

4.8. Управление, основанное на техниках автоматического управления

4.8.1. Управление с помощью контролируемого обучения
4.8.2. Управление, основанное на обучение с подкреплением
4.8.3. Управление с помощью неконтролируемого обучения

4.9. Управление на основе видения

4.9.1 Визуальное сервоуправление на основе положения
4.9.2 Визуальное сервоуправление на основе изображения
4.9.3 Гибридное визуальное сервоуправление

4.10. Предиктивное управление

4.10.1. Моделирование и оценка состояния
4.10.2. MPC применительно к мобильным роботам
4.10.3. Применение MPC в БпЛА

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 робототехнических систем
5.1.3. Классификация планировщиков

5.2. Проблема планирования траектории в мобильных роботах

5.2.1. Формы репрезентации среды: графы
5.2.2. Алгоритмы поиска графов
5.2.3. Введение затрат в графах
5.2.4. Алгоритмы поиска в тяжелых графах
5.2.5. Алгоритмы с произвольным угловым подходом

5.3. Планирование в высокоразмерных робототехнических системах

5.3.1. Проблемы высокоразмерной робототехники: манипуляторы
5.3.2. Прямая/инверсная кинематическая модель
5.3.3. Выборочные алгоритмы планирования PRM и RRT
5.3.4. Планирование при динамических ограничениях

5.4. Планирование на основе оптимальной выборки

5.4.1. Проблемы планировщиков на основе выборки
5.4.2. Концепция вероятностной оптимальности RRT*
5.4.3. Шаг пересоединения: динамические ограничения
5.4.4. CForest. Параллельное планирование

5.5. Фактическая реализация системы планирования движений

5.5.1. Проблема глобального 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. Проблема координации многороботных систем
5.6.2. Распознавание и разрешение столкновений: модификация траектории с помощью генетических алгоритмов
5.6.3. Другие алгоритмы, вдохновленные биологией: рой частиц и фейерверки
5.6.4. Алгоритм предотвращения столкновений путем выбора маневра

5.7. Координация в многороботных системах II: распределенные подходы I

5.7.1. Использование сложных объективных функций
5.7.2. Множество Парето
5.7.3. Многоцелевые эволюционные алгоритмы

5.8. Координация в мультироботных 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 решений

5.9.1. Теория принятия решений
5.9.2. Системы последовательных решений
5.9.3. Датчики и информационные пространства
5.9.4. Планирование неопределенности зондирования и срабатывания

5.10. Системы планирования на основе обучения с подкреплением

5.10.1. Получение ожидаемого вознаграждения от системы
5.10.2. Методы обучения со средним вознаграждением
5.10.3. Инверсное 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 роботов

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

6.3. Приобретение изображений

6.1.3. Представление изображений
6.3.2. Цветовое пространство
6.3.3. Процесс дигитализации

6.4. Геометрия изображений

6.4.1. Модели линз
6.4.2. Модели камер
6.4.3. Калибровка камер

6.5. Математические инструменты

6.5.1. Гистограмма изображения
6.5.2. Конволюция
6.5.3. Преобразование Фурье

6.6. Предварительная обработка изображений

6.6.1. Анализ шума
6.6.2. Сглаживание изображения
6.6.3. Повышение качества изображения

6.7. Сегментация изображений

6.7.1. Техники, основанные на контурах
6.7.3. Техники, основанные на гистограмме
6.7.4. Морфологические операции

6.8. Обнаружение особенностей изображения

6.8.1. Обнаружение точки интереса
6.8.2. Описание характеристик
6.8.3. Сопоставление характеристик

6.9. Системы 3D-видения

6.9.1. 3D-Восприятие
6.9.2. Сопоставление характеристик изображений
6.9.3. Многоракурсная геометрия

6.10. Локализация на основе компьютерного зрения

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

Модуль 7. Системы визуального восприятия роботов с помощью машинного обучения

7.1. Методы неконтролируемого обучения, применяемые в машинном зрении

7.1.1. Образование кластеров
7.1.2. PCA
7.1.3. Nearest Neighbors
7.1.4. Similarity and matrix decomposition

7.2. Методы неконтролируемого обучения, применяемые в машинном зрении

7.2.1. Понятие “мешок слов”
7.2.2. Векторные машины поддержки
7.2.3. Latent Dirichlet Allocation
7.2.4. Нейронные сети

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

7.3.1. Слои, генерирующие 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. YOLO и SSD различия и сходства
7.4.2. Unet
7.4.3. Другие структуры

7.5. Машинное зрение с глубоким обучением II: Генеративные-состязательные сети

7.5.1. Сверхразрешение изображений с помощью GAN
7.5.2. Создание реалистичных изображений
7.5.3. Понимание сцены

7.6. Обучение методам локализации и картографирования в мобильной робототехнике

7.6.1. Обнаружение замыкания контура и повторная локализация
7.6.2. Magic Leap. Super Point и Super Glue
7.6.3. Depth from Monocular

7.7. Байесовский вывод и трехмерное 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 трехмерного моделирования поверхностей

7.8. Приложения End-to-End глубоких нейронных сетей

7.8.1. Система end-to-end. Пример идентификации личности
7.8.2. Манипулирование объектами с помощью визуальных датчиков
7.8.3. Генерация и планирование движения с помощью визуальных датчиков

7.9. Облачные технологии для ускорения разработки алгоритмов глубокого обучения

7.9.1. Использование GPU для глубокого обучения
7.9.2. Гибкая разработка с Google IColab
7.9.3. Дистанционные GPUs, Google Cloud и AWS

7.10. Развертывание нейронных сетей в реальных приложениях

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

Модуль 8. Визуальный SLAM. Одновременная локализация и картирование роботов с использованием 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. Функционирование 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. Фильтры Гаусса

8.3.1. Фильтр Калмана
8.3.2. Информационный фильтр
8.3.3. Настройка и параметризация фильтра Гаусса

8.4. Стерео EKF-SLAM

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

8.5. Монокулярные EKF-SLAM

8.5.1. Параметры Landmarks 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 грубой силы
8.6.2. FABMAP
8.6.3. Извлечение с помощью GIST и HOG
8.6.4. Обучение посредством глубокого обучения

8.7. Graph-SLAM

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

8.8. Прямой визуальный SLAM

8.8.1. Анализ алгоритма прямого визуального SLAM
8.8.2. LSD-SLAM
8.8.3. SVO

8.9. Визуально-инерционный SLAM

8.9.1. Интеграция инерциальных измерений
8.9.2. Низкая связь: SOFT-SLAM
8.9.3. Высокая связь: Vins-Mono

8.10. Другие SLAM-технологии 

8.10.1. Применение за пределами визуального SLAM
8.10.2. Lidar-SLAM
8.10.2. Range-only SLAM

Модуль 9. Применение технологий виртуальной и дополненной реальности в робототехнике

9.1. Иммерсивные технологии в робототехнике

9.1.1. Виртуальной реальность в робототехнике
9.1.2. Дополненная реальность в робототехнике
9.1.3. Смешанная реальность в робототехнике
9.1.4. Различия между реальностями

9.2. Конструкция виртуальных окружений

9.2.1. Материалы и текстуры
9.2.2. Освещение
9.2.3. Виртуальный звук и запах

9.3. Моделирование роботов в виртуальных средах

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

9.4. Моделирование динамики и кинематики роботов: виртуальные физические движки

9.4.1. Физические двигатели. Типология
9.4.2. Конфигурация физического двигателя
9.4.3. Физические двигатели в промышленности

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

9.5.1. Средства просмотра виртуальной реальности
9.5.2. Взаимодействующие периферийные устройства
9.5.3. Виртуальные сенсоры

9.6. Системы дополненной реальности

9.6.1. Внедрение 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. Создание многопользовательских сред для VR/AR

9.8. Создание проектов виртуальной реальности для робототехники

9.8.1. Этапы разработки проектов виртуальной реальности
9.8.2. Развертывание систем виртуальной реальности
9.8.3. Ресурсы виртуальной реальности

9.9. Создание проектов виртуальной реальности для робототехники

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

9.10. Телеоперация роботов с помощью мобильных устройств

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

Модуль 10. Системы коммуникации и взаимодействия роботов

10.1. Распознавание речи: стохастические системы

10.1.1. Акустическая модель речи
10.1.2. Скрытые модели Маркова
10.1.3. Лингвистическая модель речи: N-Gramas, грамматика BNF

10.2. Распознавание речи:  Глубокое обучение

10.2.1. Глубокие нейронные сети
10.2.2. Повторяющиеся 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 нескольких спикеров
10.3.3. Речевые патологии

10.4. Понимание естественного языка: эвристические и вероятностные системы

10.4.1. Синтаксико-семантический разбор: 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: продвинутые стратегии

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

10.7. Генерация ответов и синтез речи

10.7.1. Формирование ответа: от идеи к связному тексту
10.7.2. Синтез речи путем конкатенации
10.7.3. Стохастический синтез речи

10.8. Адаптация диалога и контекстуализация

10.8.1. Диалоговая инициатива
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 настроения
10.9.3. Синтез эмоционального голоса

10.10. Роботы и социальное взаимодействие: продвинутые мультимодальные интерфейсы

10.10.1. Комбинация голосовых и сенсорных интерфейсов
10.10.2. Распознавание и перевод языка жестов
10.10.3. Визуальные аватары: перевод речи на язык жестов

Ознакомьтесь со всем содержанием этой Специализированной магистратуры с первого дня и продвигайтесь как можно быстрее в технологической области с широким спектром профессиональных возможностей"