Нейронные сети в машинном обучении

Длительность
  • 18 занятий
  • 72 ак. часов
Курс преподают
  • Даниил Полыковский Даниил Полыковский
  • Кузьма Храбров Кузьма Храбров
Получаемые навыки

По результатам курса вы научитесь применять нейронные сети для многих практических задач, а также оценивать целесообразность их применения. Вы получите опыт подбора архитектуры нейронных сетей и ее быстрой реализации на PyTorch.

Контроль знаний

Каждое занятие (кроме зачетных) состоит из двух частей: лекции и семинара. На лекции разбирается новый материал, а на семинаре полученные знания закрепляются на практических примерах. К каждому семинарскому занятию выдается шаблон кода, который необходимо дополнить реализацией рассмотренного алгоритма. Такие задания оцениваются в 3 балла. Также в середине и конце семестра будут проведены два рубежных контроля, оцениваемые в 20 баллов каждый. На коллоквиумах проверяются теоретические знания слушателей. Помимо рубежных контролей и семинаров в курсе предусмотрен исследовательский проект (оценивается в 20 баллов). В течение семестра слушатели в командах 2-4 человека проводят исследование на выбранную тему: от анализа литературы до проведения экспериментов и написания отчета.

По сумме баллов выставляется итоговая оценка: 50+ баллов — "удовлетворительно", 70+ баллов — "хорошо", 80+ баллов — "отлично".

Цель курса — изучение используемых в различных отраслях нейросетевых алгоритмов, а также отработка всех изученных методов на практических задачах.

Нейронные сети являются лидирующим подходом в распознавании изображений, речи и текстов. В данном курсе вы познакомитесь как с классическими, так и с недавно предложенными, но уже зарекомендовавшими себя нейросетевыми алгоритмами. Так как курс ориентирован на практику, вы получите опыт реализации классификаторов изображений, системы переноса стиля и генерации изображений при помощи GAN. Студенты получат навык реализации нейронных сетей как "с нуля", так и на библиотеке PyTorch. В курсе вы реализуете своего чат-бота, обучите нейросеть играть в компьютерную игру и генерировать человеческие лица. Вы также получите опыт чтения научных статей и самостоятельного проведения научного исследования.

От студентов требуется уверенное владение аппаратом линейной алгебры, математического анализа и теории вероятностей. Для подготовки к курсу слушателям рекомендуется повторить следующие темы:
Высшая математика:

  1. Градиент функции многих переменных
  2. Матричные и векторные производные: производная вектора по вектору, матрицы по числу и т.д.
  3. Градиентный спуск для оптимизации функции многих переменных
  4. Градиентный спуск для оптимизации функции многих переменных
Машинное обучение:
  1. Обучение с учителем и без учителя
  2. Задачи регрессии и классификации
  3. Линейная и логистическая регрессии
  4. Валидация модели: отложенная выборка, k-Fold
Рекомендуемая литература:
  1. 1. Neural networks and deep learning
  2. 2. Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville
  3. 3. Pattern Recognition and Machine Learning, Bishop
  4. 4. K. Murphy, Machine learning: a probabilistic perspective.

Смешанное занятие №1

4 часа 2 часа СР

Смешанное занятие №2

4 часа 2 часа СР

Смешанное занятие №3

4 часа 2 часа СР

Смешанное занятие №4

4 часа 2 часа СР

Смешанное занятие №5

4 часа 2 часа СР

Смешанное занятие №6

4 часа 2 часа СР

Смешанное занятие №7

4 часа 2 часа СР

Рубежный контроль №1

4 часа

Смешанное занятие №8

4 часа 2 часа СР

Смешанное занятие №9

4 часа 2 часа СР

Смешанное занятие №10

4 часа 2 часа СР

Смешанное занятие №11

4 часа 2 часа СР

Смешанное занятие №12

4 часа 2 часа СР

Смешанное занятие №13

4 часа 2 часа СР

Смешанное занятие №14

4 часа 2 часа СР

Рубежный контроль №2

4 часа

Рубежный контроль №3

4 часа 2 часа СР

Пересдача №1

4 часа


Также в втором семестре:
Многопоточное программирование на языке программирования С/С++

В течение семестра студенты реализуют протокол HTTP для будущего веб-сервера, работу по сети, многопоточность.

Информационный поиск

Студенты по завершении данного курса получат знания в области задач машинного обучения, узнают, как решается одна из самых сложных проблем искусственного интеллекта, понимание потребностей человека и поиск подходящего решения.

© VK, 2011–2021

Обратная связь

Присоединяйся:

Группа VK
  • Дизайн:
    Nimax
  • Разработка:
    Команда
    Технопроектов
Версия портала - 5.53.6