Нейронные сети в машинном обучении

Длительность
  • 15 занятий
  • 60 ак. часов
Курс преподают
  • Кузьма Храбров Кузьма Храбров
  • Данила Байгушев Данила Байгушев
  • Всеволод Викулин Всеволод Викулин
  • Федор Петряйкин Федор Петряйкин
Получаемые навыки

– Получите опыт подбора архитектуры нейронных сетей и ее быстрой реализации на PyTorch.
– Реализуете классификаторов изображений, системы переноса стиля и генерации изображений при помощи GAN. 
– Станете реализовывать нейронные сети как «с нуля», так и на библиотеке PyTorch. 
– Привыкнете читать научные статьи и сможете самостоятельно проводить научное исследование.

Контроль знаний

Занятия, кроме зачетных, состоят из двух частей: лекции и семинара. На лекции разбирается новый материал, на семинаре полученные знания закрепляются на практике. К каждому семинарскому занятию выдается шаблон кода, который необходимо дополнить реализацией рассмотренного алгоритма. В середине и конце семестра проводятся два рубежных контроля. В течение семестра готовите исследовательский проект: в составе команды из 2−4 человек проводите исследование на выбранную тему, от анализа литературы до проведения эксперимента.

Материалы для подготовки

Работа с нейросетями требует не только внимания, но и предварительной подготовки. Потребуется уверенное владение аппаратом линейной алгебры, математического анализа и теории вероятностей. Рекомендуем повторить несколько тем.
Высшая математика:
– Градиент функции многих переменных.
– Матричные и векторные производные: производная вектора по вектору, матрицы по числу и т. д.
– Градиентный спуск для оптимизации функции многих переменных.
– Градиентный спуск для оптимизации функции многих переменных.

Машинное обучение:
– Обучение с учителем и без учителя.
– Задачи регрессии и классификации.
– Линейная и логистическая регрессии.
– Валидация модели: отложенная выборка, k-Fold.

Также следует прочесть следующие тексты:
–  Neural networks and deep learning
–  Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville
– Pattern Recognition and Machine Learning, Bishop
– K. Murphy, Machine learning: a probabilistic perspective.

Цель курса — изучите нейросетевые алгоритмы и сможете использовать нейронные сети для решения практических задач.

Мы все используем нейронные сети, многие из нас — ежедневно. С их помощью распознаются тексты, изображения, звуки. Благодаря им Shazam узнает и подбирает музыку, Google показывает нужные картинки, а беспилотники заменяют привычный транспорт. Познакомитесь как с классическими, так и с недавно предложенными, но уже зарекомендовавшими себя нейросетевыми алгоритмами. Уже к концу семестра реализуете своего чат-бота, обучите нейросеть играть в компьютерную игру и генерировать человеческие лица.

Смешанное занятие №1

Смешанное занятие №2

Смешанное занятие №4

Смешанное занятие №5

Смешанное занятие №6

Смешанное занятие №7

Рубежный контроль №1

Смешанное занятие №8

Смешанное занятие №10

Смешанное занятие №11

Смешанное занятие №13

© VK, 2011–2022

Обратная связь

Присоединяйся:

Группа VK
  • Разработка:
    Команда
    VK Образование
Версия портала - 5.60.1