Нейронные сети в машинном обучении

Длительность
  • 18 занятий
  • 72 ак. часов
Курс преподают
  • Даниил Полыковский Даниил Полыковский
  • Кузьма Храбров Кузьма Храбров
  • Всеволод Викулин Всеволод Викулин
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 15 баллов каждый. На коллоквиумах проверяются теоретические знания слушателей. Помимо рубежных контролей и семинаров в курсе предусмотрен исследовательский проект (оценивается в 30 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:
- 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

Рекомендуемая литература:
1. Neural networks and deep learning - http://neuralnetworksanddeeplearning.com
2. Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville - http://www.deeplearningbook.org
3. Pattern Recognition and Machine Learning, Bishop - http://www.springer.com/gp/book/9780387310732
4. K. Murphy, Machine learning: a probabilistic perspective. - https://mitpress.mit.edu/books/machine-learning-0

Смешанное занятие №1

Основы нейронных сетей

4 часа 2 часа СР

Смешанное занятие №2

Детали обучения нейронных сетей

4 часа 2 часа СР

Смешанное занятие №3

Библиотеки для глубинного обучения

4 часа 2 часа СР

Смешанное занятие №4

Сверточные нейронные сети

4 часа 2 часа СР

Смешанное занятие №5

Глубинные нейронные сети

4 часа 2 часа СР

Смешанное занятие №6

Архитектуры глубинных сетей

4 часа 2 часа СР

Смешанное занятие №7

Методы оптимизации

4 часа 2 часа СР

Смешанное занятие №8

Нейронные сети для снижения размерности

4 часа 2 часа СР

Смешанное занятие №9

Рекуррентные сети

4 часа 2 часа СР

Рубежный контроль №1

Коллоквиум 1

4 часа

Смешанное занятие №10

Нейронные сети для обработки естественного языка

4 часа 2 часа СР

Смешанное занятие №11

Соперничающие сети (GAN)

4 часа 2 часа СР

Смешанное занятие №12

Вариационные автокодировщики (VAE) и Artistic Style

4 часа 2 часа СР

Смешанное занятие №13

Обучение с подкреплением часть 1

4 часа 2 часа СР

Смешанное занятие №14

Обучение с подкреплением, часть 2

4 часа 2 часа СР

Рубежный контроль №2

Коллоквиум 2

4 часа

Рубежный контроль №3

Защита исследовательского проекта

4 часа 2 часа СР

Пересдача №1

Пересдача

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. Часть 1

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.

© Mail.ru Group, 2011–2019

Обратная связь

Присоединяйся:

Группа ВКонтакте
  • Дизайн:
    Nimax
  • Разработка:
    Лаборатория
    технопарка
Версия портала - 5.38.7