Продвинутые методы глубинного обучения

О курсе

Программа предназначена для преподавателей, ведущих дисциплину «Продвинутые методы глубинного обучения», учебных ассистентов и студентов направления подготовки/специальности «01.03.02 Прикладная математика и информатика», обучающихся по образовательным программам бакалавриата.

Целями освоения дисциплины Продвинутые методы глубинного обучения являются:

знакомство студентов с прикладными аспектами построения и применения нейронных сетей;
развитие навыков применения продвинутых алгоритмов глубинного обучения в фреймворке PyTorch на языке программирования Python.

Результат

Студент способен разрабатывать и реализовывать в виде программного модуля алгоритм решения поставленной теоретической или прикладной задачи на основе математической модели.

Формируемые компетенции

Осознает сущность и значение информации в развитии современного общества; владеет основными методами, способами и средствами получения, хранения, переработки информации (ОК-12).

Способен разрабатывать и реализовывать в виде программного модуля алгоритм решения поставленной теоретической или прикладной задачи на основе математической модели (ПК-2).

Способен собирать, обрабатывать и интерпретировать данные современных научных исследований в области математики и компьютерных наук, необходимых для формирования выводов по соответствующим научным исследованиям (ПК-1).

О преподавателях

Гущин Михаил ИвановичСтарший научный сотрудник Факультета компьютерных наук

Чиркова Надежда АлександровнаПриглашенный преподаватель Факультета компьютерных наук

Биршерт Алексей ДмитриевичПриглашенный преподаватель Факультета компьютерных наук

Входные требования

Для освоения учебной дисциплины студенты должны владеть следующими знаниями и компетенциями:

- Знание основ программирования на языке высокого уровня, знание основных алгоритмов и

концепций машинного обучения и глубинного обучения.

Содержание курса

1. Продвинутые методы в компьютерном зрении

Задачи локализации и сегментации, архитектуры для решения задач детекции и сегментации.

2. Генеративные модели

Архитектуры «кодировщик-декодировщик», автокодировщики, генеративно-состязательные модели и нормализационные потоки.

3. Глубинное обучение для обработки звука

Основные подходы к решению задач распознавания и синтеза речи.

4. Глубинное обучение на графах

Графовые нейронные сети, особенности графов, применение сверток к графам и генерация графов.

5. Обучение с подкреплением

Задача обучения с подкреплением, основные алгоритмы и применение нейронных сетей, Q-learning.

Профессии, специальности и направления подготовки	01.03.02 Прикладная математика и информатика 01.03.03 Механика и математическое моделирование 01.03.04 Прикладная математика 01.03.01 Математика 01.03.05 Статистика
Область деятельности	Математические и естественные науки
Дата окончания записи	31.12.2030
Трудоёмкость в з.е.	1.0
Количество лекций	5
Дата ближайшего старта	08.12.2023
Дата окончания	31.12.2030
ID курса	048f3c87-d3ea-407b-9ecf-4cf7c1271d8a
К-во обучающихся на версии курса	177
Язык	Русский
Длительность	5 недель
Сертификат	Есть
Версия	2