Магистратура
2019/2020
Современные методы анализа данных: Глубинное обучение
Статус:
Курс обязательный (Финансовые технологии и анализ данных)
Направление:
01.04.02. Прикладная математика и информатика
Где читается:
Факультет компьютерных наук
Когда читается:
1-й курс, 3, 4 модуль
Формат изучения:
без онлайн-курса
Преподаватели:
Озерин Алексей Юрьевич
Прогр. обучения:
Финансовые технологии и анализ данных
Язык:
русский
Кредиты:
8
Контактные часы:
80
Программа дисциплины
Аннотация
Нейронные сети стали привычным инструментом для решения ряда задач (распознавание образов, обработка речи, автоматический перевод и множества других). В курсе будут разобраны теоретические и практические аспекты использования нейронных сетей.
Цель освоения дисциплины
- Овладеть теоретическими основами нейронных сетей
- Освоить пакет Pytorch Освоить пакет Pytorch
- Научиться решать прикладные задачи с помощью нейронных сетей
Планируемые результаты обучения
- 1. Знать принципы работы нейронных сетей 2. Уметь выбирать метрики и функцию ошибки под требования практической задачи 3. Уметь писать подготовку данных, создание моделей и процедуру тренировки для основных типов задач 4. Знать основные задачи и базовые архитектуры для их решения.
Содержание учебной дисциплины
- Введение в глубинное обучениеВычислительные графы, алгоритм обратного распространения ошибки. Дифференцирование основных операций. Метод стохастического градиентного спуска. Обзор библиотек для глубинного обучения.
- Сверточные нейронные сетиОперации свертки и пуллинга, основные архитектуры сверточных сетей. Функции ошибок и метрики качества для разных практических задач.
- Рекуррентные нейронные сетиПринцип работы рекуррентных сетей. Особенности обучения, основные блоки.
- Обучение и регуляризация нейронных сетейМетоды оптимизации (SGD, Adam и другие методы, подбор параметров). Методы регуляризации (L2, dropout, batchnorm, mixup и другие). Исследование ландшафта функции потерь. Эволюция весов модели в процессе обучения.
- Непрямые способы использования нейронных сетейСостязательные генеративные модели (GAN), адаптация к новым данным (domain adaptation), нераспознаваемые примеры (adversarial examples).
- Современное компьютерное зрениеПримеры архитектур для задач компьютерного зрения (классификация, детекция, сегментация, поиск похожих изображений).
- Обработка текстов с помощью нейронных сетейПредставления слов (word2vec, fasttext), модели для предсказания последовательностей (seq2seq). Современный машинный перевод. Задачи с мультимодальными представлениями (генерация подписей к изображениям)
- Обработка сигналов с помощью нейронных сетейАрхитектуры для работы с сигналами (WaveNet). Основы обработки звука. Распознавание и генерация речи с помощью нейронных сетей.
- Дифференцируемое программированиеВстраивание классических алгоритмов в вычислительные графы (динамическое программирование, CTC loss).
Элементы контроля
- Домашние заданияСтуденту, получившему отличную накопленную оценку, данная оценка может быть выставлена в качестве итоговой на усмотрение преподавателя.
- ПроектСтуденту, получившему отличную накопленную оценку, данная оценка может быть выставлена в качестве итоговой на усмотрение преподавателя.
- ЭкзаменОценка за дисциплину выставляется в соответствии с формулой оценивания от всех пройденных элементов контроля. Экзамен не проводится.
Промежуточная аттестация
- Промежуточная аттестация (4 модуль)0.3 * Домашние задания + 0.4 * Проект + 0.3 * Экзамен
Список литературы
Рекомендуемая основная литература
- Beysolow, T. (2018). Applied Natural Language Processing with Python : Implementing Machine Learning and Deep Learning Algorithms for Natural Language Processing. [Berkeley, CA]: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1892182
- Гудфеллоу Я., Бенджио И., Курвилль А. - Глубокое обучение - Издательство "ДМК Пресс" - 2018 - 652с. - ISBN: 978-5-97060-618-6 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/107901
Рекомендуемая дополнительная литература
- Lappin, S., Fox, C., & Clark, A. (2010). The Handbook of Computational Linguistics and Natural Language Processing. Chichester, West Sussex: Wiley-Blackwell. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=330500
- Паттерсон Дж., Гибсон А. - Глубокое обучение с точки зрения практика - Издательство "ДМК Пресс" - 2018 - 418с. - ISBN: 978-5-97060-481-6 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/116122