Научно-исследовательский семинар "Анализ Интернет-данных"

Магистратура 2019/2020

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

Статус: Курс обязательный (Науки о данных)

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Базовая кафедра Яндекс

Где читается: Факультет компьютерных наук

Когда читается: 1-й курс, 1-4 модуль

Формат изучения: без онлайн-курса

Преподаватели: Бабенко Артем Валерьевич

Прогр. обучения: Науки о данных

Язык: русский

Кредиты: 4

Контактные часы: 40

Полная версия программы учебной дисциплины

Аннотация

Основной целью научно-исследовательского семинара "Анализ интернет-данных" является ознакомление студентов с последними достижениями и тенденциями машинного обучения и формирование методом разбора научных статей на заданные тематики.

Цель освоения дисциплины

ознакомление студентов с последними достижениями и тенденциями машинного обучения.

Планируемые результаты обучения

Формирование у студентов компетенций по работе с современными фреймворками для глубинного обучения.
Формирование компетенций в сфере применения байесовских методов.
Формирование компетенций в использовании современных нейросетевых алгоритмов для решения классических задач комбинаторной оптимизации
Формирование у студентов компетенций в работе с генеративно-состязательными нейронными сетями
Формирование у студентов компетенций в работе с графами с помощью нейронных сетей

Содержание учебной дисциплины

Обзор фреймворков для глубинного обучения
"Обзор основных фреймворков для глубинного обучения: PyTorch, tensorflow, MXNet. Анализ выложенного в открытый доступ кода современных статей. Обзор лучших практик при написании воспроизводимого кода для научных экспериментов."
Байесовские методы в глубинном обучении
"Плюсы и минусы байесовского подхода. Связь с небайесовскими методами. Способы ускорить классические байесовские методы."
Нейросетевые методы в задачах комбинаторной оптимизации
"Повторение классических методов комбинаторной оптимизации. Способы постановки задач в случае нейронных сетей. Глубинные нейронные сети на графах. Сравнение с классическими методами."
Генеративно-состязательные сети в применении к задачам компьютерного зрения
"Обзор ряда статей, посвященных генерации изображений. Разбор ряда архитектур и общих идей на примере CycleGAN, ProgressiveGAN, StyleGAN, GauGAN. Применение для задач super-resolution на примере SRGAN и ESRGAN. Статьи по работе с видео. Применения для генерации синтетических наборов данных."
Анализ графов с помощью нейронных сетей
"Напоминание основных понятий теории графов Графовые нейронные сети Graph Convolutional Networks и GraphSAGE"

Элементы контроля

Домашняя работа
Домашняя работа
Экзамен
Оценка за дисциплину выставляется в соответствии с формулой оценивания от всех пройденных элементов контроля. Экзамен не проводится.

Промежуточная аттестация

Промежуточная аттестация (4 модуль)
0.3 * Домашняя работа + 0.3 * Домашняя работа + 0.4 * Экзамен

Программа дисциплины