• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2019/2020

Глубокое обучение с подкреплением

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»
Направление: 01.03.02. Прикладная математика и информатика
Когда читается: 4-й курс, 3 модуль
Формат изучения: без онлайн-курса
Язык: английский
Кредиты: 4

Course Syllabus

Abstract

The objectives of mastering the discipline are the formation of students theoretical knowledge and practical skills on the basics of building large neural networks for deep learning. Deep learning is a popular area in which neural networks are used. complex architecture. Similar systems give better results in areas such as processing images, video, sound and text. The course will cover the main types of architectures, principles of work and training of deep neural networks, as well as practical exercises in the above areas of application. As a result of mastering the discipline, the student must: - know the ways to build deep neural networks, - be able to apply deep learning to solve specific tasks, - have skills (gain experience) in applying the mathematical apparatus and algorithms work with deep neural networks.
Learning Objectives

Learning Objectives

  • The objectives of mastering the discipline "Deep Learning" are the formation of students' theoretical knowledge and practical skills on the basics of building large neural networks for deep learning.
Expected Learning Outcomes

Expected Learning Outcomes

  • Knows the algorithms deep optimization neural networks based on different variations gradient descent Performs customization such algorithms based on conditions specific task.
  • Knows basic architecture neural networks applied to classifications images. Produces layer modification and various parameters for solutions applied tasks. Applies Networks to problem solving classifications Images, segmentation images and video stream.
  • Knows the methodology structure descriptions neural network as well different ways getting signs from source data
  • Knows basic types tasks solved with using deep learning. Is developing architecture, implements, trains and produces optimization neural parameters networks. Solves applied tasks from various areas with using deep learning.
Course Contents

Course Contents

  • Optimization algorithms and regularization
  • Image Processing and Analysis
  • Hyperparameter optimization, training with reinforcements
  • Natural language processing, competitive and generative neural the network
Assessment Elements

Assessment Elements

  • non-blocking Homework 1
  • non-blocking Homework 2
  • non-blocking Homework 3
  • blocking Exam
    Экзамен проводится на платформе Zoom. Экзамен проводится в устной форме (опрос по материалам курса). По просьбе преподавателя студент должен быть готов выполнить некоторые задания в письменном виде, после чего сфотографировать и выслать на почту преподавателю. К экзамену необходимо подключиться согласно расписанию, высланному преподавателем на корпоративные почты студентов накануне экзамена. Компьютер студента должен удовлетворять требованиям: наличие рабочей камеры и микрофона, поддержка платформы Zoom. Для участия в экзамене студент обязан: выбрать себе имя в Zoom совпадающее с его именем и фамилией, явиться на экзамен согласно точному расписанию, при ответе включить камеру и микрофон. Во время экзамена студентам запрещается выключать камеру. Ипользование конспектов или других справочных материалов допускается только с разрешения преподавателя. Кратковременным нарушением связи во время экзамена считается нарушение связи менее 5 минут. Долговременным нарушением связи во время экзамена считается нарушение 5 минут и более. При долговременном нарушении связи возможность продолжения студентом участие в экзамене определяется преподавателем. Процедура пересдачи подразумевает использование усложненных заданий
Interim Assessment

Interim Assessment

  • Interim assessment (3 module)
    0.5 * Exam + 0.16 * Homework 1 + 0.17 * Homework 2 + 0.17 * Homework 3
Bibliography

Bibliography

Recommended Core Bibliography

  • Iba, H. (2018). Evolutionary Approach to Machine Learning and Deep Neural Networks : Neuro-Evolution and Gene Regulatory Networks. Singapore: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1833749

Recommended Additional Bibliography

  • Taweh Beysolow II. (2017). Introduction to Deep Learning Using R. Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.b.spr.sprbok.978.1.4842.2734.3