Магистратура
2020/2021
Научно-исследовательский семинар "Анализ Интернет-данных"
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:
Баранчук Дмитрий Александрович
Прогр. обучения:
Науки о данных
Язык:
русский
Кредиты:
4
Контактные часы:
40
Программа 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
- 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 * Домашняя работа + 0.3 * Домашняя работа + 0.4 * Экзамен
Список литературы
Рекомендуемая основная литература
- Статистический анализ данных, моделирование и исследование вероятностных закономерностей. Компьютерный подход / Б.Ю. Лемешко, С.Б. Лемешко, С.Н. Постовалов и др. - М.: НИЦ ИНФРА-М, 2015. - 890 с.: 60x90 1/16 ISBN 978-5-16-103267-1 (online) - Режим доступа: http://znanium.com/catalog/product/515227
Рекомендуемая дополнительная литература
- Блягоз З.У. - Теория вероятностей и математическая статистика. Курс лекций - Издательство "Лань" - 2018 - 224с. - ISBN: 978-5-8114-2934-9 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/103061
- Боровков А. А. - Математическая статистика - Издательство "Лань" - 2010 - 704с. - ISBN: 978-5-8114-1013-2 - Текст электронный // ЭБС ЛАНЬ - URL: https://e.lanbook.com/book/3810