Бакалавриат 2023/2024

Введение в глубинное обучение

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

Лучший по критерию «Новизна полученных знаний»

Статус: Курс по выбору (Прикладная математика и информатика)

Направление: 01.03.02. Прикладная математика и информатика

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 3-й курс, 2, 3 модуль

Формат изучения: с онлайн-курсом

Онлайн-часы: 20

Охват аудитории: для своего кампуса

Преподаватели: Боревский Андрей Олегович, Пирогов Вячеслав Григорьевич

Язык: английский

Кредиты: 4

Контактные часы: 10

Course Syllabus

Abstract

The course is dedicated to studying deep learning, which is the most rapidly developing field of machine learning. The course attendees will learn what konds of machine learning tasks can be solved using neural networks and what types of neural networks are currently in use. The course has a clear practical focus, students will have to train neural networks on the PyTorch framework using the Python programming language. The course also covers tasks related to images and texts.

Learning Objectives

• Знать принцип работы и уметь обучать следующие виды нейронных сетей: полносвязные, сверточные, рекуррентные, трансформеры.
• Владение фреймворком PyTorch для обучения нейронных сетей.

Expected Learning Outcomes

• Умение обрабатывать данные и составлять пайплайны для обучения нейронных сетей.
• Понимание различных задач, которые решаются с применением глубинного обучения.

Course Contents

• Графы вычислений, полносвязные нейронные сети.
• Оптимизация нейронных сетей.
• Сверточные нейронные сети
• Современные сверточные архитектуры
• Рекуррентные нейронные сети, обработка текстов
• Архитектура трансформера
• Дистилляция, прунинг, квантизация

Assessment Elements

• МДЗ 1 (Маленькое домашнее задание)
  Полносвязные нейронные сети (10 баллов)
• МДЗ 2 (Маленькое домашнее задание)
• МДЗ 3 (Маленькое домашнее задание)
• ПР 1 (Проверочная работа)
  Полносвязные нейронные сети, оптимизация нейронных сетей
• ПР 2 (Проверочная работа)
  Обработка изображений, сверточные нейронные сети
• ПР 3 (Проверочная работа)
  Обработка текстов, рекуррентные нейронные сети, архитектура трансформера

Interim Assessment

• 2023/2024 3rd module
  Итог = Округление(0.7 * МДЗ + 0.3 ПР), где МДЗ — средняя оценка за все маленькие домашние задания, ПР — оценка за проверочные работы.

Bibliography

Recommended Core Bibliography

• Глубокое обучение, Гудфеллоу, Я., 2018

Recommended Additional Bibliography

• Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705