Master
2019/2020
Deep Learning
Category 'Best Course for Career Development'
Category 'Best Course for Broadening Horizons and Diversity of Knowledge and Skills'
Category 'Best Course for New Knowledge and Skills'
Type:
Compulsory course (Big Data Analysis in Business, Economy, and Society)
Area of studies:
Applied Mathematics and Informatics
Delivered by:
Department of Mathematics
When:
2 year, 1, 2 module
Mode of studies:
offline
Instructors:
Sergey I. Nikolenko
Master’s programme:
Big Data Analysis for Business, Economy, and Society
Language:
English
ECTS credits:
6
Contact hours:
64
Course Syllabus
Abstract
Целями освоения дисциплины «Глубокое обучение» являются формирование теоретических знаний о математических методах поиска и анализа данных для принятия и реализации решений. формирование представление о системах поддержки принятия решений. В рамках курса изучаются такие разделы, как "Графические модели", "Основы нейронных сетей", "Специальные виды нейронных сетей" и "Выбор стратегий с помощью нейросетей".
Learning Objectives
- формирование теоретических знаний о математических методах поиска и анализа данных для принятия и реализации решений.
- формирование представление о системах поддержки принятия решений
Expected Learning Outcomes
- демонстрирует знание определений и примеров графических моделей
- знает методы сэмплирования
- демонстрирует знание байесовских рейтинг-систем
- демонстрирует знание видов функций активации
- демонстрирует знание основ нейронных сетей
- демонстрирует знание метода моментов и методов второго порядка
- демонстрирует знание рекуррентных и сверточных сетей
- демонстрирует знание глубоких сетей для обработки текстов
- умеет выбирать стратегии с помощью нейросетей
- умеет применять нейробайесовские методы
Course Contents
- Графические моделиГрафические модели: определения, обозначения, примеры. Маргинализация в общем виде, вывод на графе без циклов. Вывод на графе с циклами: вариационные приближения. Алгоритм EM в общем виде. Сэмплирование как метод приближённого вычисления. Методы сэмплирования. Тематическое моделирование и модель LDA. Вывод в моделях со сложными факторами: Expectation Propagation. Байесовские рейтинг-системы.
- Основы нейронных сетейНейронные сети: перцептрон. Виды функций активации. Обучение одного перцептрона. История развития нейронных сетей. Градиентный спуск. Обратное распространение градиента на графе вычислений. Как сделать градиентный спуск быстрее и лучше. Метод моментов, методы второго порядка и другие трюки. Регуляризация в нейронных сетях. Дропаут и его мотивация. Другие методы.
- Специальные виды нейронных сетейРекуррентные сети: базовые архитектуры, LSTM, GRU. Свёрточные сети: архитектуры, как обучать, для чего они нужны. Глубокие сети для обработки текстов I: распределённые представления слов. Глубокие сети для обработки текстов II: рекурсивные нейронныесети, сети со стеком, сети с памятью.
- Выбор стратегий с помощью нейросетейОбучение с подкреплением: основы, определения, классические алгоритмы Как работает AlphaGo: обучение с подкреплением на глубоких сетях. DQN. Соединяем байесовский вывод и глубокие сети: нейробайесовские методы.
Interim Assessment
- Interim assessment (2 module)0.36 * Домашнее задание + 0.24 * Контрольная работа + 0.4 * Экзамен
Bibliography
Recommended Core Bibliography
- Murphy, K. P. (2012). Machine Learning : A Probabilistic Perspective. Cambridge, Mass: The MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=480968
Recommended Additional Bibliography
- Hetland, M. L. (2014). Python Algorithms : Mastering Basic Algorithms in the Python Language (Vol. Second edition). [New York, N.Y.]: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1174465