Продвинутые методы глубинного обучения

Программа предназначена для преподавателей, ведущих дисциплину «Продвинутые методы глубинного обучения», учебных ассистентов и студентов направления подготовки/специальности «01.03.02 Прикладная математика и информатика», обучающихся по образовательным программам бакалавриата.

Целями освоения дисциплины Продвинутые методы глубинного обучения являются:

• знакомство студентов с прикладными аспектами построения и применения нейронных сетей;
• развитие навыков применения продвинутых алгоритмов глубинного обучения в фреймворке PyTorch на языке программирования Python.

Программа предназначена для преподавателей, ведущих дисциплину «Продвинутые методы глубинного обучения», учебных ассистентов и студентов направления подготовки/специальности «01.03.02 Прикладная математика и информатика», обучающихся по образовательным программам бакалавриата.

Целями освоения дисциплины Продвинутые методы глубинного обучения являются:

• знакомство студентов с прикладными аспектами построения и применения нейронных сетей;
• развитие навыков применения продвинутых алгоритмов глубинного обучения в фреймворке PyTorch на языке программирования Python.

Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning. MIT Press, 2016. Retrieved from https://www.deeplearningbook.org/

Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. Springer, 2009. Retrieved from https://web.stanford.edu/~hastie/Papers/ESLII.pdf

R.S. Sutton, A.G. Barto, Reinforcement Learning: An Introduction. 2nd Ed., Bradford Books, 2018. Retrieved from https://doc.lagout.org/science/Artificial%20Intelligence/Machine%20learning/Reinforcement %20Learning%20%20An%20Introduction%20-%20Richard%20S.%20Sutton%20%2C%20Andrew%20G .%20Barto.pdf

Для освоения учебной дисциплины студенты должны владеть следующими знаниями и компетенциями:
- Знание основ программирования на языке высокого уровня, знание основных алгоритмов и
концепций машинного обучения и глубинного обучения.

1. Продвинутые методы в компьютерном зрении  

Задачи локализации и сегментации, архитектуры для решения задач детекции и сегментации.

2. Генеративные модели

Архитектуры «кодировщик-декодировщик», автокодировщики, генеративно-состязательные модели и нормализационные потоки.

3. Глубинное обучение для обработки звука  

Основные подходы к решению задач распознавания и синтеза речи.

4. Глубинное обучение на графах 

Графовые нейронные сети, особенности графов, применение сверток к графам и генерация графов.

5. Обучение с подкреплением  

Задача обучения с подкреплением, основные алгоритмы и применение нейронных сетей, Q-learning.

Студент способен разрабатывать и реализовывать в виде программного модуля алгоритм решения поставленной теоретической или прикладной задачи на основе математической модели.

• Осознает сущность и значение информации в развитии современного общества; владеет основными методами, способами и средствами получения, хранения, переработки информации (ОК-12).
• Способен разрабатывать и реализовывать в виде программного модуля алгоритм решения поставленной теоретической или прикладной задачи на основе математической модели (ПК-2).     
• Способен собирать, обрабатывать и интерпретировать данные современных научных исследований в области математики и компьютерных наук, необходимых для формирования выводов по соответствующим научным исследованиям (ПК-1).

Программные средства

• Code::Blocks — Кроссплатформенная среда разработки, Разработка ПО, Свободное лицензионное соглашение
• Microsoft Visual Studio 2015 Community — Среда разработки, Разработка ПО, Свободное лицензионное соглашение
• Anaconda Community
• Пакеты Python для науки, математики, инженерии и анализа данных — Разработка ПО, Свободное лицензионное соглашение