Глубинное обучение

Бакалавриат 2020/2021

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: 4-й курс, 1, 2 модуль

Формат изучения: с онлайн-курсом

Преподаватели: Осокин Антон Александрович, Рябинин Максим Константинович, Сапарина Ирина Олеговна

Язык: русский

Кредиты: 5

Контактные часы: 60

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

В последние году методы глубинного обучения (нейросети) позволили достигнуть впечатляющих успехов в решении прикладных задач из таких областей как компьтерное зрение, обработка естественного языка, обработка аудио. В рамках данного курса мы рассмотрим основные нейросетевые модели, а также способы их применения и обучения. Студенты получат навыки использования этих технологий в стандартных задачах, а также разработки и модификации методов для новых задач.

Цель освоения дисциплины

Ознакомление студентов с основными принципами применения методов, основанных на глубоких нейросетях, для решения задач машинного обучения.
Формирование у студентов практических навыков применения и обучения глубоких нейросетей в прикладных задачах анализа данных из таких областей как компьютерное зрение, обработка текстов, и др.

Планируемые результаты обучения

знать основные принципы построения моделей на основе нейросетей
знать стандартные алгоритмы обучения и регуляризации нейросетей
владеть навыками работы с библиотекой pytorch и ее документацией
владеть навыками реализации систем для обучения и использования нейросетей
владеть навыками тестирования и отладки существующих систем
уметь обучать нейросетевые модели на новых наборах данных
знать наиболее часто используемые стандартные архитектуры и области их применимости
знать виды задач, которые уместно решать при помощи методов глубинного обучения
уметь распознавать задачи, которые потенциально можно решить при помощи методов глубинного обучения
уметь подбирать наиболее подходящий набор алгоритмов

Содержание учебной дисциплины

Введение в глубинное обучение
Нейронные сети для задачи классификации, оптимизация методом стохастического гради-ента, примеры задач.
Механика нейросетей и алгоритм обратного распространения ошибок
Обратное распространение ошибки как основной способ обучения нейросетей, дифферен-цирование основных операций (полносвязные слой, свёртка), автоматической дифференциро-вание сложных моделей, подходы к реализации нейросетевых библиотек (статический и дина-мический графы вычислений)
Основные виды нейросетей
Повышение эффективности использования параметров, операция свёрки для изображений, основные принципы построения свёрточных сетей, рекуррентные сети для обработки последо-вательностей, основные виды рекуррентных блоков и способов построения рекуррентных мо-делей.
Обучение и регуляризация нейросетей
Методы регуляризации нейросетей (L2, dropout, batchnorm, data augmentation и др.), методы оптимизации (SGDи его улучшения, подбор длины шага и масштаба каждого из параметров), архитектурные элементы, улучшающие обучение нейросетей (gating, skip connections). Настоящая дисциплина относится к циклу дисциплин по машинному обучению и анализу данных.
Глубинное обучение для задач компьютерного зрения
Примеры построения сложных архитектур для задач компьютерного зрения: поиск объектов на изображении (object detection), сегментация изображений (image segmentation), обучение представлений и поиск изображений (representation learning and image retrieval), и др.
Глубинное обучение для построения вероятностных моделей
Прямые вероятностные модели (NADE, PixelCNN и др.), вероятностные модели со скрыты-ми переменными (вариационный автокодировщик, VAE).
Непрямые способы использования нейросетей
Адаптация нейросетей к новым наборам данных (domain adaptation), противоборствующее обучение (adversarial trainings), построение примеров, на которых нейросети ошибаются (ad-versarial examples).
Встраивание алгоритмов в слои нейросетей
Алгоритм вывода в функции потерь на примере структурного метода опорных векторов, дифференцируемый вывод на примере гауссовского марковского поля, итерационные алгорит-мы как вычислительные графы на примере алгоритма передачи сообщений.
Недифференцируемые модели и глубинное обучение с подкреплением
Введение в обучение с подкреплением и основные алгоритмы (policy gradients), глубинное обучение с покреплением, байесовские нейросети.
Глубинное обучение для задач обработки текстов
Представления слов (word embeddings), модели для предсказания последовательностей (se-quence-to-sequence), задачи машинного перевода и генерации подписи к изображениям.

Элементы контроля

Домашнее задание (ДЗ)
В рамках курса будет выдано 3 домашних задания
Экзамен (Э)

Промежуточная аттестация

Промежуточная аттестация (2 модуль)
О_ДЗ1, О_ДЗ2, О_ДЗ3: Итоговые оценки за домашние задания, шкала от 0 до 10.
О_накопл: Накопленная оценка выставляется по итогам работы в семестре по следующей нелинейной формуле, шкала от 0 до 10.
О_накопл := округление( О_ДЗ1 * w_ДЗ1 + О_ДЗ2 * w_ДЗ2 + О_ДЗ3 * w_ДЗ3), где веса w_ДЗ1, w_ДЗ2, w_ДЗ3 вычисляются при помощи взвешенной функции softmin.
w_ДЗ1 := s_ДЗ1 / (s_ДЗ1 + s_ДЗ2 + s_ДЗ3)
w_ДЗ2 := s_ДЗ2 / (s_ДЗ1 + s_ДЗ2 + s_ДЗ3)
w_ДЗ3 := s_ДЗ3 / (s_ДЗ1 + s_ДЗ2 + s_ДЗ3)
s_ДЗ1 := exp( -О_ДЗ1 / T)
s_ДЗ2 := exp( -О_ДЗ2 / T)
s_ДЗ3 := exp( -О_ДЗ3 / T)
Значения параметров: T:= 20
О_Э: оценка за экзамен выставляется в шкале от 0 до 10. По взаимному согласию студента и преподавателя оценка за экзамен может быть выставлена равной накопленной оценке.
Итоговая оценка вычисляется по формуле
О_итог := округление(0.7 * О_накопл + 0.3 * О_Э)

Программа дисциплины