Бакалавриат
2022/2023![Цель освоения дисциплины](/f/src/global/i/edu/objectives.svg)
![Планируемые результаты обучения](/f/src/global/i/edu/results.svg)
![Содержание учебной дисциплины](/f/src/global/i/edu/sections.svg)
![Элементы контроля](/f/src/global/i/edu/controls.svg)
![Промежуточная аттестация](/f/src/global/i/edu/intermediate_certification.svg)
![Список литературы](/f/src/global/i/edu/library.svg)
Глубинное обучение
Лучший по критерию «Полезность курса для Вашей будущей карьеры»
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 информатики
Когда читается:
3-й курс, 3, 4 модуль
Формат изучения:
с онлайн-курсом
Онлайн-часы:
20
Охват аудитории:
для своего кампуса
Преподаватели:
Шпильман Алексей Александрович
Язык:
русский
Кредиты:
5
Контактные часы:
60
Программа дисциплины
Аннотация
Глубинное обучение – популярная область, в которой используются нейронные сети сложной архитектуры. Подобные системы дают лучшие результаты в таких областях, как обработка изображений, видео, звука и текста. В рамках курса будут рассмотрены основные типы архитектур, принципы работы и обучения глубоких нейронных сетей, а также проведены практические занятия по вышеупомянутым областям применения. Является дисциплиной по выбору. Для освоения дисциплины необходимы компетенции, полученные в ходе изучения дисциплин «Машинное обучение», «Методы оптимизации».
Цель освоения дисциплины
- Формирование у студентов теоретических знаний и практических навыков по основам построения больших нейронных сетей для глубинного обучения.
Планируемые результаты обучения
- Узнать способы построения глубоких нейронных сетей
- Умеет применять глубинное обучение для решения характерных задач
- Имеет навыки применения математического аппарата и алгоритмов работы с глубинными нейронными сетями
Содержание учебной дисциплины
- Раздел 1. Алгоритмы оптимизации и регуляризации
- Раздел 2. Обработка и анализ изображений
- Раздел 3. Обработка естественного языка, конкурентные и генеративные нейронные сети
- Раздел 4. Оптимизация гиперпараметров, обучение с подкреплением
Элементы контроля
- Домашнее задание №1Домашнее задание No1 выдается студентам в одном варианте и состоит из 3 задач. Срок выполнения домашнего задания - 4 недели. Форма представления обучающимися домашнего задания – реализованный на любом языке программирования алгоритм.
- Домашнее задание №2Домашнее задание No2 выдается студентам в одном варианте и состоит из 3 задач. Срок выполнения домашнего задания - 4 недели. Форма представления обучающимися домашнего задания - реализованный на любом языке программирования алгоритм.
- Домашнее задание №3Домашнее задание No3 выдается студентам в одном варианте и состоит из 3 задач. Срок выполнения домашнего задания - 4 недели. Форма представления обучающимися домашнего задания - реализованный на любом языке программирования алгоритм.
- Устный экзаменУстный экзамен проводится в форме ответов на вопросы экзаменационного билета. Экзаменационный билет содержит два вопроса из перечня вопросов к экзамену. Возможны дополнительные вопросы, в случае если экзаменуемый недостаточно подробно ответил на вопросы билета. На подготовку ответа выделяется 2,5 часа.
Промежуточная аттестация
- 2022/2023 учебный год 4 модульПреподаватель учитывает оценку за текущий контроль (домашние задания). Онакопленная = (Од/з1 + Од/з2 + Од/з3) : 3 Действует следующий способ округления накопленной оценки за текущий контроль: при значениях от 0,1 до 0,4 оценка округляется в меньшую сторону, от 0,5 до 0,9 – в большую. На экзамене студенту не предоставляется возможность получить дополнительный балл для компенсации оценки за текущий контроль. Результирующая оценка за дисциплину рассчитывается следующим образом: ОРезультирующая= 0,5 Онакопленная+0,5 Оэкзамен
Список литературы
Рекомендуемая основная литература
- Introduction to deep learning, Charniak, E., 2018
Рекомендуемая дополнительная литература
- Iba, H. (2018). Evolutionary Approach to Machine Learning and Deep Neural Networks : Neuro-Evolution and Gene Regulatory Networks. Singapore: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1833749