Глубинное обучение

Магистратура 2022/2023

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 обязательный (Машинное обучение и высоконагруженные системы)

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 2-й курс, 1 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Тихонова Мария Ивановна

Прогр. обучения: Машинное обучение и высоконагруженные системы

Язык: русский

Кредиты: 5

Контактные часы: 14

Полная версия программы учебной дисциплины

Аннотация

Курс посвящен современным методам глубокого обучения, базовые знания которых на сегодняшний день являются обязательными для специалистов по анализу данных. В курсе будут рассмотрены применение данных методов к практическим задачам, в том числе обработке изображений, естественного языка, звука и многих других.

Цель освоения дисциплины

По окончании курса студенты будут: • знать принципы построения нейросетей • владеть навыками работы с библиотекой pytorch • владеть навыками обучения и использования нейросетей • знать наиболее часто используемые архитектуры • уметь распознавать задачи, которые потенциально можно решить при помощи методов глубинного обучения

Планируемые результаты обучения

Уметь применять алгоритмы NLP для решения широкого спектра задач автоматической обработки текстов.
Понимать устройство архитектуры трансформер.
Уметь применять трансформерные языковые модели для широкого спектра задач.
Знать базовые принципы работы со звуковыми данными с помощью методов глубинного обучения.
Уметь решать базовые задачи, связанные с обработкой звуковых данных.
Уметь решать задачи связанные с распознаванием речи.
Уметь создавать рекомендательные системы, основанные на нейросетевых архитектурах.
Знать основные подходы к построению рекомендательных систем.
Умение создавать графовые модели для широкого спектра задач.
Знать основные принципы работы с графовыми моделями.
Уметь применять базовые принципы работы с графовыми моделями на практике.