• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2021/2022

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 (Науки о данных (Data Science))
Направление: 01.04.02. Прикладная математика и информатика
Когда читается: 2-й курс, 1, 2 модуль
Формат изучения: с онлайн-курсом
Онлайн-часы: 30
Охват аудитории: для всех кампусов НИУ ВШЭ
Прогр. обучения: Науки о данных
Язык: английский
Кредиты: 8
Контактные часы: 54

Course Syllabus

Abstract

Предлагаемый курс посвящён методам “глубинного обучения” - нового поколения нейросетевых методов машинного обучения, вызвавших бурный всплеск развития в ряде прикладных областей. В первую очередь курс направлен на формирования у студентов навыков решения прикладных задач при помощи глубоких нейронных сетей.
Learning Objectives

Learning Objectives

  • формирование у студента навыков и опыта решения прикладных задач с использованием глубинного обучения
Expected Learning Outcomes

Expected Learning Outcomes

  • Знает основные сферы применения методов глубокого обучения, особенности и трюки в каждой такой сфере
  • Имеет углублённое понимание одной из основных сфер применения глубокого обучения
  • Умеет решать задачи производственной и технологической деятельности с использованием методов глубокого обучения на профессиональном уровне, включая постановку задачи, базовое решение, прототипирование и внедрение
Course Contents

Course Contents

  • Введение. Основные абстракции, глубинное обучение. Обучение представлений.
  • Основные сферы применения глубинного обучения
  • Практические задачи компьютерного зрения
  • Анализ проектных задач и способов их решения
  • Практические задачи обработки последовательностей (текст, речь и т.д.), приёмы для их решения
  • Промежуточный отчёт по проектным задачам
  • Deep Reinforcement Learning
  • Вычислительная оптимизация обученных нейронных сетей. Особенности применения в production
  • Отчёт по проектным задачам
Assessment Elements

Assessment Elements

  • non-blocking Домашние задания
  • non-blocking Проект
    Предполагается решение задачи в semi-supervised режиме в течение всего курса с периодическими выступлениями о том, что удалось сделать, что не заработало и обсуждений, как с этим бороться.
Interim Assessment

Interim Assessment

  • 2021/2022 2nd module
    Итоговая оценка = max(1,min(10,Округление(L/10))), где L - сумма баллов за выполненные домашние задания, проект, а также дополнительные активности (участие в обсуждении проектов однокурсников; статьи, посты, коммиты, доклады, если они публично доступны и опубликованы не раньше начала курса).
Bibliography

Bibliography

Recommended Core Bibliography

  • Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль ; перевод с английского А. А. Слинкина. — 2-е изд. — Москва : ДМК Пресс, 2018. — 652 с. — ISBN 978-5-97060-618-6. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/107901 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.

Recommended Additional Bibliography

  • Bengio, Y., Courville, A., & Vincent, P. (2012). Representation Learning: A Review and New Perspectives. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsarx&AN=edsarx.1206.5538
  • Graves, A., Fernàndez, S., Gomez, F., & Schmidhuber, J. (2017). Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neural Networks. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.163BBE7B
  • Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet Classification with Deep Convolutional Neural Networks. Communications of the ACM, 60(6), 84–90. https://doi.org/10.1145/3065386

Authors

  • RATNIKOV FEDOR DMITRIEVICH