Bachelor
2023/2024
Deep Learning 1
Category 'Best Course for Career Development'
Category 'Best Course for Broadening Horizons and Diversity of Knowledge and Skills'
Category 'Best Course for New Knowledge and Skills'
Type:
Elective course (Applied Mathematics and Information Science)
Area of studies:
Applied Mathematics and Information Science
Delivered by:
Big Data and Information Retrieval School
Where:
Faculty of Computer Science
When:
3 year, 2, 3 module
Mode of studies:
distance learning
Online hours:
20
Open to:
students of one campus
Language:
English
ECTS credits:
4
Contact hours:
48
Course Syllabus
Abstract
The course is dedicated to studying deep learning, which is the most rapidly developing field of machine learning. The course attendees will learn what konds of machine learning tasks can be solved using neural networks and what types of neural networks are currently in use. The course has a clear practical focus, students will have to train neural networks on the PyTorch framework using the Python programming language. The course also covers tasks related to images and texts.
Learning Objectives
- Знать принцип работы и уметь обучать следующие виды нейронных сетей: полносвязные, сверточные, рекуррентные, трансформеры.
- Владение фреймворком PyTorch для обучения нейронных сетей.
- Понимать различные задачи, которые решаются с применением глубинного обучения.
Expected Learning Outcomes
- Умение обрабатывать данные и составлять пайплайны для обучения нейронных сетей.
Course Contents
- Графы вычислений, полносвязные нейронные сети.
- Оптимизация нейронных сетей.
- Сверточные нейронные сети
- Современные сверточные архитектуры
- Задачи компьютерного зрения
- Обработка текстов (энкодинги, эмбеддинги)
- Рекуррентные нейронные сети, обработка текстов
- Архитектура трансформера
- Применения трансформеров в компьютерном зрении
- Self-supervision, BERT
- Дистилляция, квантизация, прунинг
- Состязательные атаки
- Генеративные модели.
Assessment Elements
- БДЗ 1 (Большое домашнее задание)Классификация изображений, формат соревнования
- БДЗ 2 (Большое домашнее задание)Машинный перевод, формат соревнования
- МДЗ 1 (Маленькое домашнее задание)Обучение нейронных сетей на numpy, полносвязные нейронные сети
- МДЗ 2 (Маленькое домашнее задание)Сверточные нейронные сети
- МДЗ 3 (Маленькое домашнее задание)Рекуррентные нейронные сети
- МДЗ 4 (Маленькое домашнее задание)
- МДЗ 5 (Маленькое домашнее задание)
- МДЗ 6 (Маленькое домашнее задание)
- ПР 1 (Проверочная работа)Полносвязные нейронные сети, оптимизация нейронных сетей
- ПР 2 (Проверочная работа)Обработка изображений, сверточные нейронные сети
- ПР 3 (Проверочная работа)Обработка текстов, рекуррентные нейронные сети, архитектура трансформера
- ПР 4 (Проверочная работа)elf-supervision, дистилляция, квантизация, прунинг, соревновательные атаки, генеративно-состязательные сети
- ЭкзаменПисьменный, в аудитории, материалами пользоваться не разрешается, 2 часа
Interim Assessment
- 2023/2024 3rd moduleИтог = Округление(0.3 * БДЗ + 0.25 * МДЗ + 0.15 ПР + 0.3 * Э), где БДЗ — средняя оценка за все большие домашние задания, МДЗ — средняя оценка за все маленькие домашние задания, ПР — оценка за проверочные работы, Э — оценка за экзамен.
Bibliography
Recommended Core Bibliography
- Глубокое обучение, Гудфеллоу, Я., 2018
Recommended Additional Bibliography
- Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705