Bachelor 2023/2024

Introduction to Deep Learning

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

Instructors: Пирогов Вячеслав Григорьевич, Borevskiy Andrey

Language: English

ECTS credits: 4

Contact hours: 10

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.

Expected Learning Outcomes

• Умение обрабатывать данные и составлять пайплайны для обучения нейронных сетей.
• Понимание различных задач, которые решаются с применением глубинного обучения.

Course Contents

• Графы вычислений, полносвязные нейронные сети.
• Оптимизация нейронных сетей.
• Сверточные нейронные сети
• Современные сверточные архитектуры
• Рекуррентные нейронные сети, обработка текстов
• Архитектура трансформера
• Дистилляция, прунинг, квантизация

Assessment Elements

• МДЗ 1 (Маленькое домашнее задание)
  Полносвязные нейронные сети (10 баллов)
• МДЗ 2 (Маленькое домашнее задание)
• МДЗ 3 (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

Interim Assessment

• 2023/2024 3rd module
  Итог = Округление(0.7 * МДЗ + 0.3 ПР), где МДЗ — средняя оценка за все маленькие домашние задания, ПР — оценка за проверочные работы.

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