course language
course duration
needed to educate
for credit at your university
Курс является частью специализации "Машинное обучение: от статистики до нейросетей", состоящей из семи курсов: "Математическая статистика и А/В тестирование", "Основы машинного обучения (вводный курс)", "Сбор и анализ данных в Python", "Статистические методы анализа данных", "Продвинутые методы машинного обучения", "Основы глубинного обучения" и "Продвинутые методы глубинного обучения".
Программа предназначена для преподавателей, ведущих дисциплину «Основы глубинного обучения», учебных ассистентов и студентов направления подготовки/специальности «01.03.02 Прикладная математика и информатика», обучающихся по образовательным программам бакалавриата.
Целями освоения дисциплины Основы глубинного обучения являются:
Курс состоит из 6 видеолекций, разбитых на тематические блоки. В каждой теме 8-15 роликов по 8-12 минут, между которыми есть вопросы для проверки.
Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning. MIT Press, 2016. Retrieved from https://www.deeplearningbook.org/
Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. Springer, 2009. Retrieved from https://web.stanford.edu/~hastie/Papers/ESLII.pdf
Для освоения учебной дисциплины студенты должны владеть следующими знаниями и компетенциями:
- Знание основ программирования на языке высокого уровня, знание основных алгоритмов и
концепций машинного обучения.
1. Введение в нейронные сети
Построение нейронных сетей, полносвязные слои, обратное распространение ошибки.
2. Работа с изображениями и сверточные архитектуры
Операция свертки и сверточные нейронные сети, методы борьбы с переобучением нейронных сетей и регуляризация.
3. Современные сверточные архитектуры и их использование
Принципы построения современных сверточных архитектур, перенос знаний, интерпретация моделей и задача переноса стиля.
4. Работа с последовательностями и рекуррентные архитектуры
Векторные представления слов, токенизация слов, рекуррентные архитектуры, применение сверточных архитектур к текстам.
5. Механизм внимания и Трансформер
Механизм внимания, построение Трансформера и его применение к задаче классификации, контекстозависимые векторные представления слов из Трансформеров.
6. Нейронные сети в реальных условиях
Практика применения нейронных сетей, оценка неопределенности, оптимизация нейронных сетей.
Студент способен разрабатывать и реализовывать в виде программного модуля алгоритм решения поставленной теоретической или прикладной задачи на основе математической модели.
Программные средства
course language
course duration
needed to educate
for credit at your university
Кандидат наук: Московский физико-технический институт (национальный исследовательский университет)
Position: Старший научный сотрудник Факультета компьютерных наук
Position: Приглашенный преподаватель Факультета компьютерных наук
Position: Приглашенный преподаватель Факультета компьютерных наук
Стоимость доступа ко всем материалам курса, возможности пройти экзамен с прокторингом и получить сертификат составляет 3600 рублей.
The cost of passing the procedures for assessing learning outcomes with personal identification - 3600 Р.