Глубинное обучение и нейронные сети

Магистратура 2025/2026

Статус: Курс обязательный (Продуктовый подход и аналитика данных в HR-менеджменте)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 2-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Боревский Андрей Олегович

Язык: русский

Кредиты: 6

Контактные часы: 56

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс "Глубинное обучение и нейронные сети", раскрывая современные возможности алгоритмов в различных сферах, предлагает комплексное погружение в мир нейронных сетей, проистекающий из фундаментальных принципов машинного обучения. Слушатели освоят ключевые концепции, от базовых линейных слоев и функций активации до передовых архитектур, применяемых в компьютерном зрении и обработке естественного языка (NLP). Практические занятия с использованием Python и фреймворка PyTorch позволят не только понять теорию, но и получить ценные навыки разработки собственных алгоритмов и дообучения мощных предобученных моделей. В результате, студенты как приобретут понимание принципов глубинного обучения и уверенные навыки практической работы, так и смогут осознанно выбрать направление для дальнейшей специализации в этой динамично развивающейся области, будь то разработка новых моделей, применение существующих решений в конкретной индустрии или научные исследования. Курс ставит своей целью раскрыть диапазон задач и динамичность развития подходов, предлагаемых передовыми научными сообществами и разработчиками со всего мира.

Цель освоения дисциплины

Формирование умений, навыков и знаний в сфере проектирования классических алгоритмов глубинного обучения с акцентом на математической основе изучаемых концепций и возможности проектирования собственных подходов в различных прикладных доменах по современным стандартам предметной области.

Планируемые результаты обучения

Понимание основных слоев нейросетевых архитектур, принципов обновления параметров.
Опыт в проектировании собственных архитектур, написании вспомогательных инструментов обучения, тестирования и отслеживания работы моделей при помощи современных библиотек.
Умение читать современные научные статьи в доменах компьютерного зрения и NLP.
Понимание математической составляющий методов оптимизации, ключевых гиперпараметров при создании базовой нейросети, принципов обучения и тестирования моделей.
Понимание математической идеи слоев нормализации и регуляризация в глубинном обучении, умение их применять в моделях с линейными слоями.
Понимание технической составляющий сверхочных слоев, умения создавать модели для базовых задач компьютерного зрения. Понимание ключевых архитектурных подходов в компьютерном зрении, использующих сверточные слои.
Понимание основных архитектур рекуррентный сетей и способов обработки текста для последующего обучения моделей подобного класса
Понимание слоя внимания, классической архитектуры трансформеры, ее применения и модификаций в сферах NLP и CV.