2025/2026

Основы глубинного обучения

Статус: Маго-лего

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 4 модуль

Охват аудитории: для своего кампуса

Преподаватели: Паточенко Евгений Анатольевич

Язык: русский

Кредиты: 3

Контактные часы: 40

Программа дисциплины

Аннотация

Курс «Основы глубинного обучения» даёт слушателям фундаментальные знания и практические навыки в области современных методов машинного обучения с акцентом на технологии глубинного обучения (Deep Learning). Слушатели познакомятся с базовыми концепциями построения и обучения нейронных сетей, изучат ключевые архитектуры для обработки изображений и текстовых данных, а также научатся применять эти методы для решения реальных задач в сфере маркетинга и управления продуктом. Курс сочетает теоретическую подготовку с выполнением практических заданий.

Цель освоения дисциплины

• Сформировать у слушателей компетенции для самостоятельного применения методов глубинного обучения при решении прикладных задач анализа данных в маркетинге и продуктовой аналитике.

Планируемые результаты обучения

• По окончанию курса слушатели будут знать: - основные архитектуры нейронных сетей (полносвязные, свёрточные, рекуррентные, трансформеры);
• По окончанию курса слушатели будут знать: - принципы обучения и применения нейронных сетей;
• По окончанию курса слушатели будут знать: - методы оптимизации и регуляризации моделей;
• По окончанию курса слушатели будут знать: - особенности работы с различными типами данных (изображения, текст) в контексте глубинного обучения.

Содержание учебной дисциплины

• Введение в нейронные сети
• Модификации градиентного спуска
• Оптимизация. Эвристики для обучения нейронных сетей
• Свёртки и свёрточные слои
• Введение в Computer Vision. Сверточные нейронные сети
• Предобработка данных и векторные представления слов
• Рекуррентные сети
• Архитектура Transformer
• Основы LLM Практика с Large
• Консультация перед экзаменом

Элементы контроля

• Домашнее задание 1
  Полносвязные нейронные сети
• Домашнее задание 2
  Классификация изображений
• Экзамен

Промежуточная аттестация

• 2025/2026 4th module
  Итог = Округление(0.25 * ДЗ_1 + 0.25 * ДЗ_2 + 0.5 * Экзамен), где ДЗ — средняя оценка за все домашние задания, Э — оценка за экзамен. Округление арифметическое. Для того, чтобы получить оценку «отлично» вам нужно набрать 8 – 10 баллов, «хорошо» 6 – 8 баллов, «удовлетворительно» 4-6 баллов. Для допуска к итоговому экзамену студентам необходимо успешно сдать не менее 2 из 3 домашних заданий на оценку не ниже, чем 4 балла по 10 бальной шкале.

Список литературы

Рекомендуемая основная литература

• Aurélien Géron. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow : Concepts, Tools, and Techniques to Build Intelligent Systems: Vol. Second edition. O’Reilly Media.
• Глубокое обучение, Гудфеллоу, Я., 2018

Рекомендуемая дополнительная литература

• Знакомство с PyTorch: глубокое обучение при обработке естественного языка - 978-5-4461-1241-8 - Брайан Макмахан, Делип Рао - 2021 - Санкт-Петербург: Питер - https://ibooks.ru/products/374453 - 374453 - iBOOKS

Авторы

• Ахмедова Гюнай Интигам кызы