Магистратура
2025/2026
Нейронные сети и глубокое обучение
Лучший по критерию «Новизна полученных знаний»
Статус:
Курс обязательный (Прикладные нейросетевые технологии)
Где читается:
Факультет компьютерных наук
Когда читается:
2-й курс, 2, 3 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Блуменау Марк Ильич
Язык:
русский
Кредиты:
6
Контактные часы:
48
Программа дисциплины
Аннотация
Курс "Нейронные сети и глубокое обучение" посвящен изучению нейросетевых моделей и их применению для решения прикладных задач. В ходе курса слушатели овладеют навыками развертывания нейронных сетей для анализа изображений и текста, подготовки и обработки данных для обучения, оценки качества моделей и диагностики проблем. Особое внимание уделяется практическим аспектам: слушатели научатся демонстрировать работу нейронных сетей пользователям, не имеющим технической подготовки. Курс включает лекции и семинары, охватывающие широкий спектр тем, от основ градиентного спуска и функций активации до современных архитектур, таких как сверточные и рекуррентные сети, а также трансформаторы и мультимодальные модели. Оценка знаний осуществляется с помощью практических заданий, участия в конкурсах и экзамена.
Цель освоения дисциплины
- Понимать и уметь применять различные варианты алгоритма градиентного спуска и подходы к регуляризации нейронной сети.
- Уметь разрабатывать и обучать полносвязные и сверточные нейронные сети для анализа изображений.
- Знать и использовать методы и метрики для оценки качества моделей и подбора гиперпараметров.
- Уметь строить и обучать рекуррентные нейросети для обработки текстовых данных.
- Понимать и реализовывать механизмы внимания и трансформеров в нейросетевых архитектурах.
- Владеть навыками предобработки данных и использования предобученных моделей для дообучения.
- Знать методы работы с мультимодальными моделями для интеграции данных из различных источников.
- Уметь использовать библиотеки глубокого обучения, такие как PyTorch, для реализации нейросетевых решений.
- Уметь диагностировать и решать проблемы, возникающие при обучении и эксплуатации нейросетевых моделей.
Планируемые результаты обучения
- -Применяет алгоритмы градиентного спуска и подходы к регуляризации для обучения моделей.
- -Разрабатывает и обучает полносвязные и сверточные нейронные сети для анализа изображений.
- -Использует метрики и методы для оценки качества моделей и подбора гиперпараметров.
- -Строит и обучает рекуррентные нейросети для обработки и анализа текстовых данных.
- -Реализует механизмы внимания и трансформеров в нейросетевых архитектурах.
- -Предобрабатывает данные и использует предобученные модели для дообучения.
- -Конструирует и обучает мультимодальные модели для интеграции данных из различных источников.
- -Применяет библиотеки глубокого обучения, такие как PyTorch, для реализации решений.
- -Диагностирует и решает проблемы, возникающие при обучении и эксплуатации нейросетевых моделей.
Содержание учебной дисциплины
- Градиент спуск и его варианты.
- История появления нейросетей. Предмет глубоко обучения. Полносвязаня нейронная сеть.
- Функции потерь. Подходы к регуляризации.
- Инициализация весов. Предобученные модели. Подходы к дообучению.
- Дифференцирование композииции. Алгоритм обратного распространения ошибки.
- Метрики. Подбор гиперпараметров.
- Работа с изображениями. Сверточные сети (CNN).
- Метрические методы.
- Работа с текстом. Рекуррентные сети (RNN).
- Механизм внимания. Трансформеры.
- Обучение на cpu и gpu. Распределенное обучение.
- Мультимодальные модели.
Элементы контроля
- Соревнование 1На основе предоставленного датасета нужно будет обучить нейросеть и поучаствовать в соревновании на лучшую модель.
- ЭкзаменЭкзамен представляет собой письменную проверочную работу на знание теоретического материала, который давался на лекциях.
- Домашние задания
- Соревнование 2На основе предоставленного датасета нужно будет обучить нейросеть и поучаствовать в соревновании на лучшую модель.
Промежуточная аттестация
- 2025/2026 3rd module0.2 * Домашние задания + 0.2 * Экзамен + 0.4 * Соревнование 2 + 0.2 * Соревнование 1
