Бакалавриат
2025/2026
Продвинутые методы глубинного обучения
Статус:
Курс по выбору (Вычислительные социальные науки)
Кто читает:
Департамент психологии
Где читается:
Факультет социальных наук
Когда читается:
3-й курс, 4 модуль
Онлайн-часы:
36
Охват аудитории:
для своего кампуса
Преподаватели:
Каймаков Кирилл Владимирович
Язык:
русский
Кредиты:
2
Контактные часы:
24
Программа дисциплины
Аннотация
Курс является логическим продолжением дисциплины «Основы глубинного обучения». Студенты познакомятся с прикладными аспектами построения и применения нейронных сетей, а также разовьют навыки применения продвинутых алгоритмов глубинного обучения в фреймворке PyTorch на языке программирования Python.
Цель освоения дисциплины
- Знать основные методы решения задач, связанных с компьютерным зрением
- Понимать принципы работы генеративных моделей и решать прикладные задачи с их помощью
- Уметь решать задачи по обработке звуковых данных с помощью моделей глубинного обучения
- Понимать принципы работы графовых нейронных сетей
- Знать основы обучения с подкреплением, в том числе марковские процессы принятия решений, алгоритмы policy iteration и value iteration
- Знать принципы работы алгоритмов Sarsa и Q-learning в задачах обучения с подкреплением
Планируемые результаты обучения
- Знать основные генеративные методы в машинном обучении
- 1. Знать принципы работы нейронных сетей 2. Уметь выбирать метрики и функцию ошибки под требования практической задачи 3. Уметь писать подготовку данных, создание моделей и процедуру тренировки для основных типов задач 4. Знать основные задачи и базовые архитектуры для их решения.
- формулирует рекомендации в предметной области по результатам моделирования
- Умеет формулировать и решать задачи, связанные с применением методов компьютерного зрения
- Знает содержание алгоритмов обучения генеративных моделей
- Умеет использовать генеративные модели для решения прикладных задач
- Знает базовые принципы машинного представления звуковых данных
- Умеет применять алгоритмы обработки звука для решения прикладных задач: детекция эмоций в голосе, тона речи и т.д.
- Знает основные принципы работы с графовыми нейронными сетями и умеет решать прикладные задачи с их помощью
- Умеет формулировать задачи обучения с подкреплением
- Знает принципы работы марковских процессов принятия решений, exploration-exploitation dilemma, алгоритмы value iteration и policy iteration
- Знает алгоритмы Q-learning и Sarsa
Содержание учебной дисциплины
- Современное компьютерное зрение
- Генеративные модели
- Глубинное обучение и Natural Language
- Алгоритмы на графах и переход в графовые нейросети.
- Обучение с подкреплением
- Задачи компьютерного зрения в машинном обучении
- Генеративные модели
- Глубинное обучение для обработки звука
- Глубинное обучение на графах
- Обучение с подкреплением
Список литературы
Рекомендуемая основная литература
- Deep learning, Goodfellow, I., 2016
- The elements of statistical learning : data mining, inference, and prediction, Hastie, T., 2017
Рекомендуемая дополнительная литература
- 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
- Wiering, M., & Otterlo, M. van. (2012). Reinforcement Learning : State-of-the-Art. Berlin: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=537744