Нейронные сети в машинном обучении

Бакалавриат 2026/2027

ID 1137810

Статус: Курс по выбору (Программная инженерия)

Кто читает: Базовая кафедра Сбер

Где читается: Факультет компьютерных наук

Когда читается: 3-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 5

Контактные часы: 60

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина «Нейронные сети в машинном обучении» предназначена для ознакомления слушателей с фундаментальными концепциями и аспектами нейронных сетей, включая архитектуры, алгоритмы обучения и методы оптимизации. Курс направлен на формирование навыков проектирования, реализации и применения нейронных сетей для решения различных задач, таких как классификация изображении, распознавание объектов, обработка естественного языка и др.

Цель освоения дисциплины

Формирование знаний, умений и навыков проектирования, реализации и применения нейронных сетей для решения различных задач в области искусственного интеллекта.

Планируемые результаты обучения

Уметь применять нейронные сети для решения задач компьютерного зрения, обработки естественного языка и др.
Владеть знаниями о фундаментальных концепциях нейронных сетей, включая метод обратного распространения ошибки, оптимизаторы и инициализацию
Уметь проектировать и реализовывать различные архитектуры нейронных сетей, такие как свёрточные сети, рекуррентные сети и трансформеры
Владеть навыками применения методов оптимизации, регуляризации и переноса обучения для улучшения качества нейронных сетей
Уметь использовать библиотеки и фреймворки для реализации нейронных сетей, такие как PyTorch
Владеть знаниями о методах интерпретации моделей и оценки их качества

Содержание учебной дисциплины

Введение в нейросети - математичечкая основа и связь с классическим машинным обучением
Создание и обучение полносвязных нейронных сетей
Оптимизация обучения нейронных сетей
Сверточные нейронные сети
Word Embeddings (TF-IDF, word2vec), Tokenizers, Lemma, Stop words
Рекурентные нейронные сети
Генеративыне сети и автоэнкодеры
Трансформеры и механизм внимания
Перенос обучения и сжатие моделей
Большие языковые модели (LLM)

Элементы контроля

Домашняя работа 1
Задание на понимание устройства сети «изнутри» и практическое владение PyTorch - реализация полносвязной сети, сравнение оптимизаторов, применение регуляризации
Домашняя работа 2
Построение CNN-классификатора и знакомство с dense prediction на примере UNet для сегментации изображений
Домашняя работа 3
Базовая обработка текста и построение рекуррентной модели для классификации текста
Домашняя работа 4
Реализация и сравнение двух базовых генеративных архитектур.
Домашняя работа 5
Практическое знакомство с большими языковыми моделями — от промптинга до параметро-эффективного дообучения и сжатия модели для инференса
Экзамен
Итоговый тест по всем темам курса: от базовых полносвязных сетей до трансформеров, LLM и методов оптимизации моделей

Промежуточная аттестация

2026/2027 2nd module
0.12 * Домашняя работа 5 + 0.12 * Домашняя работа 3 + 0.12 * Домашняя работа 2 + 0.4 * Экзамен + 0.12 * Домашняя работа 1 + 0.12 * Домашняя работа 4

Список литературы

Авторы

Емашева Валерия Анатольевна

Программа дисциплины