Глубинное обучение

Магистратура 2026/2027

ID 1216429

Статус: Курс обязательный (Анализ данных в биологии и медицине)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 1-й курс, 3, 4 модуль

Охват аудитории: для своего кампуса

Преподаватели: Темирханов Азиз Арсенович

Язык: русский

Кредиты: 6

Контактные часы: 80

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс знакомит магистрантов с основами глубинного обучения и практикой разработки нейросетевых моделей в PyTorch. Рассматриваются полносвязные и свёрточные сети, модели последовательностей, механизм внимания, трансформеры, большие языковые модели и анализ временных рядов. Практические задания охватывают классификацию, сегментацию медицинских изображений, прогнозирование и восстановление пропусков. Дополнительная гостевая тема посвящена анализу одноклеточных данных.

Цель освоения дисциплины

Сформировать понимание принципов построения, обучения, регуляризации и оценки глубоких нейронных сетей.
Развить практические навыки применения нейросетевых моделей к изображениям, текстам и временным рядам, включая задачи анализа биологических и медицинских данных.

Планируемые результаты обучения

Знать основные архитектуры полносвязных, свёрточных и рекуррентных сетей, механизм внимания и устройство трансформера
Знать алгоритмы оптимизации, методы регуляризации, принципы переноса обучения и дообучения больших языковых моделей
Понимать особенности постановки задач классификации, детекции, сегментации, моделирования последовательностей и временных рядов
Уметь готовить данные, формировать обучающую и валидационную выборки, выбирать метрики и сравнивать модели с базовыми решениями
Уметь реализовывать и обучать модели в PyTorch, подбирать гиперпараметры, анализировать переобучение и ошибки предсказаний
Владеть навыками работы с тензорами, автоматическим дифференцированием, Dataset и DataLoader, а также визуализации результатов экспериментов

Содержание учебной дисциплины

Введение в глубинное обучение
Полносвязные сети и классификация
Оптимизация и регуляризация
Свёрточные нейронные сети
Архитектуры CNN и перенос обучения
Детекция объектов
Сегментация изображений
Векторные представления текста
Нейронные сети для последовательностей
Механизм внимания и трансформер
Современные варианты трансформеров
Большие языковые модели: генерация и инференс
Обучение и дообучение LLM
Трансформеры для компьютерного зрения
Глубинное обучение для временных рядов
Бонусная гостевая тема: анализ одноклеточных данных

Элементы контроля

Домашние задания
Тестирование
В течение курса проводится три теста по изученному материалу. Тематика, сроки проведения и критерии оценивания сообщаются преподавателем. Каждый тест учитывается в среднем арифметическом с одинаковым весом.
Экзамен
Экзамен охватывает основные темы дисциплины. Формат проведения и критерии оценивания сообщаются преподавателем. Оценка за экзамен входит в итоговую оценку с весом 0,2.

Промежуточная аттестация

2026/2027 4th module
Формула итоговой оценки Оитог = 0,8 × Онакоп + 0,2 × Оэкзамен Накопленная оценка Онакоп = 0,8 × ОДЗ + 0,2 × Отесты Оценка за домашние задания - среднее арифметическое оценок за четыре домашних задания: ОДЗ = (ОДЗ1 + ОДЗ2 + ОДЗ3 + ОДЗ4 ) / 4 Оценка за тесты - среднее арифметическое оценок за три теста: Отесты = (ОТ1 + ОТ2 + ОТ3 ) / 3 Все домашние задания имеют одинаковый вес внутри компонента ОДЗ ; все тесты имеют одинаковый вес внутри компонента Отесты. Бонусные задания Могут предлагаться дополнительные задания с бонусными баллами. Максимальный бонус и порядок его учёта указываются в условиях соответствующего задания. Организация оценивания Для домашних заданий используются условия и критерии соответствующих работ. Актуальные сроки сдачи, правила учёта опозданий, порядок округления и пересдачи сообщаются преподавателем до соответствующих контрольных мероприятий.

Список литературы

Авторы

Емашева Валерия Анатольевна

Программа дисциплины