2026/2027
Генеративные методы в машинном обучении
ID 1209969
Статус:
Маго-лего
Кто читает:
Департамент информатики
Где читается:
Школа информатики, физики и технологий
Охват аудитории:
для своего кампуса
Преподаватели:
Рыжиков Артём Сергеевич
Язык:
русский
Кредиты:
3
Контактные часы:
40
Программа дисциплины
Аннотация
Глубокие генеративные модели широко используются во многих областях прикладного машинного обучения. В этом курсе будут рассмотрены современные архитектуры генеративных моделей и алгоритмы их обучения. На лекциях будут освещены основные подходы, используемые сегодня, проведён анализ их основных преимуществ и недостатков. На семинарах будут разобраны примеры генерации изображений, текстов и других объектов с помощью вариационных автокодировщиков (VAE), генеративно-состязательных сетей (GAN), авторегрессионных моделей, нормализующих потоков и других подходов. Задания на семинарах мотивированы известными приложениями генеративных моделей в науке и индустрии.
Цель освоения дисциплины
- ознакомление студентов с современными генеративными моделями
- обучение использованию вариационных автокодировщиков для генерации новых объектов
- обучение использования генеративно-состязательных сетей для генерации новых объектов
- обучение использования нормализирующих потоков для генерации изображений
Планируемые результаты обучения
- владеет необходимым аппаратом теории вероятностей
- знает способы задания расстояний между распределениями
- использует различные метрики качества для проверки генеративных моделей
- объясняет выбор размерности латентного пространства
- ориентируется в перспективных разработках в области генеративных моделей
- понимает разницу между генеративными и дискриминативными моделями
- умеет применять нормализующие потоки для генерации изображений
- Умеет тренировать автокодировщики
- Понимает преимущества и недостатки диффузионных моделей
- умеет тренировать вариационные автокодировщики
Содержание учебной дисциплины
- Введение в генеративные модели
- Генеративно-состязательные сети и вариационные автокодировщики
- Обратимые модели
- Диффузионные модели
Промежуточная аттестация
- 2026/2027 3rd module0.25 * Домашнее задание 2 + 0.25 * Домашнее задание 1 + 0.5 * Экзамен
Список литературы
Рекомендуемая основная литература
- Генеративное глубокое обучение. Как не мы рисуем картины, пишем романы и музыку. 2-е межд изд. - 978-601-08-3729-4 - Фостер Дэвид - 2024 - Астана: Спринт Бук - https://ibooks.ru/products/397507 - 397507 - iBOOKS
Рекомендуемая дополнительная литература
- Генеративное глубокое обучение. Творческий потенциал нейронных сетей - 978-5-4461-1566-2 - Дэвид Фостер - 2021 - Санкт-Петербург: Питер - https://ibooks.ru/products/371724 - 371724 - iBOOKS