Бакалавриат 2022/2023

Глубинное обучение 1

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

Статус: Курс по выбору (Прикладная математика и информатика)

Направление: 01.03.02. Прикладная математика и информатика

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 3-й курс, 1-3 модуль

Формат изучения: с онлайн-курсом

Онлайн-часы: 20

Охват аудитории: для своего кампуса

Преподаватели: Барановская Дарья Геннадьевна, Биршерт Алексей Дмитриевич, Садртдинов Ильдус Рустемович

Язык: английский

Кредиты: 4

Контактные часы: 52

Course Syllabus

Abstract

The course serves as an in-depth introduction to deep learning -- one of the most rapidly developing fields of machine learning. The studentswill learn the basic working principles of neural network architectures that are in widespread use today. he course has a clear practical focus; students are expected to implement and train neural networks in Python programming language using PyTorch framework. The course covers basic computer vision and natural language processing tasks, introduction to generative models, self-supervised learning, and model optimization and deployment.

Learning Objectives

• Understand the operating principle and be able to train the following types of neural networks: fully connected, convolutional, recurrent, and transformers.
• Proficiency in using the PyTorch framework for training neural networks.
• To understand the various tasks that can be solved using deep learning.

Expected Learning Outcomes

• Умение обрабатывать данные и составлять пайплайны для обучения нейронных сетей.

Course Contents

• Графы вычислений, полносвязные нейронные сети.
• Оптимизация нейронных сетей.
• Сверточные нейронные сети
• Современные сверточные архитектуры
• Рекуррентные нейронные сети, обработка текстов
• Архитектура трансформера
• Задачи компьютерного зрения
• Обработка текстов (энкодинги, эмбеддинги)
• Применения трансформеров в компьютерном зрении
• Self-supervision, BERT
• Дистилляция, квантизация, прунинг
• Состязательные атаки
• Генеративные модели

Assessment Elements

• МДЗ 1 (Маленькое домашнее задание)
  Обучение нейронных сетей на numpy, полносвязные нейронные сети
• МДЗ 4 (Маленькое домашнее задание)
  Архитектура трансформера
• МДЗ 2 (Маленькое домашнее задание)
  Сверточные нейронные сети
• МДЗ 3 (Маленькое домашнее задание)
  Генерация музыки рекуррентными нейронными сетями
• ПР 3 (Проверочная работа)
  Обработка текстов, рекуррентные нейронные сети, архитектура трансформера
• ПР 1 (Проверочная работа)
  Полносвязные нейронные сети, оптимизация нейронных сетей
• ПР 2 (Проверочная работа)
  Обработка изображений, сверточные нейронные сети
• МДЗ 5 (Маленькое домашнее задание)
  Self-supervision
• МДЗ 6 (Маленькое домашнее задание)
  Соревновательные атаки, генеративно-состязательные сети
• ПР 4 (Проверочная работа)
  Self-supervision, дистилляция, квантизация, прунинг, соревновательные атаки, генеративно-состязательные сети
• Экзамен
  Письменный, в аудитории, материалами пользоваться не разрешается, 2 часа
• БДЗ 1 (Большое домашнее задание)
  Классификация изображений, формат соревнования
• БДЗ 2 (Большое домашнее задание)
  Машинный перевод, формат соревнования

Interim Assessment

• 2022/2023 3rd module
  0.15 * БДЗ 1 (Большое домашнее задание) + 0.042 * МДЗ 3 (Маленькое домашнее задание) + 0.042 * МДЗ 2 (Маленькое домашнее задание) + 0.037 * ПР 2 (Проверочная работа) + 0.042 * МДЗ 5 (Маленькое домашнее задание) + 0.15 * БДЗ 2 (Большое домашнее задание) + 0.037 * ПР 3 (Проверочная работа) + 0.037 * ПР 1 (Проверочная работа) + 0.042 * МДЗ 1 (Маленькое домашнее задание) + 0.3 * Экзамен + 0.037 * ПР 4 (Проверочная работа) + 0.042 * МДЗ 4 (Маленькое домашнее задание) + 0.042 * МДЗ 6 (Маленькое домашнее задание)

Bibliography

Recommended Core Bibliography

• Глубокое обучение, Гудфеллоу, Я., 2018

Recommended Additional Bibliography

• 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

Authors

• Roslovtseva Kristina Olegovna
• Sadrtdinov Ildus Rustemovich