• A
  • A
  • A
  • ABC
  • ABC
  • ABC
  • А
  • А
  • А
  • А
  • А
Regular version of the site

Deep Learning

2021/2022
Academic Year
RUS
Instruction in Russian
5
ECTS credits
Delivered at:
Department of Informatics
Course type:
Elective course
When:
3 year, 3, 4 module

Instructor


Степанов Денис Вячеславович

Программа дисциплины

Аннотация

Глубинное обучение – популярная область, в которой используются нейронные сети сложной архитектуры. Подобные системы дают лучшие результаты в таких областях, как обработка изображений, видео, звука и текста. В рамках курса будут рассмотрены основные типы архитектур, принципы работы и обучения глубоких нейронных сетей, а также проведены практические занятия по вышеупомянутым областям применения. Является дисциплиной по выбору. Для освоения дисциплины необходимы компетенции, полученные в ходе изучения дисциплин «Машинное обучение», «Методы оптимизации». Основные положения данной дисциплины используются для освоения следующих дисциплин: «Анализ изображений», «Обработка естественного языка», «Распознавание и генерация речи».
Цель освоения дисциплины

Цель освоения дисциплины

  • Целью освоения дисциплины «Глубинное обучение» является формирование у студентов теоретических знаний и практических навыков по основам построения больших нейронных сетей для глубинного обучения.
Планируемые результаты обучения

Планируемые результаты обучения

  • Студент знает способы построения глубоких нейронных сетей
  • Студент имеет навыки применения математического аппарата и алгоритмов
  • Студент умеет применять глубинное обучение для решения характерных задач
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Алгоритмы оптимизации и регуляризации
  • Обработка и анализ изображений
  • Обработка естественного языка, конкурентные и генеративные нейронные сети
  • Оптимизация гиперпараметров, обучение с подкреплением
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание №1
    Домашнее задание №1 выдается студентам в одном варианте и состоит из 3 задач. Срок выполнения домашнего задания - 4 недели. Форма представления обучающимися домашнего задания – реализованный на любом языке программирования алгоритм.
  • неблокирующий Домашнее задание №2
    Домашнее задание №2 выдается студентам в одном варианте и состоит из 3 задач. Срок выполнения домашнего задания - 4 недели. Форма представления обучающимися домашнего задания - реализованный на любом языке программирования алгоритм.
  • неблокирующий Домашнее задание №3
    Домашнее задание №3 выдается студентам в одном варианте и состоит из 3 задач. Срок выполнения домашнего задания - 4 недели. Форма представления обучающимися домашнего задания - реализованный на любом языке программирования алгоритм.
  • блокирующий Устный экзамен
    Устный экзамен проводится в форме ответов на вопросы экзаменационного билета. Экзаменационный билет содержит два вопроса из перечня вопросов к экзамену. Возможны дополнительные вопросы, в случае если экзаменуемый недостаточно подробно ответил на вопросы билета. На подготовку ответа выделяется 2,5 часа.
Промежуточная аттестация

Промежуточная аттестация

  • 2021/2022 учебный год 3 модуль
    0 * Домашнее задание №1 + 0 * Домашнее задание №2
  • 2021/2022 учебный год 4 модуль
    Преподаватель учитывает оценку за текущий контроль (домашние задания). Онакопленная = (Од/з1 + Од/з2 + Од/з3)/3 Результирующая оценка за дисциплину рассчитывается следующим образом: ОРезультирующая= 0,5 Онакопленная+0,5 Оэкзамен На экзамене студенту не предоставляется возможность получить дополнительный балл для компенсации оценки за текущий контроль.
Список литературы

Список литературы

Рекомендуемая основная литература

  • Alexander, D. (2020). Neural Networks: History and Applications. Nova.
  • Iba, H. (2018). Evolutionary Approach to Machine Learning and Deep Neural Networks : Neuro-Evolution and Gene Regulatory Networks. Singapore: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1833749

Рекомендуемая дополнительная литература

  • Taweh Beysolow II. (2017). Introduction to Deep Learning Using R. Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.b.spr.sprbok.978.1.4842.2734.3