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
Программа дисциплины
Аннотация
Цель освоения дисциплины
Планируемые результаты обучения
Содержание учебной дисциплины
Элементы контроля
Промежуточная аттестация
Список литературы
Рекомендуемая основная литература
Рекомендуемая дополнительная литература
Авторы