Введение в глубокое обучение
Глубокое обучение — это подполе машинного обучения, которое фокусируется на изучении сложных иерархических представлений признаков из исходных данных с использованием искусственных нейронных сетей. Курс охватывает основные принципы, лежащие в основе математики, концепции оптимизации (градиентный спуск, обратное распространение), модули сетей (линейные, свёрточные, слои пулинга) и распространённые архитектуры (СНН, РНН). Приводятся примеры применения: компьютерное зрение, обработка естественного языка и усиленное обучение. Студенты будут использовать библиотеку глубокого обучения PyTorch для реализации и завершат финальный проект по реальной задаче.
Обзор курса
Краткое содержание
Глубокое обучение — это подполе машинного обучения, которое сосредоточено на изучении сложных иерархических представлений признаков из исходных данных с использованием искусственных нейронных сетей. Курс охватывает фундаментальные принципы, лежащую в основе математику, концепции оптимизации (градиентный спуск, обратное распространение), модули сетей (линейные, свёрточные, слои пулинга) и типичные архитектуры (СНН, РНН). Продемонстрированные применения включают компьютерное зрение, обработку естественного языка и обучение с подкреплением. Студенты будут использовать библиотеку глубокого обучения PyTorch для реализации и завершить финальный проект по реальной ситуации.
Краткое резюме основных целей: Освоить теорию глубокого обучения, реализовать модели с помощью PyTorch, понять специализированные архитектуры (СНН, РНН, трансформеры) и применить эти концепции к компьютерному зрению, обработке естественного языка и последовательному принятию решений.
Цели обучения
- Объяснить математические основы и ключевые методы оптимизации (градиентный спуск, обратное распространение), необходимые для обучения глубоких нейронных сетей.
- Использовать фреймворк глубокого обучения PyTorch для эффективной реализации, обучения и отладки современных архитектур сетей с ускорением через CUDA и эффективными методами работы с данными.
- Проектировать и анализировать специализированные архитектуры, включая свёрточные нейронные сети (СНН) для изображений и модель трансформера для последовательных зависимостей.
- Применять методы глубокого обучения для решения практических задач в ключевых областях применения: компьютерное зрение, обработка естественного языка и обучение с подкреплением.
- Оценивать модели с точки зрения устойчивости, интерпретируемости и этической справедливости, сравнивая преимущества различных передовых парадигм (например, генеративные модели, полуобучение).