Введение в глубокое обучение
Курс посвящен основам глубокого обучения и методам применения нейронных сетей в различных задачах.
Обучение на курсе позволит слушателям понять теоретические основы работы нейронных сетей и приобрести прикладные навыки работы с современными моделями. Практическая часть курса включает в себя работу с текстами, изображениями, вопросно-ответными системами и генеративными моделями.
Для успешного освоения материалов курса необходимо обладать следующими знаниями:
- Программирование на Python (рекомендуем МФК “Основы программирования и анализа данных на Python”).
- Линейная алгебра, оптимизация, статистика (рекомендуем факультатив "Математика для анализа данных")
- Основы машинного обучения (рекомендуем МФК “Машинное обучение для решения прикладных задач”).
Видеотрансляции занятий доступны всем желающим. Студенты, записавшиеся на курс, смогут выполнять домашние задания с автоматической проверкой и получать обратную связь от преподавателей.
Данный курс является составляющей частью серии курсов по искусственному интеллекту в Московском государственном университете. Цель этой серии курсов — предоставление студентам актуальных и современных знаний в области искусственного интеллекта и в различных областях науки о данных.
Telegram-канал, в котором будут публиковаться объявления по данному курсу: https://t.me/+vqAue2s5PFUwNWVi
Общий Telegram-канал МФК по ИИ: https://t.me/msumfk
- 01:23:06Лекция 1. Введение в нейронные сети
- 01:34:44Лекция 2. Метод обратного распространения ошибки, функции активации
- 01:37:24Лекция 3. Методы регуляризации в DL
- 01:45:32Лекция 4. Компьютерное зрение. Сверточные нейросети
- 01:45:19Лекция 5. Компьютерное зрение. Transfer Learning
- 01:18:52Лекция 6. Автоэнкодеры и векторные представления слоев
- 01:32:15Лекция 7. Языковое моделирование и RNN
- 01:26:54Лекция 8. Задача машинного перевода (seq2seq). Механизм Attention
- 01:40:07Лекция 9. Компьютерное зрение. Сегментация и детекция
- 01:38:13Лекция 10. Автоэнкодеры (AE) и генеративные состязательные сети (GAN)
- 01:35:52Лекция 11. Дополнительные вопросы курса

