From 62b7c37b9fe787add3238de511d51cbc92ee9954 Mon Sep 17 00:00:00 2001 From: Artem Nikonorov Date: Fri, 30 Sep 2022 10:06:21 +0400 Subject: [PATCH] Update README.md --- README.md | 35 ++++++++++++++++++++++++++++------- 1 file changed, 28 insertions(+), 7 deletions(-) diff --git a/README.md b/README.md index ea56357..d38d373 100644 --- a/README.md +++ b/README.md @@ -9,16 +9,23 @@ https://t.me/DL_SamU_2022 Курс основывается на предыдущих более обзорных лекциях и туториалах по глубокому обучению и его приложениях, в частности, вот [небольшая обзорная лекция](https://youtu.be/Gpq1PFUee88) в Кавказском Математическом Центре. Также во многом этот курс является адаптацией известнейшего курса http://cs231n.stanford.edu/ +Материалы курса за 2020-21 годы расположены [здесь](https://github.com/da0c/DL_Course_SamU). +Курс 2022 года состоит из трех частей: +**Введение в глубокое обучение:** краткий обзор всех достижений машинного обучения до сверточных нейронных сетей, две лекции. +**Основы глубокого обучения:** собственно основной материал курса, порядка 8 лекций. +**Дополнительные главы глубокого обучения:** новинки и SOTA решения, трансформеры, метаобучение, zero shot learning и другое. ## График проведения курса 2022-2023 **Видеозаписи лекций 2020-21 годов можно найти по [ссылке](https://github.com/da0c/DL_Course_SamU).** -Лекции раз в две недели по [пятницам](https://ssau.ru/rasp?staffId=66320001&selectedWeek=3&selectedWeekday=1). -Продолжительность лекции два астрономических часа. +Лекции раз в две недели по [четвергам](https://ssau.ru/rasp?staffId=66320001&selectedWeek=3&selectedWeekday=1). +Начало в 19-00 по Самаре. Продолжительность лекции два астрономических часа. Первая лекция: 10.09.22 в 10:00 в Zoom. +**Следующая лекция: 07.10.22 в 10:00 в Zoom.** + Подключиться к конференции Zoom https://us02web.zoom.us/j/8366671872?pwd=NS9ZaXNWWG55Y0pESUZIZHlRa0U5dz09 @@ -28,15 +35,22 @@ https://us02web.zoom.us/j/8366671872?pwd=NS9ZaXNWWG55Y0pESUZIZHlRa0U5dz09 ## Лекционный план 2022-2023 -**Лекция 1. Классификация, основанная на данных** +**Часть первая. Введение в глубокое обучение.** + +**Лекции 1,2. Классификация, основанная на данных** Введение в курс. Задача классификации изображений. Подходы основанные на данных. -Линейная классификация и knn-классификатор. - +Основные идеи - От MLP до CNN. -**Лекция 2. Функции потерь и оптимизация.** +[Первая часть](https://youtu.be/pruCadZdhmQ) +[Вторая часть](https://youtu.be/bsdpRfQM-O8) +Презентация - TBD. + +**Часть вторая. Основы глубокого обучения.** + +**Лекция 3. Функции потерь и оптимизация.** Мультиклассовый SVM и его функция потерь. Софтмакс и мультимодальная логистическая регрессия. @@ -78,6 +92,8 @@ Transfer learning. Базовые архитектуры - AlexNet, VGG, GoogleNet, ResNet, UNET и другие. +**Часть третья. Дополнительные главы** + **Лекция 9. Генеративные и рекуррентные модели** @@ -89,7 +105,12 @@ Transfer learning. 3. Детектирование и сегментация. -**Лекция 10. Нейростевые модели и искусственный интеллект** +**Лекция 10. SOTA модели** +Трансформеры +Zero shot подходы +Метаобучение +Федеративное обучение + ## План лабораторных работ