added legacy lectures folder

10 months ago · af64648fb6
parent d2d6204a91
commit af64648fb6
1 changed files with 208 additions and 0 deletions
--- a/legacy_courses/README_2023.md
+++ b/legacy_courses/README_2023.md
@ -0,0 +1,208 @@
 # Курс "Нейронные сети и глубокое обучение" Самарского университета
 Лектор [Артем Владимирович Никоноров](https://ssau.ru/staff/66320001-nikonorov-artem-vladimirovich), д.т.н., artniko@gmail.com  
 Ассистенты: [Виктория Витальевна Евдокимова](https://ssau.ru/staff/304968209-evdokimova-viktoriya-vitalevna/edu),
            [Никита Александрович Фирсов](https://ssau.ru/staff/441332557-firsov-nikita-aleksandrovich/edu),
            [Макаров Андрей Романович](https://ssau.ru/staff/702140902-makarov-andrey-romanovich/edu)
 Телеграмм группа курса:
 https://t.me/DL_SamU_2023
 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).
 Материалы курса за 2022-23 годы расположены [здесь](https://github.com/kvvik/DL_Course_SamU)
 Курс 2023-24 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 2023-2024
 **Видеозаписи лекций 2020-21 годов  можно найти по [ссылке](https://github.com/da0c/DL_Course_SamU).**  
 **Лекции раз в неделю по [понедельникам](https://ssau.ru/rasp?staffId=66320001&selectedWeek=4&selectedWeekday=1).
 Начало в 18-45 по Самаре. Продолжительность лекции два астрономических часа.**
 Первая лекция: 18.09.22 в 18:45 в Zoom.
 **Следующая лекция: 30.10.23 в 18:45 по Самаре в Zoom.**
 Подключиться к конференции Zoom  можно будет по ссылке, которая появится за час до назначенного времени проведения лекции:
 [Здесь будет ссылка]()
 ## Лекционный план 2023-2024  
 **Часть первая. Введение в глубокое обучение.**   
 **Лекции 1,2. Классификация, основанная на данных**   
 Введение в курс.  
 Задача классификации изображений.  
 Подходы основанные на данных.  
 Основные идеи - От MLP до CNN.
 [Видеозапись первой части](https://youtu.be/pruCadZdhmQ)  
 [Видеозапись второй части](https://youtu.be/bsdpRfQM-O8)  
 [Презентация к лекциям 1-2](https://github.com/kvvik/DL_Course_SamU/blob/master/lections/Nikonorov-2023.pdf)    
 **Часть вторая. Основы глубокого обучения.**   
 **Лекция 3. Функции потерь и оптимизация.**  
 Мультиклассовый SVM и его функция потерь.  
 Софтмакс и мультимодальная логистическая регрессия.  
 Оптимизация функции потерь.  
 Стохастический градиентный спуск (SGD).  
 Разбор задач к самостоятельной: функции потерь для SVM и софтмакса.  
 [Видеозапись третьей лекции](https://youtu.be/9nUzJxCeKIc)  
 [Презентация к лекции 3](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/Lecture_3_SGD_22.pdf)  
 [Python-ноутбук к лекции 3](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/Lecture_3.ipynb)  
 **Лекция 4. Нейронные сети и обратное распространение ошибки.**  
 Классификация с точки зрения нейронной сети.  
 Многослойный перцептрон.  
 Представление сети в виде вычислительного графа.
 Алгоритм обратного распространения ошибки на вычислительном графе.  
 Разбор задач к самостоятельной: прямое и обратное распротранение по вычислительному графу.  
 [Видеозапись четвертой лекции, первая часть](https://youtu.be/Zx6YggTqTJs)  
 [Видеозапись четвертой лекции, вторая часть](https://youtu.be/h4mE1AhLvAI)  
 [Презентация к лекции 4](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/lecture_4_BP_22.pdf)  
 **Лекция 5. Сверточные сети (СНС).**  
 История.  
 Основные операции СНС.  
 Применение СНС вне задач машинного зрения.  
 Разбор задач к самостоятельной: расчет выхода сверточной сети.  
 [Презентация к лекции 5](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/Lecture_5_CNN_22.pdf)  
 **Лекция 6. Инструментарий глубокого обучения.**  
 CPU vs GPU vs TPU.  
 Пакеты глубокого обучения, Tensorflow, Keras и другие.  
 Вычислительные графы СНС.    
 [Видеозапись шестой лекции](https://youtu.be/vSwXdsuDN9A)  
 [Презентация к лекции 6](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/lecture_6_DL_Tools_22.pdf)  
 **Самостоятельня работа.**  
 Три задачи из лекций 2-5.  
 **Внимание:** участие в самостоятельной, как и сдача лабораторных, необходимое условие для допуска к экзамену.  
 **Лекция 7. Обучение СНС, часть 1.**  
 Активационные функции, обработка данных сетью.  
 Пакетная нормализация и другие трюки.  
 Transfer learning.
 [Видеозапись седьмой лекции](https://youtu.be/g0iMdzk5Q-k)  
 [Презентация к лекции 7](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/lecture_7_Training1_22.pdf)  
 **Лекция 8. Обучение СНС, часть 2.**  
 Политики обновления гиперпараметров.  
 Тюнинг процесса обучения.
 Аугментация данных.  
 [Видеозапись восьмой лекции](https://youtu.be/X77_BhagkJ0)  
 [Презентация к лекции 8](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/lecture_8_Training2_22.pdf)  
 **Лекция 9. Архитектуры СНС**  
 Базовые архитектуры - AlexNet, VGG, GoogleNet, ResNet, UNET и другие.  
 [Видеозапись девятой лекции](https://youtu.be/ihkqOdUQsmo)  
 [Презентация к лекции 9](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/lecture_9_Arch_22.pdf)  
 **Часть третья. Дополнительные главы**
 **Лекция 10. Трансформерные архитектуры**  
 [Видеозапись десятой лекции](https://youtu.be/LjZxH6jGk-E)  
 [Презентация к лекции 10](https://github.com/kvvik/DL_Course_SamU/blob/master/Lectures/lecture_10_Transfomers_22.pdf)  
 **Лекция 11. Генеративные и рекуррентные модели**  
 1. RNN/LSTM.  
 Механизм attention.
 Обработка естественного языка.
 2. GAN сети.
 3. Детектирование и сегментация.
 **Лекция 12. SOTA модели**  
 Трансформеры   
 Zero shot подходы  
 Метаобучение  
 Федеративное обучение  
 ## План лабораторных работ
 Списки групп и статус выполнения лабораторных работ можно найти в [гугл-таблице](https://docs.google.com/spreadsheets/d/18BARANelD4i-KCorJnL-MCyX99g12n8lSnQ88uiNLxk/edit#gid=0) . 
 ## Литература и дополнительные источники  
 1. Отличная книга на русском по глубокому обучению -  
 [С. И. Николенко, А. Кадурин, Е. В. Архангельская, Глубокое обучение. Погружение в мир нейронных сетей. 2018](https://www.ozon.ru/context/detail/id/154415719/)  
 2. Отличная книга по техническим аспектам реализации на Python -  
 [Шолле Франсуа, Глубокое обучение на Python](https://www.ozon.ru/context/detail/id/145615583/)  
 3. Хорошая современная книга на английском: [Advanced Deep Learning with Python. By Ivan Vasilev](http://neuralnetworksanddeeplearning.com)
 4. [Лекционный курс К.В. Воронцова по машинному обучению](http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_%28%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2%29).  
 5. [Видеолекция академика Ю.И. Журавлева](https://www.youtube.com/watch?v=R3CMqrrIWOk) об истоках машинного обучения в СССР и о сочетании эвристики и науки в распознавании образов.  
 7. Видеолекции С.И. Николенко по GAN сетям [1](https://www.youtube.com/watch?v=SlJgPIOlpiI), [2](https://www.youtube.com/watch?v=w38m5mTrG_M&t=1147s).
 Хорошая проверка ваших знаний, на выходе из настоящего курса вы должны полностью понимать то, что говорится в этих лекциях по GAN.  
 8. Хорошая вводная книга по питону и базовым библиотекам, таким как numpy, pandas, jupyter.
 [Python и анализ данных. Второе издание [2020] Уэс Маккинни](https://www.ozon.ru/product/python-i-analiz-dannyh-vtoroe-izdanie-makkini-ues-285933371)  
 [Альтернативная ссылка](https://vk.com/wall-51126445_67509)  
 Важное замечание: первое издание книги содержит в себе короткое введение в python, изъятое из второго издания. Первое издание с руководством по питону можно найти [например здесь](https://t.me/physics_lib).  
 ## Подборка книг по математике, базовых для машинного обучения  
 По многочисленным просьбам привожу список книг по направлениям математики, которые составляют базу для машинного и глубокого обучения.  
 Базу составляют - матанализ,  линейная алгебра, методы оптимизации, теория вероятностей и математическая статистика.  
 Опционально, но полезно, знать цифровую обработку сигналов и теорию случайных процессов, численные методы, и конечно обработку изображений.  
 1. Матанализ: Г. М. ФИХТЕНГОЛЬЦ. ОСНОВЫ. МАТЕМАТИЧЕСКОГО. АНАЛИЗА.
 2. Линейная алгебра: Г.С. Швецов, Линейная алгебра. теория и прикладные аспекты.
 3. Альтернативный, всегда актуальный вариант - Гантмахер, Теория матриц.
 4. Методы оптимизации - Советская книга по методам оптимизации в технических задачах. Для тех кто не знает как рашифровывается BFGS))) -  
 [Реклейтис Г., Рейвиндран А., Рэгсдел К. Оптимизация в технике. Том 1 М.: Мир, 1986. – 348 с.](https://www.studmed.ru/rekleytis-g-reyvindran-a-regsdel-k-optimizaciya-v-tehnike-tom-1_5d310297b68.html)  
 5. Тервер и матстат: Гмурман В.Е., Теория вероятностей и математическая статистика.
 6. Обработка изображений, здесь можно привести целый список, немного классических книг: Э. Прэтт, Цифровая обработка изображений; Гонсалес Р., Вудс Р. Цифровая обработка изображений;
 7. Ну и важная тема, формирование и восприятие цвета: М. Домасев, С. Гнатюк, Цвет, управление цветом, цветовые расчеты и измерения  
 [Хороший телеграмм канал с подборкой технических книг](https://t.me/physics_lib)